��·������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。     

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。     

基于层次结构模型的RBF神经网络货运量预测方法

为了有效地进行交通货运量预测,通过对货运量影响因素的分析,建立了关于货运量影响因素的层次结构模型,并根据该模型构建基于RBF神经网络的货运量预测方法。用我国1985~2004年的货运量对该神经网络进行训练和预测,同时与BP神经网络预测方法进行比较。结果表明,该方法具有更快的运算速度和更高的精度,具有很好的预测能力和应用价值。     

基于马尔科夫链-BP神经网络模型对公路运量的预测研究

选取河北省某地区1998—2017年公路运量数据为例,采用BP神经网络模型进行预测并用马尔科夫链修正预测值,将公路运量实际值与BP神经网络预测值及马尔科夫链修正值作对比分析并预测了2018—2019年的公路运量数据.使用马尔科夫链修正后的BP神经网络预测模型可以将公路客运量和货运量的平均相对误差分别下降至2.07％和2.14％.修正后的模型不仅可以准确的对公路运量做出预测,而且可以为未来公路运输发展提供有利意见.     

基于MATLAB的ANFIS网络在水运货运量预测中的应用

阐述了自适应模糊推理系统(Adaptive Network—based Fuzzy Inference System，ANFIS)网络，提出了水运货运量预测的ANFIS网络预测模型．以MATLAB为工具，以1985～2001年我国水运货运量为训练样本；2002年我国水运货运量为校验样本，对网络进行训练后，预测了2003～2010年我国水运货运量．估算结果表明，同BP神经网络模型相比，此模型具有更高的准确性．     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

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。     

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

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。     

基于灰色模型的云浮港水运货运量预测

建立了灰色模型对云浮港水运货运量进行预测.根据云浮港2010年～2017年水运货运量建立了GM(1,1)灰色模型,模型平均相对误差较大,预测结果显示2018年～2021年云浮港水运货运量将保持较高增速.灰色关联分析显示云浮港水运货运量受到云浮进出口贸易影响较大,而国际经济增长有降速趋势,因此云浮港水运货运量增长也可能放缓.对模型进行改进,引入弱化缓冲算子,得到增速放缓的预测结果.对改进模型进行检验,检验结果表明改进模型精度较高,预测结果较为准确.     

综合货运网络规模及货物周转量算法研究

通过30年来全国范围综合货运网络基础数据的分析,采用数理统计的方法,得出了三大产业生产总值和5种运输方式所承担货物周转量的相关关系函数,并以此确定了综合货运网络各种运输方式的里程规模.结合当前常规数据结构,建立不同运输方式所承担货物周转量合理比例的多目标货物周转量比例计算模型（CCTV Model）,并基于运输效率、运输效益、对经济增长的贡献分别确定了合理货物周转量构成比例.结果表明,模型利用国内的常规数据结构能够较好的预测综合货运周转量比例,并应用于未来综合货运结构的预测和分析,不同目标值决定了不同的运输方式货物周转量构成比例.     

区域路网货物运输量统计方法改进

为更加准确获取行政区域内路网货物运输量及运输量结构性数据，支撑交通运输行业主管部门决策，在分析区域路网运输量和车辆运输量关系的基础上，依托高速公路收费的全样本数据和公路交通调查数据，采用货车日均断面交通量和等效里程两个类比指标，提出区域路网货物运输量改进的统计方法.按照公路技术等级对区域路网运输量进行细化，拆分得到运输量结构性数据，建立区域路网运输量和车辆运输量之间的联系.以云南省为例进行分析，结果表明：云南省区域路网货运周转量中，高等级公路比例约为71%，其中，高速公路比例达54%；云南省与外省区域间车辆流动性不大，经济开放程度不高.     

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.     

在地公路货物运输量统计方法

提出了在地公路货物运输量的概念, 将非营运货车和外地货车纳入了在地货物运输量的统计范畴, 归纳了基础数据集; 通过分析车辆注册地、使用性质、路网等级和车流流向等因素, 提出了在地货物运输量的统计思路和拆分逻辑, 建立了在地公路货运量和货物周转量统计模型; 基于本市籍营运货车产生的货运量, 提出了在地货运量规模指数用以评估在地货运量的相对偏移程度和外地货车的参与程度。研究结果表明: 控制极限误差在10%以下时, 5种基础数据集, 即货运专项调查数据、高速公路联网收费数据、普通公路抽样调查数据、普通公路交通量调查数据和车辆管理所在册货车数据可完成在地货物运输量的精细化推算; 提出的统计模型使所研究城市创造每万元GDP的货物周转量与全国平均水平的相对偏差率为0.45%, 具有一致性; 所研究城市的在地货运量规模指数为2.47, 说明实体经济发达的城市中外地货车在当地参与运输的程度偏高; 本市籍营运货车货物运输量不足以支撑当地经济规划; 本市籍在册营运货车少并不能代表本市运力不足, 所研究城市的本市籍营运货车主要承担短途运输, 在总市内货运量中占66.28%, 而外地货车主要承担市际与省际间的货物交流, 在总跨市货运量中占79.16%;货车按车型计费后, 每种货车车型的平均载货质量与按车流划分的重车比将是在地货物运输量统计的关键参数; 省际间3轴及以上货车车流量存在着不均衡性。      

公路路网货物运输量月度波动系数推算方法

公路运输量波动系数反映了运输需求与运输供给在时空上的不均衡状态.本文首先分析了车辆货物运输量月度波动系数的统计方法和其在统计调查中存在的问题;接着依托高速公路联网收费系统、交通量自动观测点与交通量调查信息系统等平台,建立了公路路网货物运输量月度波动系数推算模型,把车货质量、收费总额、交通量、车道数、通车里程等参数引入到模型中来,并对公路路网货物运输量非基数月度波动系数提出了量化处理、权重赋予的方法;最后,通过实例验证了模型和算法的可行性.研究成果可为公路路网货物运输量统计调查、区域内公路路网规划和综合运输体系优化提供切实的参考.     

铁路货流分布的复杂性分析

以全国281个城市货运站间的货运量为依据,分析了城市年货运吞吐量与GDP之间的协同增长关系以及城市间货运量的统计分布规律,研究发现铁路货运量分布具有明显的幂率特性. 最后结合复杂网络理论,对铁路货运量进行了拓扑映射,形成了包含铁路货运站和货运量信息的有向复杂网络,并对所构建的网络的静态统计特征进行了分析. 同时采用货流临界值的方法进行控制产生不同的网络结构,研究发现对于不同的货流临界值,可以产生具有无标度特征和小世界特性的网络拓扑结构,这为我们研究铁路货流分布的复杂性及货运站场在网络中的重要性提供了一种新的研究方法.     

混合径向基神经网络对货运量的预测

为了定量预测多个外部因素影响下的货运量,建立了混合径向基神经网络模型.该模型以径向基神经网络为模型主体,并结合二阶振荡粒子群优化算法和灰色预测方法构成混合预测模型.该神经网络模型的参数设置更加简便,收敛速度更快.实例预测得到的结果相比较其他预测方法绝对误差值更小,误差变化范围更加稳定,证实了该神经网络模型的有效性,表明了其在多因素影响下的货运量预测中具有很好的适用性.