基于改进 BP 神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

基于UBGPM-Markov的铁路货运量预测方法

针对铁路货运量发展变化的非线性特性,采用非线性灰色模型中的无偏GM（1,1）幂模型进行预测,并用状态划分更为精细后的马尔可夫链修正预测值,从而建立优化后的UBGPM-Markov模型.通过对我国2000~2012年铁路货运量实例分析,与改进GM（1,1）模型、无偏GM（1,1）模型2种预测方法进行了比较,比较显示无偏GM（1,1）幂模型具有较高的预测精度.优化后的UBGPM-Markov模型更是显著提高了预测精度,将平均绝对百分误差（MAPE）由2.11%减少到0.55%.     

神经网络模型预测运输货运量

从交通运输需求的角度描绘了交通运输需求与国民经济的一些主要经济变量的相关关系,基于这些相关关系建立了交通运输需求预测的神经网络模型,利用误差反向传播算法实现了由这些因素到运输系统需求的复杂映射。并进行了实例验证分析。     

组合预测模型在铁路货运量预测中的应用

货运量预测是铁路运输规划的基础,单一预测方法很难准确有效地进行运量预测。探讨组合模型在铁路货运量预测中的应用,以全铁路货运量及社会经济发展状况为样本,对未来铁路货运量进行预测。实证预测结果表明：组合预测模型能有效综合各模型的有用信息,从而提高模型预测精度,与单一模型相比,该方法具有较好的实用价值。     

铁路货运量多维灰色模型研究

多维灰色模型是一种研究因素空间难以穷尽，行为轨迹无法控制的信息不完全的本征性灰色系统的简便方法，本文选用１９８６０１９９０年铁路货运量，固定资产投资、货运机车平均牵引总量和一次作业平均停时第四个指建立多维灰色模型，对模型的发展系数，协高数进行分析、并对模型进行检验，然后对１９９１年货运量采用一维与四维模型相结合作了预测，而且预测值与实际值相差甚小，说明预测具有一定的可靠性。     

基于改进灰色-马尔可夫链方法的铁路货运量预测

科学的货运量预测对铁路发展战略的制定具有十分重要的意义.针对灰色模型的预测结果精确度受原始数据变化幅度的影响较大,且要求累加生成的数据列具有指数性质的缺点,采用带波动的多项式来替代GM（1,1）模型中的指数形曲线,并通过马尔可夫链对其预测结果进行修正,从而建立改进的灰色-马尔可夫链预测模型,同时利用该改进模型对我国铁路货运量进行预测,并与传统的GM（1,1）模型、改进的GM（1,1）模型和灰色-马尔可夫模型3种预测方法进行了比较,结果表明：提出的预测方法具有较高的精度,具有一定的可行性和有效性,预测结果可指导铁路建设与管理.     

铁路枢纽内货运量的模糊预测

分析了铁路枢纽内影响货运量的因素，讨论了不同因素的数据处理方法，建立了预测货运量的模糊回归模型，并通过算例求解，对某铁路枢纽的货物发送量进行了预测。     

基于灰色Verhulst模型的民航远期货运量预测研究

从分析民航远期货运量预测的难点入手,引入灰色Verhulst模型,并分析了此理论应用于中国民航长期货运量预测的可行性及方法,在此基础上建立了民航货运量的Verhulst预测模型,结合中国民航货运量的历史数据进行了研究和分析。研究表明,灰色Verhulst模型在民航长期货运量预测方面具有较好的应用效果。     

铁路轮渡货运量预测方法研究

铁路轮渡在国内属于新生的一种运输方式，其货运量预测方法及对运量构成的划分方法尚无成熟经验可以借鉴，从综合运输的角度入手，对采用经济模型与产销平衡分析相结合预测铁路轮渡货运量的方法进行了探讨，并进一步利用该方法对铁路轮渡运量的构成进行了合理划分。     

����ģ����ϵ���·��װ������Ԥ��

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

基于模型组合的铁路集装箱运量预测

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

基于Matlab的铁路内部因素与货运量的灰色关联分析

随着货运改革的深入进行,铁路货运量已经呈现增长趋势。但是除了运营模式的因素,铁路内部影响货运量的因素也有很多。从铁路内部因素中选取一系列铁路运输统计指标,运用Matlab编制程序对选取的指标进行灰色关联度分析,根据灰色关联度的大小判断指标与货运量的关系程度是否密切,总结出与货运量关系密切的几个指标并提出相关建议,为货运量分析和货运改革以及相关决策奠定基础。     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

基于产业结构测度的货运量预测模型

在对货运量预测理论及步骤概述的基础上,重点分析基于产业结构测度的货运量预测模型。并以合肥市为例,将单位GDP货运量的生成量与产业结构测度二者关系数量化,建立二者关系模型,根据统计学的方法检验模型的可靠性,并利用该模型预测地区货运量。     

��·��װ�������г���Ԥ��ģ���о�

通过考虑国民经济的长期趋势、产业结构、生产布局、运输结构、消费水平等影响铁路集装箱运量的不同因素,选用能够容纳多种影响因素的经济计量方法构建铁路集装箱运量中长期预测模型.根据不同影响因素的特点,将其分别设置为内生变量、外生变量和前期内生变量,形成集装箱运量预测的基本方程组结构.通过对模型的估计和检验(包含整理检验和最终检验)可知,所构建的模型体系误差率较小,具有较高的精度,可用于铁路集装箱运量的预测,为铁路集装箱运输发展规划提供基础数据依据.     

基于MATLAB的BP神经网络组合预测模型在公路货运量预测中的应用

采用BP神经网络建立公路货运量组合预测的理论模型,灵活利用神经网络通过自适应自学习能够拟合任意非线性函数的功能,有效克服传统的组合预测方法在实际应用中把数据间的关系强加给某一类函数的不足,并借助于先进的数学计算软件MATLAB进行简单的编程,大大降低模型的计算难度,实例证明该方法具有更高的预测精度。     

改进的灰色模型在船闸通过量预测中的应用

对灰色GM(1,1)模型进行了改进,通过函数变换改变序列的光滑度,以积分逼近值代替均值作为相邻时间间隔增长量,以提高发展系数精度,从而得到了比原GM(1,1)模型模拟精度高和适用法范围更广的新模型.并以苏北运河船闸历年累计货物通过量为实例,运用原始模型与改进模型对船闸通过量进行预测,预测值与真实值相比较后,证实了文中改进的灰色模型精度较高,适用范围更广.     

��·������Ԥ��ĸĽ�BP�����緽��

铁路货运量与其影响因素之间存在着复杂的非线性关系，传统的BP神经网络模型能对非线性系统进行很好的拟合，但模型的预测能力不强。通过单位根检验，可知铁路货运量及其影响因素的时序列数据是非平稳的。本文通过分析BP神经网络的传递函数对非平稳时间序列预测的不利影响，提出用差分法对输入数据进行预处理，在此基础上建立了铁路货运量预测的改进BP神经网络模型，并通过实例计算说明了这种改进BP神经网络方法对提高铁路货运量预测精度的有效性，最后利用该模型对2006—2O1O年的铁路货运量进行了预测。