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。     

基于机器学习的私人汽车保有量影响因素分析及预测——以新疆为例

相对准确的私人汽车保有量预测可为测算私人汽车二氧化碳排放量、科学规划城市道路、制定交通拥堵缓解措施等奠定基础。鉴于此,构建基于机器学习的私人汽车保有量影响因素分析及预测模型。首先,采用机器学习中的极度梯度提升树（Extreme Gradient Boosting, XGBoost）法,以新疆的统计数据为基础,识别影响私人汽车保有量的因素。然后,比较XGBoost、随机森林（Random Forest）、神经网络（Neutral Network）三种方法的预测效果,发现神经网络在私人汽车保有量预测模型中具有较好的预测精度。最后,基于神经网络方法,对未来新疆私人汽车保有量进行预测。研究结果表明,人均GDP和城镇化率是影响新疆私人汽车保有量最重要的两个因素;到2030年,在低、中、高三种发展情景下新疆私人汽车保有量预计将分别达到650万、688万和734万辆。     

基于RBF神经网络因子分析的汽车保有量预测

汽车保有量预测对城市交通的发展方向有直接的参考意义,通过分析影响城市汽车保有量的因素,采用因子分析法提炼出较少的线性无关的主要因素,建立预测城市汽车保有量的RBF神经网络模型.最后通过实例分析,对RBF神经网络因子分析法计算结果和全要素神经网络模拟结果比较,得出RBF神经网络因子分析法在运算效率、运算精度上的优越性.     

基于熵值法的城市汽车保有量组合预测

分析灰色系统、多元回归、指数平滑、神经网络4种预测方法的特点并利用它们分别对城市汽车保有量进行预测,在此基础上通过熵值法确定各预测模型的加权系数,建立组合预测模型,最后将1995-2007年汽车保有量的各预测值与实际值进行比较,结果表明该组合预测法精度较高,实用性更强。     

熵值组合预测模型在民用汽车保有量预测中的应用

为了提高民用汽车保有量预测的准确度及精度,在科学合理选取民用汽车保有量的预测指标的基础上,选取了三种单项预测方法,建立基于熵值法的组合预测模型,利用2002~2011年天津市民用汽车保有量数据进行模型检验,检验结果表明该模型预测准确、精度较高,适合对民用汽车保有量预测,并对2013~2016年天津市民用汽车保有量进行预测,为制定城市道路规划、交通规划提供可靠的数据依据。     

BP神经网络对汽车保有量的预测

研究了BP神经网络技术在汽车保有量预测方面的应用,解决了网络收敛速度慢,准确率低的实际问题,并且提出了一些新的理论与方法。     

基于双重Logistic曲线模型汽车保有量预测方法

经济发展和人民生活水平提高使得汽车保有量急速上升,从而引发城市交通拥堵、能源短缺、环境污染等诸多问题,解决这些问题的前提是对未来年小汽车保有量客观、准确的预测。为了保证预测的准确性,采用双重Logistic曲线模型预测人口户数,通过分析人口户数与小汽车保有量之间的定量关系确定未来年小汽车保有量最大值范围;并结合西安市历年小汽车历史数据对未来西安市小汽车保有量进行预测。预测结果表明:该方法能根据人口增长趋势客观,动态地反映未来汽车保有量的发展趋势。西安市小汽车保有量还会快速增长,未来年小汽车保有量极值将达到626万辆左右。     

基于分段外推法的城市汽车保有量预测

汽车保有量的预测是城市交通规划的一项基础性工作,是制定各种交通需求管理措施的重要依据。分析影响城市汽车保有量的因素,将城市划分成不同的交通小区,并建立相应的评价模型对各小区进行综合评价。同时利用某一小区以往汽车保有量资料,建立基于分段外推法的城市汽车保有量预测模型,为城市汽车保有量的近期预测提供有效方法。     

基于PCA和HMM的汽车保有量预测方法

分析了常用的汽车保有量预测方法,提出了一种新的基于主成分分析和隐马尔可夫模型的汽车保有量预测方法.选取国民总收入、人均GDP、人口总数量、城市化率、固定资产投资总额、进出口总额、城镇居民人均可支配收入、钢材产量、公路货运量、公路客运量、社会消费品零售总额11个指标作为汽车保有量的主要影响因素,运用主成分分析提取了主要影响因素的主成分.以提取的主成分与汽车保有量分别作为自变量、因变量,建立了回归分析模型.以汽车保有量回归预测值的年增长率为隐状态,以回归预测值与实际值的相对误差为可见信号,建立了隐马尔科夫模型,并对的汽车保有量回归预测值进行修正.分析结果表明:基于1994～2008年的中国汽车保有量及其主要影响因素的历史数据,应用提出的方法得到2009、2010年的汽车保有量修正值分别为6.220 96×107、7.825 12×107 veh;与2009、2010年实际汽车保有量比较,相对误差分别为-0.95％、0.30％.可见,基于主成分分析和隐马尔科夫模型的汽车保有量预测方法具有良好的预测精度,能够适用于短期预测.     

基于PCA-Logistic回归的汽车保有量预测研究

汽车保有量是一个相对复杂、非线性变化的数据总量,需要一种预测方法对汽车保有量进行快速、准确、合理的预测,预测结果可以作为城市经济可持续发展的重要依据。以福建省为例,选取2000—2014年间福建省总人口、人均GDP、第一产业生产总值比重、第二产业生产总值比重、第三产业生产总值比重、城镇居民人均可支配收入、农村居民人均纯收入、城市化水平等8个指标作为汽车保有量的主要影响因素进行分析。对8个指标进行主成分分析得到综合经济发展值的预测方程,采用Logistic回归模型进行预测并验证。结果显示:该方法预测精度高,能够为对汽车保有量进行较准确的估计,并为城市发展规划提供参考依据。     

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.     

基于GA-BP模型的铁路货运量预测

针对于目前已有铁路货运量预测方法的缺陷与不足,提出基于遗传算法和神经网络的混合预测模型对铁路货运量的预测方法进行改进优化,目的保证其预测精度.首先引用灰色关联分析法,以此来确定全国铁路货运量与其主要影响因子之间的关联度,然后按照其关联度在标准值之上的关联因子,建立GA-BP神经网络预测模型.最后通过实例分析表明,此模型预测精度及推广能力均优于传统的预测方法,从而证明该方法的可行性和有效性.     

基于支持向量回归机的道路交通事故预测模型研究

针对道路交通事故预测具有随机波动性较大、信息量较少和非线性数据序列预测的特点,引入支持向量回归机（SVR）,建立基于SVR的道路交通事故预测模型。通过实例计算,证明基于SVR的道路交通事故预测模型具备非线性、所需数据资料较少、建模简单和计算快捷等优点,同时与RBF神经网络预测模型相比,该模型的预测精度高、泛化能力强,更适用于道路交通事故预测。     

基于多车型CNN-GRU性能预测模型的轨道状态评价

不同车型高速综合检测列车的动力学传递特性不同，使得其对同一线路的车体加速度评价结果存在一定差异.为解决上述问题，本文基于多列动检车的检测数据，将卷积神经网络（convolutional neural network,CNN）与门控循环单元（gated recurrent unit,GRU)相结合，建立了多车型车辆动力学响应预测模型，通过输入多项实测轨道不平顺和车速预测各车型的车体垂向和横向加速度，并将多车型车体加速度预测值的最大包络作为轨道状态评价依据.结果表明：将高低、轨向不平顺等8项轨道不平顺和车速共同作为输入参数的模型预测性能最优，车体垂向和横向加速度预测的评估指标分别提升了5%～13%和25%～36%;CNN-GRU模型所预测的车体加速度在时域和频域均与实测结果吻合较好，相关系数最大达到0.902；且相比于BP (back propagation)神经网络，各项车体垂向和横向加速度预测的评估指标分别提升了36%～109%和11%～167%；针对某轨道几何状态不良区段应用效果，预测6种车型中有4种车型达到车体垂向加速度Ⅰ级或Ⅱ级超限，有1种车型达到车体横向加速度Ⅰ级超限，提高了轨...     

基于支持向量机和神经网络的供应商选择方法比较

供应商选择是供应链管理的重要内容,近年来吸引大量学者进行研究,其中大量文献显示神经网络方法比传统统计方法有更大的优越性。然而神经网络具有固有的缺陷,如最优解的局部性、泛化能力低、训练样本大和无法控制收敛等。引用新的机器学习技术---支持向量机(support vector machines,SVM),用于选择理想供应商,并与BP神经网络算法相比较。实证表明,支持向量机算法比神经网络算法计算精确。     

�����˹����������ҵ���㽻ͨ��ʽ�о�

针对商业网点的交通方式构成特性,首先分析了影响交通方式选择的因素,在北京市商业网点的调查数据基础上,利用人工神经网络强大的非线性映射能力和泛化功能,建立了公交出行比例预测的神经网络模型,并定量的分析了影响因素值的改变对公交比例的影响,预测了在不同策略下商业网点公交出行比例的变化情况。     

基于维度规约的快速路全时段排放模型适应性研究

针对城市快速路汽车污染物排放控制需要，紧扣不同排放模型在映射不同时段排放影响因素与排放率关系方面的差异，以排放测试车辆实际工况排放序列为数据源，分别将反向传播神经网络(Back Propagation Neural Network, BPNN)、广义回归神经网络(General Regression Neural Network, GRNN)和径向基函数神经网络(Radial Basis Function, RBFNN)与平均影响值(Mean Impact Value, MIV)方法相结合，构建维度规约模型。以95%累计贡献率为阈值对排放预测模型输入维度进行降维的基础上，分析神经网络在维度规约前后在不同时段的预测污染物排放率适应性。结果表明：维度规约后BPNN和GRNN模型的R2及MSE在全时段排放数据集中的预测性能提升1.19%、10.14%、6.51%、15.56%,RBF模型对维度规约不敏感；全时段GRNN模型的R2和其余两个模型相比提高10.18%和7.68%,MSE和其余两个模型相比降低0.0396和0.0446，同时MAPE显著降低7.38%和3.86%，揭示GRNN模型在...     

城市出租车发展规模预测方法研究

文章在对城市出租车规模影响因素分析的基础上,对现有的出租车规模预测方法进行了综合分析与评价,推荐选用供需平衡法或神经网络法进行出租车的数量预测,再结合各种影响因素综合确定出租车的发展规模;最后结合吴江市出租车发展规模预测进行了实例分析。