資源描述：
《基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型在公路貨運(yùn)量預(yù)測.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型在公路貨運(yùn)星預(yù)測巾的應(yīng)用楊云超，吳非，袁振洲(北京交通大學(xué)城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京10o044)摘要：采用BP神經(jīng)網(wǎng)絡(luò)建立公路貨運(yùn)量組合預(yù)測的理論模型，靈活利用神經(jīng)網(wǎng)絡(luò)通過自適應(yīng)自學(xué)習(xí)能夠擬合任意非線性函數(shù)的功能，有效克服傳統(tǒng)的組合預(yù)測方法在實(shí)際應(yīng)用中把數(shù)據(jù)間的關(guān)系強(qiáng)加給某一類函數(shù)的不足，并借助于先進(jìn)的數(shù)學(xué)計(jì)算軟件MATLAB進(jìn)行簡單的編程，大大降低模型的計(jì)算難度，實(shí)例證明該方法具有更高的預(yù)測精度。關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)：貨運(yùn)量：MATLAB；組合預(yù)測中圖分類號：U491．】13文獻(xiàn)標(biāo)識(shí)碼：A
2、文章編號：1002—4786(2010)04—0207—03DoI：10．3869／i．1002—4786．2010．04．063BPNeuralNetworkCombinationForecastingModelBasedonMATLABUsedinHighwayFreightVolumePredictionYANGYun—chao，WUFei，YUANZhen—zhou(MOEKeyLaboratoryforUrbanTransportationComplexSystemsTheoryandTechnology，BeijingJiaotongUnive
3、rsity，Beijing100044，China)Abstract：AnewtheorymodelisbroughtforwardandthemodelbasedonBPneuralnetworkisusedinhighwayfreightvolumeeombinationforecasting．Thismodelflexiblyappliedthecapabilitythattheneuralnetworkcanfitanynon—linearfunctionbyself—adaptationandself-learning，avoidingthesh
4、ortageeffectivelythattraditionalcombinationforecastingmethodforcestherelationshipamongthedataonsomesortoffunctionintheapplication．WiththehelpofMATLAB，somesimpleprogramiscompiled．Itdecreasesthedificultyofcalculation．Theexamplehasprovedthatthismethodhashigh—erpredictionprecision．Key
5、words：BPneuralnetwork；freightvolume；MATLAB；combinationforecast0引言或某幾個(gè)方面，反映了部分因素的影響。但公路貨運(yùn)輸需求預(yù)測是公路網(wǎng)規(guī)劃、區(qū)域發(fā)展規(guī)劃、運(yùn)量受到多種因素的影響，為了最大限度地反映實(shí)基礎(chǔ)建設(shè)投資決策及運(yùn)輸生產(chǎn)組織管理的基礎(chǔ)，對際情況，可采用組合預(yù)測的方法將各種單項(xiàng)預(yù)測結(jié)交通運(yùn)輸需求的預(yù)測分析具有重大的社會(huì)意義和經(jīng)果綜合起來，以改善模型的擬合能力并提高預(yù)測精濟(jì)意義?？梢?，公路貨運(yùn)量的預(yù)測舉足輕重，可靠度。但是，傳統(tǒng)的組合預(yù)測方法具有一定的局限的預(yù)測結(jié)果是進(jìn)行規(guī)劃的前提，決定著整個(gè)規(guī)劃
6、的性。成功。l傳統(tǒng)組合預(yù)測方法的局限性目前，常用的預(yù)測方法可分為單項(xiàng)預(yù)測方法和單項(xiàng)預(yù)測方法有多種，常用的主要有：趨勢外組合預(yù)測方法單項(xiàng)預(yù)測方法側(cè)重于問題的某一個(gè)推法、多元線性回歸法、平均增長率法等；組合預(yù)測方法是將這些單項(xiàng)預(yù)測的結(jié)果按照某種規(guī)則進(jìn)行實(shí)用價(jià)值。為了避免這些問題，除了合理地設(shè)計(jì)網(wǎng)組合的方法。傳統(tǒng)的組合預(yù)測方法有平均組合預(yù)測絡(luò)結(jié)構(gòu)，盡量減少隱層神經(jīng)元個(gè)數(shù)外，還提出了許法、最優(yōu)加權(quán)組合預(yù)測法、廣義加權(quán)算術(shù)平均組合多改進(jìn)方法，如附加動(dòng)量一自適應(yīng)調(diào)整學(xué)習(xí)速率算預(yù)測法等。法、利用L—M學(xué)習(xí)規(guī)則算法等。附加動(dòng)量一自適應(yīng)在平均組合預(yù)測方法中，由于單項(xiàng)預(yù)測方法
7、中調(diào)整學(xué)習(xí)速率算法的權(quán)值調(diào)節(jié)公式為：采用的各項(xiàng)指標(biāo)對預(yù)測問題的貢獻(xiàn)并不相同，這必(+1)=(1一)n(k)8&+mc(Ii})(3)然導(dǎo)致模型預(yù)測的精確度不高。加權(quán)組合預(yù)測法則Aqj(+1)：(1-mc)n(k)8i+mcAq；i(k)(4)考慮了不同的指標(biāo)值對預(yù)測問題的貢獻(xiàn)的大小，使farl(k)SSE(k+I)cSSE(k)(5)題之間并不一定是簡單的線性關(guān)系，所以，該方法【rl(k)其他也不能完全真實(shí)地反映實(shí)際情況。廣義加權(quán)算術(shù)平式中，七為訓(xùn)練次數(shù)；
8、mc為動(dòng)量因子，一般取均組合預(yù)測法從非線性的角度考慮了組合預(yù)測模0
