基于主成分回归的公路客运量预测模型研究

运用主成分回归分析法,将影响公路客运量的众多相关因素简化为少数不相关因素,消除因变量过多导致的多重共线性,可构建公路客运量预测模型。实例证明,该模型具有较高的精度,适合影响因素指标发展较为明确的客运量短期预测。     

基于主成分回归的公路客运量预测模型研究

运用主成分回归分析法,将影响公路客运量的众多相关因素简化为少数不相关因素,消除因变量过多导致的多重共线性,可构建公路客运量预测模型.实例证明,该模型具有较高的精度,适合影响因素指标发展较为明确的客运量短期预测.     

基于BP神经网络的城市公交服务质量影响因素主成分分析

为改善城市公交服务质量,根据乘客服务质量问卷调查数据分析,运用主成分分析方法对公交服务质量影响因素进行降维处理,把15个影响变量提取为8个主成分变量.在此基础上,运用MATLAB7.0建立影响因素主成分与公交服务质量认可度的BP神经网络模型,在不同参数下进行试验和比较,计算出模拟数据下公交服务质量认可度折减影响系数均方差为0.000 957,表明该模型所选参数值可以用于评估公交服务质量的影响因素分析.最后,根据权值和阀值计算得出影响城市公交服务质量的关键因素为公交车内拥挤程度、驾驶员服务态度和首末班车时间,其影响程度分别为53.09％、32.02％和30.36％.研究结论可以为城市公交服务质量改善提供依据并明确重点改进的方向.     

基于主成分和BP神经网络的汽车保有量预测

针对汽车保有量预测建模中输入因子过多而导致神经网络规模过大、泛化能力差的问题,通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。对此,以我国汽车保有量预测为例进行的仿真计算表明,结果令人满意,这也同时证明了该方法用于汽车保有量预测的可行性与有效性。     

基于主成分和BP神经网络的汽车保有量预测

针对汽车保有量预测建模中输入因子过多而导致神经网络规模过大、泛化能力差的问题,通过主成分分析法和贝叶斯正则化方法对BP神经网络进行改进,可简化网络结构,增强泛化能力。对此,以我国汽车保有量预测为例进行的仿真计算表明,结果令人满意,这也同时证明了该方法用于汽车保有量预测的可行性与有效性。     

基于加权主成分分析的中国上市公司的综合评价

基于主成分分析法建立了加权主成分分析法数学模型;运用加权主成分分析对中国上市公司进行综合评价,并通过选取2015年部分上市公司第一季度报告提供的财务指标进行了实证分析。评价结果表明:利用加权主成分分析法对上市公司进行综合评价,可以将主成分分析法的客观分析和层次分析法的主观分析有机结合起来,以得出结合客观分析与主观评价的相对可靠的结论。与用主成分分析法评价的结果相比,其评价结果更加合理、更加符合上市公司的实际经营水平,可以给广大证券投资者一个更加可靠的投资参考。     

基于主成分分析理论的交通事故成因研究

研究了道路交通事故的各种成因,用主成分分析理论对引起道路交通事故的主要因素进行分析,得出影响交通安全的主要矛盾,并采取适当的安全措施,从而达到降低交通事故发生的次数和强度的目的。     

基于主成分分析的居住区停车需求预测研究

在大量调查数据的基础上,通过停车特征参数的分析,提出了影响停车需求的多个因素。对其中的几个主要因素进行主成分分析,剔除权重最小的因素,建立了停车需求与剩余因素之间的预测模型。     

基于主成分分析的居住区停车需求预测研究

居住区停车需求预测是进行居住区停车规划的关键,也是进行居住区住宅配建停车泊位标准研究的前提.在大量调查数据的基础上,通过停车特征参数的分析,提出了影响停车需求的多个因素.对其中的几个主要因素进行主成分分析,剔除权重最小的因素;最终建立停车需求与剩余因素之间的预测模型.     

基于主成分分析的飞机租赁业务成长研究

中国飞机租赁业务起步较晚但发展较快,文章从规模、结构、速度、质量等维度选取2008—2016年我国飞机租赁业务成长相关数据,运用主成分分析法构建飞机租赁业务成长水平指数,并从指数内部结构分析成长水平的变动原因。研究表明,中国飞机租赁业务总体呈现波动上升态势,但2013年因资金市场因素有所回落,2014年之后又恢复快速增长,国办发《关于加快飞机租赁业务发展的意见》对行业发展起到了较好的促进作用,其中,收益因子是促进中国飞机租赁业务成长的最关键因子。     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

类BP神经网络的公交一卡通跨区消费推算模型

结合BP神经网络的建模方法,首次提出跨区消费分布矩阵的推算模型,并根据实际应用情况来设置误差阀值和学习率等关键参数,通过训练实际一卡通消费数据,得到跨区消费分布矩阵,实际输出数据误差在允许的范围内.实验表明该模型适用于跨区消费分布情况的预测,可为省域公交一卡通提供重要的决策支撑数据.     

BP神经网络在交通流量预测中的应用

路段上的交通流量受各种因素的影响,是一个典型的非线性系统。由于神经网络具有识别复杂非线性系统的特性,故将BP神经网络应用于交通流量的动态预测中是可行的。     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一,为解决现有预测算法模型精度低、相对误差大的问题,本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入,通过聚类和过滤封装式特征筛选,提取最优特征集合,并基于行驶片段样本量选择预测方法,通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度,通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035,平均相对误差为1.71%,能够精确稳定地实现行驶里程预测.     

基于多模型融合的电动汽车行驶里程预测

纯电动汽车行驶里程预测是驾驶者最关心的问题之一,为解决现有预测算法模型精度低、相对误差大的问题,本文采用融合片段回归与单点分类的机器学习方法对行驶里程进行预测.以真实车辆各项状态参数、环境信息等作为输入,通过聚类和过滤封装式特征筛选,提取最优特征集合,并基于行驶片段样本量选择预测方法,通过对环境温度和电池健康状态(SOH)进行分层耦合提高片段回归预测精度,通过单点分类和片段回归预测模型融合优化最终预测结果.行驶里程测试集预测结果中均方根相对误差(RMSRE)为0.035,平均相对误差为1.71%,能够精确稳定地实现行驶里程预测.     

基于BP神经网络的仓储烟草霉变预测

烟草霉变预测尚没有有效的方法。为实时预测仓储烟草的霉变程度,选取仓储环境的温湿度和烟草的自身含水量参数作为神经网络的输入层,烟草霉变度作为输出层,建立BP神经网络烟草霉变预测模型。选取78组实测数据作为训练样本对预测模型进行训练,得出了神经网络的阈值和权值。利用14组预测样本针对该预测模型进行了仿真,并进行了线性回归分析。结果表明,建立的烟草霉变预测模型具有较高的预测精度,预测值和实际值的偏差在[-0.028,0.033]之间,相对误差绝对值的平均值为0.0019。最后,在基于嵌入式ARM+Linux+Web的某公司烟草仓库智能监测系统中,实现了烟草霉变实时预测功能,取得了较好的效果。     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

道路交通事故宏观预测模型

道路交通安全已成为全社会普遍关注的问题,为了对中国未来的交通安全形势作出科学准确的预测,分析了中国道路安全状况的评价指标和主要影响因素,以交通事故死亡人数作为评价指标（输出变量）,以机动车保有量、公路里程、人均GDP为输入变量（影响因素）,建立了基于遗传算法的神经网络道路交通事故宏观预测模型和BP神经网络预测模型．模型的训练利用1978～1998年的道路交通事故数据为样本;模型的检验利用1999～2004年的道路交通事故数据进行检验．模型对未来年份的死亡人数进行了预测．预测结果表明：基于遗传算法的神经网络模型比BP神经网络预测精度较高,网络泛化能力强;得出2010年和2020年中国的道路交通事故死亡人数值分别为13．9万人和16．7万人．     

基于改进BP神经网络的速度预测模型

针对BP神经网络三个不足分别加以改进,并利用改进BP神经网络建立速度预测模型,通过实例验证预测模型的有效性,同时,预测结果具有很好的适应性和真实性,可为动态交通管理提供参考.     

基于BP神经网络的预测模型

预测是数据分析的基本任务之一,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的产生为处理非线性问题提供了一条新途径。文中运用智能计算技术建立了BP网络模型。通过珠江三角洲天河水文站的水位预测结果表明,BP网络模型有较好的泛化能力,预测更为可靠。