基于改进+BP+神经网络的铁路货运量预测
第２７卷 第２期石家庄铁道大学学报（自然科学版）
Ｖｏｌ．２７ Ｎｏ．２
２０１４年０６月
ＪＯＵＲＮＡＬＯＦＳＨＩＪＩＡＺＨＵＡＮＧＴＩＥＤＡＯＵＮＩＶＥＲＳＩＴＹ（ＮＡＴＵＲＡＬＳＣＩＥＮＣＥ）
Ｊｕｎ．２０１４
基于改进ＢＰ神经网络的铁路货运量预测
朱文铜
（西南交通大学交通运输与物流学院，四川成都 ６１００３１）
摘要：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。
关键词：算法改进；ＢＰ神经网络；铁路；货运量预测
中图分类号：Ｕ２９４ 文献标志码：Ａ 文章编号：２０９５０３７３（２０１４）０２００７９０４
ＤＯＩ：１０．１３３１９／ｊ．ｃｎｋｉ．ｓｊｚｔｄｄｘｘｂｚｒｂ．２０１４．０２．１７收稿日期：２０１３０４０２
作者简介：朱文铜 男 １９８９年出生 硕士研究生
０ 引言
铁路货运量是国民经济发展和交通运输发展的重要经济指标，铁路货运量的预测对铁路建设、路网规划、资源配置和管理具有非常重要的指导意义和作用。由于影响铁路货运量的因素是错综复杂的，加之这些影响因素很难用数学语言来表达，所以就导致了预测模型的多样性和复杂性。传统的铁路货运量预测模型有：线性回归法、随机时间序列法、专家预测法、指数平滑法和状态空间法等，传统的预测方法和灰色模型预测法可以预测一段时间内货运量的大致变化趋势，但受不确定性因素，如环境因素、突发事件等的影响因素比较大，具有较强的波动性，因而对短期的货运量预测精度不高；现今的预测方法有：灰色预测模型法、神经网络模型法和支持向量机模型法等
［１－４］
，支持向量机模型法的参数选取的的困难性一定
程度上影响了其实用性。ＢＰ神经网络模型具有识别复杂非线性系统的特性，有良好的自适应、自组织、自
学习能力，在一定程度上弥补了传统预测方法在非线性、不确定、时变系统预测上的不足，使预测更准确。
但标准的ＢＰ神经网络存在诸如收敛速度低、易陷入局部极小和网络训练对初始权值和阈值比较敏感等缺陷。因此改进ＢＰ网络模型的算法对于提高预测精度十分重要。标准的ＢＰ神经网络的学习率是固定值，选择太大会出现算法不收敛的情况；太小则会使训练时间过长［５－６］
。标准的ＢＰ神经网络算法的
权值最终会收敛到某一个值，但是并不意味着这个值就是误差平面的全局最小值，有可能是局部最小
值
［７］
。文中运用改进的ＢＰ算法来克服这些缺点，以此来加快网络的训练速度和提高网络的输出精度。
１ 改进的ＢＰ神经网络优化模型
标准的ＢＰ神经网络中激励函数的陡度因子是固定值，其函数的陡峭程度是固定不变的，此时不一定能得到较好的响应特征和非线性表达能力。改进的ＢＰ神经网络首先利用动态陡度因子来改变激励函数的陡峭程度，通过对陡度因子的调整来改善激励函数响应特征，得到更好的非线性表达能力，算法开始阶
段以较小的陡度来避免网络陷入局部极小，并且逐步增加陡度来加快算法的收敛速度；其次，标准ＢＰ神
８０ 石家庄铁道大学学报（自然科学版）第２７卷
经网络中输入层和隐含层之间的连接权值以及输出层和隐含层之间的连接权值的更新公式中没有动量因子这一参数，权值的改变无法把已有的学习经验融合进去，学习过程慢，改进的ＢＰ神经网络利用附加动量方法，累积算法以前的经验，加快学习过程的收敛
［８］
；最后，标准的ＢＰ神经网络中学习速率是不变
的、固定的，整个学习过程以固定的学习速率进行，网络学习的过程中容易产生振荡和收敛缓慢的问题。改进的ＢＰ神经网络把固定的学习率转变为变化了的学习率，避免过大的学习率使权值学习过程产生动荡，过小的学习率使网络收敛过慢。变化的学习率就是在初始阶段给定一个较大的学习率，随着学习过程的不断进行，学习率不断减小，最后网络趋向稳定［９］
。改进的ＢＰ神经网络算法既可以得到更加准确的
解，又可以在一定程度上缩短网络的学习时间。
改进ＢＰ网络模型的步骤：
步骤１：神经网络的初始化。由网络的输入Ｘ和输出Ｙ确定输入层节点数ｍ，输出层节点数ｎ和隐含层节点数ｌ；初始化输出层和隐含层之间的权值ｗｉｊ以及隐含层和输出层之间的权值ｗｊｋ，隐含层的阈值ａ和输出层的阈值ｂ；给定初始学习率ｌｒ和神经元激励函数。
步骤２：隐含层输出计算。利用输入Ｘ、隐含层阈值ａ和输入层和隐含层间的权值ｗｉｊ计算隐含层输出
Ｈｊ＝ｆ（∑ｎ
ｉ＝１ｗｉｊｘｉ－ａｊ），ｊ＝１，２，…，ｌ
（１）
式中，ｌ为隐含层的节点数；ｆ为隐含层的激励函数，文中所用的激励函数为Ｓ型函数，ｆ＝１／（１＋ｅ－ｘ／ｐ
），其
中，Ｐ为陡度因子，通过改变Ｓ型函数的陡度因子Ｐ来改变激励函数的陡峭程度。当Ｐ较大时，Ｓ型线较为
平坦；当Ｐ很小时，Ｓ型线很陡峭；当Ｐ趋近于０时，Ｓ型线趋向阶跃。
陡度因子Ｐ的衰减方式影响着网络算法的准确性和速度。文中采用如下指数形式改进Ｐ的衰减
Ｐ＝αｔ
Ｐ０
（２）
式中，Ｐ０为初始值，常数α∈（０，１］；ｔ为迭代次数。可以看出Ｐ为α的单调递减函数。当ｔ变大时，Ｐ的下
降速度变慢；当ｔ变小时，Ｐ的下降速度变快
［１０］
。因此，可以通过选取适当的α值来控制Ｐ的下降速度。文
中，取α＝０．８５，Ｐ的初始值为Ｐ０＝９０，终止值为Ｐｍｉｎ＝０．１。步骤３：输出层计算。利用隐含层的的输出Ｈ，隐含层和连接层之间的权值ｗｊｋ，以及输出层的阈值ｂ来
计算输出层的预测输出Ｏｋ＝∑ｌ
ｊ＝１Ｈｊｗｊｋｘｉ－ｂｋ，ｋ＝１，２，…，ｍ。
步骤４：预测误差的计算。利用网络的预测输出Ｏｋ和网络的期望输出Ｙ计算网络的预测误差ｅｋ＝Ｙｋ－Ｏｋ，ｋ＝１，２，…，ｍ。
步骤５：学习率的改变。随着迭代次数的增加，学习率不断减小，当前学习率的计算公式为
ｌｒ（ｔ）＝ｌｒｍａｘ－ｔ（ｌｒｍａｘ－ｌｒｍｉｎ）／ｔｍａｘ
（３）
式中，ｌｒ为学习率；ｌｒｍａｘ为最大学习率；ｌｒｍｉｎ为最小学习率；ｔ为当前迭代次数；ｔｍａｘ为最大迭代次数。文中给定ｌｒｍａｘ＝０．１５，ｌｒｍｉｎ＝０．０２５，ｔｍａｘ＝５０００。
步骤６：附加动量权值的改变。根据步骤４计算得到的网络预测误差ｅ更新输入层和隐含层之间的连
接权值ｗｉｊ及隐含层和输出层之间的连接权值ｗｊｋ
ｗｉｊ＝ｗｉｊ＋ｌｒＨｊ（１－Ｈｊ）ｘ（ｉ）∑ｍ
ｋ＝１
ｗｊｋｅｋ＋λ（ｗｉｊ－ｗ（ｉ－１）（ｊ－１）） ｉ＝１，２，…，ｎ；ｊ＝１，２，…，ｌ
（３）ｗｊｋ＝ｗｊｋ＋ｌｒＨｊｅｋ＋λ（ｗｊｋ－ｗ（ｉ－１）（ｊ－１）） ｊ＝１，２，…，ｌ；ｋ＝１，２，…，ｍ
（４）
式中，λ为动量因子，取０．００５。
步骤７：隐含层阈值ａ和输出层阈值ｂ的更新。根据步骤４得到的网络预测误差ｅ来更新阈值ａ和ｂ
ａｊ＝ａｊ＋ｌｒＨｊ（１－Ｈｊ）∑ｍ
ｋ＝１ｗｊｋｅｋ ｉ＝１，２，…，ｎ；ｊ＝１，２，…，ｌ
（５）ｂｋ＝ｂｋ＋ｅｋ ｋ＝１，２，…，ｍ
（６）
步骤８：根据迭代次数来判断算法是否结束，若没结束返回步骤２。
第２期朱文铜：基于改进ＢＰ神经网络的铁路货运量预测８１２ 改进的ＢＰ神经网络在铁路货运量预测上的应用
铁路货运量的影响因素有：国民经济发展、产业结构变动、大宗货物产量、交通运输结构变动、对外贸易发展、国家政策等等；为了做定量分析，选取以下指标作为影响铁路货运量的因素：Ｘ１～Ｘ７分别为国内生产总值（亿元），第二产业比重（％），原煤产量（亿ｔ），原油产量（万ｔ），钢材产量（包含生铁，粗钢和钢材）（万ｔ），粮食产量（万ｔ），铁路份额（％）；Ｙ为铁路货运量（万ｔ）。表１为各影响因素的原始数据［１１］。
表１ 各影响因素的原始数据
年份ＹＸ１Ｘ２Ｘ３Ｘ４Ｘ５Ｘ６Ｘ７
１９９０１５０６８１１８６６７．８４１．３１０．８１３８３１１８０２６４４６２４．３１５．６
１９９１１５２８９３２１７８１．５４１．８１０．８７１４０９９１９５０３４３５２９．３１５．５
１９９２１５７６２７２６９２３．５４３．４１１．１６１４２１０２２３８０４４２６５．８１５．１
１９９３１６２７９４３５３３３．９４６．６１１．５１４５２４２５４１１４５６４８．８１４．６
１９９４１６３２１６４８１９７．９４６．６１２．４１４６０８２７４３０４４５１０．１１３．８
１９９５１６５９８２６０７９３．７４７．２１３．６１１５００４．９５２９０４５．０６４６６６１．８１３．４
１９９６１７１０２４７１１７６．６４７．５１３．９７１５７３３．３９３０１８４．５８５０４５３．５１３．２
１９９７１７２１４９７８９７３．０４７．５１３．７３１６０７４．１４３２３８４．５１４９４１．７１１３．５
１９９８１６４３０９８４４０２．３４６．２１２．５１６１００３４１６０．４７５１２２９．５３１３
１９９９１６７５５４８９６７７．１４５．８１２．８１６０００３７０７５．０２５０８３８．５８１３
２０００１７８５８１９９２１４．６４５．９１２．９９１６３００３９０９７．４８４６２１７．５２１３．１
２００１１９３１８９１０９６５５．２４５．１１３．８１１６３９５．８７４６７８５．３４５２６３．６７１３．８
２００２２０４９５５１２０３３２．７４４．８１４．５５１６７００５４５７２．８４５７０５．７５１３．８
２００３２２１１７８１３５８２２．８４６．０１７．２２１６９５９．９８６７７０８．２９４３０６９．５３１４．３
２００４２４９０１７１５９８７８．３４６．２１９．９２１７５８７．３３８７０９７．８４６９４６．９５１４．６
２００５２６９２９６１８４９３７．４４７．４２２．０５１８１３５．２９１０７４７０．３４８４０２．１９１４．５
２００６２８８２２４２１６３１４．４４８．０２３．７３１８４７６．５７１３００５３．４４９８０４．２３１４．１
２００７３１５４８７２６５８１０．３４７．３２５．２６１８６３１．８２１５３１４１．３５０１６０．２８１３．８
２００８３３０３５４３１４０４５．４４７．５２７．８８１９００１１５５６４７５２８７１１２．８
２００９３３３３４８３４０９０２．８４６．３２９．７３１８９４９１８１９０６５３０８２１１．８
２０１０３６４２７１４０１２０２４６．８３２．３５２０３０１２０３７３３５４６４８１１．２
２０１１３９３２６３４７１５６４４６．８３５．２２０３６４２１９４２７．１５７１２１１０．６
首先对数据进行归一化处理，待数据处理好以后，分别利用传统的ＢＰ神经网络模型和改进的ＢＰ神经网络模型对２０１２年和２０１３年的铁路货运量进行预测，以此来验证比较两种模型的优劣，见表２。
表２ ２０１２年和２０１３年全国铁路货运量预测数据
模型２０１２年货运量／万ｔ２０１３年货运量／万ｔ传统ＢＰ神经网络模型４２０７９１４４９４０４
改进ＢＰ神经网络模型４２４３３０４５４０３３
图１和图２分别为传统的和改进的ＢＰ神经网络模型的仿真数据和原始数据的对照图。
图１ 传统ＢＰ神经网络模型 图２ 改进ＢＰ神经网络模型
原始数据与仿真数据对照图 原始数据与仿真数据对照图传统ＢＰ神经网络模型与改进的ＢＰ神经网络模型的比较：
８２
石家庄铁道大学学报（自然科学版）第２７卷（１）时间上。传统的ＢＰ神经网络模型算法的迭代次数为７１５次，改进的ＢＰ神经网络模型算法的迭代次数为２８９次，在速度上比传统ＢＰ算法提高了４２６次，在原来的基础上提升了５９．６％，从此可知，改进的ＢＰ算法比传统ＢＰ算法收敛得速度更快。
（２）误差。传统ＢＰ神经网络的相对误差为３．１８，改进的ＢＰ神经网络的相对误差为１．９９，从此可知，改进的ＢＰ神经网络算法预测效果更好。
通过对传统ＢＰ算法和改进ＢＰ算法的比较可以得到如下结论：利用改进的ＢＰ神经网络模型算法对铁路的货运量进行预测是有效的，该算法相较于传统的算法在解的质量上有较大的提高，模型的精度高，收敛速度快。
３ 结束语
从实际给出的算例可知，文中提出的改进ＢＰ神经网络算法对铁路货运量的预测是有效的，可行的，可以用来对铁路货运量进行预测。
参 考 文 献
［１］陈玉祥，张汉亚．预测技术与应用［Ｍ］．北京：机械工业出版社，１９８５．
［２］曹星平，易东云．基于神经网络的时间序列预测方法进展［Ｊ］．电脑与信息技术，１９９６（６）：１－３．
［３］丁华福，宋宇航，唐远新．小波混沌神经网络的研究与应用［Ｊ］．计算机技术与发展，２０１１，２１（８）：６４－６５．
［４］ＪａｃｅｋＭＺ．Ｉｎｔｒｏｄｕｃｔｉｏｎｔｏａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｓｙｓｔｅｍｓ［Ｍ］．ＮｅｗＹｏｒｋ：ＷｅｓｔＰｕｂｌｉｓｈｉｎｇＣｏｍｐａｎｙ，１９９２．
［５］ＣｈｅｎＦｕｃｈｕａｎｇ，ＬｉｕＣｈｅｎｃｈｕｎｇ．Ａｄａｐｔｉｖｅｌｙｃｏｎｔｒｏｌｌｉｎｇｎｏｎｌｉｎｅａｒｃｏｎｔｉｎｕｏｕｓ－ｔｉｍｅｓｙｓｔｅｍｓｕｓｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｃ］／／Ｐｒｏ－ｃｅｅｄｉｎｇｓｏｆｔｈｅ１９９２ＡｍｅｒｉｃａｎＣｏｎｔｒｏｌＣｏｎｆｅｒｅｎｃｅ．Ｃｈｉｃａｇｏ：ＡｍｅｒｉｃａｎＡｕｔｏｍａｔｉｃＣｏｎｔｒｏｌＣｏｕｎｃｉｌ，１９９２：４６－５０．
［６］周成当．ＢＰ神经网络与模拟退火法在测井解释中的应用口［Ｊ］．测井技术，１９９３，１７（５）：３３９－３４３．
［７］陈琛，李旸，陈玮．基于ＢＰ神经网络的农业ＬＥＤ光源环境研究［Ｊ］．计算机技术与发展，２０１１，２１（９）：１７９１－１８２．
［８］郭兰平，俞建宁，张建刚．基于改进ＲＢＦ神经网络对股价的演变预测［Ｊ］．兰州交通大学学报，２０１０，２９（１）：１４１－１４５．［９］李季涛，杨俊峰．基于径向基神经网络的大连站客运量预测［Ｊ］．大连交通大学学报，２００７，２８（１）：３２－３４．
［１０］伊力哈木?亚尔买买提，哈力旦?Ａ．基于改进ＢＰ神经网络的人脸识别算法［Ｊ］．计算机技术与发展，２０１０，２０（１２）：１３０－１３２．
［１１］中国交通年鉴编写组．中国交通年鉴２０１１［Ｍ］．北京：中国交通出版社，２０１２．
ＦｏｒｅｃａｓｔｉｎｇＲａｉｌｗａｙＦｒｅｉｇｈｔＶｏｌｕｍｅＢａｓｅｄｏｎ
ＩｍｐｒｏｖｅｄＢＰＮｅｕｒａｌＮｅｔｗｏｒｋＭｏｄｅｌ
ＺｈｕＷｅｎｔｏｎｇ
（ＳｃｈｏｏｌｏｆＴｒａｎｓｐｏｒｔａｔｉｏｎａｎｄＬｏｇｉｓｔｉｃｓ，ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＡｎｉｍｐｒｏｖｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄｆｏｒｔｈｅｓｈｏｒｔａｇｅｏｆｓｔａｎｄａｒｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓｏｆｒａｉｌｗａｙｆｒｅｉｇｈｔｖｏｌｕｍｅｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｓ．Ｆｉｒｓｔｌｙ，ｔｈｉｓｍｏｄｅｌｉｎｔｒｏｄｕｃｅｓｄｙｎａｍｉｃｓｔｅｅｐｎｅｓｓｆａｃｔｏｒｔｏｃｈａｎｇｅｔｈｅｓｔｅｅｐｎｅｓｓｏｆｔｈｅａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎａｎｄｏｂｔａｉｎｂｅｔｔｅｒｒｅｓｐｏｎｓｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎａｎｄｂｅｔｔｅｒａｂｉｌｉｔｙｏｆｎｏｎｌｉｎｅａｒｅｘｐｒｅｓｓｉｏｎ．Ｓｅｃｏｎｄｌｙ，ｉｔｕｓｅｓａｄｄｉｔｉｏｎａｌｍｏｍｅｎｔｕｍｆａｃｔｏｒｔｏａｃｃｕｍｕｌａｔｅｐｒｅｖｉｏｕｓｅｘｐｅｒｉｅｎｃｅ，ｒｅｄｕｃｅｎｅｔｗｏｒｋｏｎｔｈｅｅｒｒｏｒｓｕｒｆａｃｅｄｅｔａｉｌｓｅｎｓｉｔｉｖｉｔｙｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ａｎｄｅｆｆｅｃｔｉｖｅｌｙｔｒａｐｐｅｄｉｎｌｏｃａｌｍｉｎｉｍｕｍ；Ｔｈｉｒｄｌｙ，ｉｔｕｓｅｓｌｅａｒｎａｌｇｏｒｉｔｈｍｏｆｃｈａｎｇｉｎｇｔｈｅｌｅａｒｎｉｎｇｒａｔｅ，ｇｉｖｅｎａｌａｒｇｅｉｎｉｔｉａｌｌｅａｒｎｉｎｇｒａｔｅｖａｌｕｅ，ｌｅａｒｎｉｎｇｒａｔｅｄｅｃｒｅａｓｅｓｉｎｔｈｅｌｅａｒｎｉｎｇｐｒｏｃｅｓｓ，ａｎｄｔｈｅｎｅｔｗｏｒｋｔｅｎｄｓｔｏｂｅｓｔａｂｌｅｎｅｔｗｏｒｋ．ＴｈｅｉｍｐｒｏｖｅｄＢＰａｌｇｏｒｉｔｈｍｃａｎｇｅｔｂｅｔｔｅｒｓｏｌｕｔｉｏｎ，ａｎｄｃａｎａｌｓｏｓｈｏｒｔｅｎｔｈｅｔｒａｉｎｉｎｇｔｉｍｅ．ＴｈｅｉｍｐｒｏｖｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｖｅｒｉｆｉｅｄｂｙｕｓｉｎｇｔｈｅｒｅｌｅｖａｎｔｄａｔａｏｆｒａｉｌｗａｙｆｒｅｉｇｈｔｖｏｌｕｍｅ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｍｐｒｏｖｅｄＢＰｎｅｕｒａｌｎｅｔ－ｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｈａｓｇｒｅａｔｌｙｉｍｐｒｏｖｅｄｔｈｅｒｅｌａｔｉｖｅｅｒｒｏｒａｎｄｔｈｅｎｕｍｂｅｒｏｆｉｔｅｒａｔｉｏｎｓ，ａｎｄｉｔｉｓｖｅｒｙｅｆｆｅｃｔｉｖｅｆｏｒｔｈｅｆｏｒｅｃａｓｔｉｎｇｏｆｒａｉｌｗａｙｆｒｅｉｇｈｔｖｏｌｕｍｅ．
Ｋｅｙｗｏｒｄｓ：ｉｍｐｒｏｖｉｎｇａｌｇｏｒｉｔｈｍ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｒａｉｌｗａｙ；ｆｒｅｉｇｈｔｖｏｌｕｍｅｆｏｒｅｃａｓｔｉｎｇ
（责任编辑 车轩玉）
BP神经网络预测的matlab代码
BP神经网络预测的matlab代码附录5: BP神经网络预测的matlab代码: P=[ 0 0.1386 0.2197 0.2773 0.3219 0.3584 0.3892 0.4159 0.4394 0.4605 0.4796 0.4970 0.5278 0.5545 0.5991 0.6089 0.6182 0.6271 0.6356 0.6438 0.6516
0.6592 0.6664 0.6735 0.7222 0.7275 0.7327 0.7378 0.7427 0.7475 0.7522 0.7568 0.7613 0.7657 0.7700] T=[0.4455 0.323 0.4116 0.3255 0.4486 0.2999 0.4926 0.2249 0.4893 0.2357 0.4866 0.2249 0.4819 0.2217 0.4997 0.2269 0.5027 0.217 0.5155 0.1918 0.5058 0.2395 0.4541 0.2408 0.4054 0.2701 0.3942 0.3316 0.2197 0.2963 0.5576 0.1061 0.4956 0.267 0.5126 0.2238 0.5314 0.2083 0.5191 0.208 0.5133 0.1848 0.5089 0.242 0.4812 0.2129 0.4927 0.287 0.4832 0.2742 0.5969 0.2403 0.5056 0.2173 0.5364 0.1994 0.5278 0.2015 0.5164 0.2239 0.4489 0.2404 0.4869 0.2963 0.4898 0.1987 0.5075 0.2917 0.4943 0.2902 ] threshold=[0 1] net=newff(threshold,[11,2],{'tansig','logsig'},'trainlm');
基于BP神经网络预测模型指南
基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
铁路客运量预测方法
一、意义 1、设计铁路能力的依据。客运量是选定铁路主要技术标准的依据，而主要技术标准又决定着运输装备的能力，它不应小于调查或预测的客运量，以满足国家要求的运输任务； 2、是评价铁路经济效益的基础。客运量决定铁路的运营收入、运输成本等经济效益指标。客运量大，则收入多、成本低； 3、是影响线路方案取舍的重要因素。铁路选线中，出现大量的线路方案比较。若运量大，则投资大的方案中选，运营支出小。 总之，若调查或预测的客运量偏大，则铁路标准偏高，技术装备能力也偏高，因而投资较大。但运营后发现实际运量偏小，则会造成铁路能力闲置，投资浪费，由于运营收入少，铁路的经济效益必然降低；若调查或预测的客运量偏小，虽初期投资省，但运营后能力很快就会饱和，从而过早的引起铁路改扩建，追加投资增大，也不经济。 二、影响客运量的因素 直通吸引范围：等距离原则划定（“哪边近走哪边”），上下行分别勾画； 地方吸引范围：运价最低（运距最低）原则确定（“哪边花钱少走哪边”）。 随着社会经济的不断发展，客运量也在不断增加，因此，只有把握住影响客运量增长的因素，才能更好地预测出客运量的大小。影响因素主要有： 1、国家的政治、经济形势，国民经济的增长速度与发展战略，运价政策和旅客对运费的承受能力，这些因素，在预测远期运量时需加以考虑； 2、设计线在路网中的地位和作用，以及邻接铁路的布局和能力，都将影响直通客运量； 3、设计线沿线的资源情况，工矿、电力等大型企业的发展规划，农林牧副渔和乡镇企业的发展情况，以及城乡人口、人均收入的增长情况，也将影响地方客运量； 4、设计线沿线的公路、水运等交通状况和发展规划，将影响设计线分担客运量的比重； 5、突发事件的影响：疾病、自然灾害等。 三、客运量预测方法 定性预测方法是主要以预测人员的经验判断为依据而进行的预测。预测者根据自己掌握的实际情况、实践经验、专业水平，对未来货运发展前景的性质、方向和程度做出判断。其特点为:需要的数据少，能考虑无法定量的因素，比较简便可行。 定性预测方法：经济调查法（直接估算法：根据规划线吸引范围内的经济、人口、人均收入等情况，比照邻接铁路每天开行的旅客列车对数，直接估计规划线运营初期每天需要开行的列车对数，远期可按每隔若干年增加一对估算）、德尔菲法（专家调查法）、类推法（时间类推和局部类推）、头脑风暴法等。但这种方法往往在很大程度上取决于参加预测的人员的经验、专业理论水平以及所掌握的实际情况，因此存在片面性，准确性不高的缺点。 定量预测方法则是以历史统计资料和有关信息为依据，运用各种数学方法来预测未来客运市场需求情况，即未来的运量。定量预测方法最大的优点就是客观性，这类方法的预测精度和可靠性在很大程度上取决于数据的准确性和预测方法的科学性。 定量预测方法：时间序列法（移动平均法、指数平滑法、季节指数法、自回归分析、趋势外推法、灰色预测法）、影响因素分析法（回归分析法、系数法：乘车系数和产值系数）、四阶段法（交通生成、交通分布、交通方式划分、交通流分配）。 时间序列分析预测法是一种依据客运量的历史变化趋势，找出其随时间变化的规律，并通过数学模型来表示，然后根据模型来进行预测的方法。这种方法的主要优点是需要数据少、简便，只要所研究的运量时间序列的趋势没有大的波动，预测效果较好。这类方法的缺点是无法反映出运量变化的原因，对于影响运量变化的外部因素变化，如调整经济政策和发展速度而引起的运输需求的变动无法反映。 影响总运输需求的主要因素有很多，但具体的预测目标类型、范围是不同的，必须细致地分析其最
BP神经网络实验 Matlab
计算智能实验报告 实验名称：BP神经网络算法实验 班级名称： 2010级软工三班 专业：软件工程 姓名：李XX 学号： XXXXXX2010090
一、实验目的 1）编程实现BP神经网络算法； 2）探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系； 3）修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。 二、实验要求 按照下面的要求操作，然后分析不同操作后网络输出结果。 1）可修改学习因子 2）可任意指定隐单元层数 3）可任意指定输入层、隐含层、输出层的单元数 4）可指定最大允许误差ε 5）可输入学习样本（增加样本） 6）可存储训练后的网络各神经元之间的连接权值矩阵； 7）修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果。 三、实验原理 1 明确BP神经网络算法的基本思想如下： 在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架 反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结果和预期结果的误差最小 BPNN是一种典型的神经网络，广泛应用于各种分类系统，它也包括了训练和使用两个阶段。由于训练阶段是BPNN能够投入使用的基础和前提，而使用阶段本身是一个非常简单的过程，也就是给出输入，BPNN会根据已经训练好的参数进行运算，得到输出结果 2 明确BP神经网络算法步骤和流程如下： 1初始化网络权值 2由给定的输入输出模式对计算隐层、输出层各单元输出 3计算新的连接权及阀值， 4选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
铁路客运量预测论文
铁路客运量预测论文 摘要 随着我国市场经济的不断发展，交通运输业已发展成为国民经济的基础产业，特别是铁路运输，在整个综合运输网络中发挥着至关重要的作用。但目前，铁路运输面临着运输数量和质量的双重压力，为解决铁路运输的“瓶颈”问题，促进我国经济的快速发展，我国铁路管理部门己立足于现有基础扩充运力，在既有路线上进行技改提速。运量一直是衡量提速成效的一项重要指标，也是铁路提速项目可行性研究的核心内容之一。本文就是在分析了国内外研究现状的基础上，对客运量预测进行了深入和系统的理论与方法研究，并开展了实际应用。 文章在借鉴已有研究工作的基础上，分为四部分对提速后的客运量进行研究，主要做了如下工作: ①第一部分即绪论，首先分析了国内外对客运量预测的研究现状，并从中找出预测方法中存在的问题与缺陷，从而确定了文章的研究方向。 ②第二部分包括第二、三两章，主要对我国既有线铁路提速的状况以及提速的必要性进行了介绍，分析了提速后运输需求产生的原因以及影响运输需求的因素，同时也阐述了提速后客流的形成和预测的基本原理。 ③第三部分为第四章，也是本文的核心部分。提速后的客运量由趋势客运量、转移客运量、诱发客运量三部分构成。由于其产生的机理各不相同，所以需采取不同的模型进行预测。首先建立了时间序列模型对趋势客运量预测，并应用多目标决策理论和计量经济学方法来计算铁路提速前与提速后客运市场的占有率，最后建立转移客运量与诱发客运量的预测模型。 ④第四部分即第五章。将预测模型应用到了实例当中，以京秦线为例进行了实例分析，对客运量进行预测，通过预测结果与实际结果的比较说明模型的合理性。为今后提速项目可行性研究提供一套科学、合理、可行的客运量预测方法。 关键词：提速;客流预测;运输需求;既有线结论及展望 铁路的客运量预测是铁路系统规划及项目投资、建设的主要依据，也是每次进行铁路项目可行性研究中的重点研究内容。是决定项目效益的最关键因素之一，也是制定运营模式和行车组织方案的重要依据。本文在分析了国内外的研究
关于铁路货运量预测研究
关于铁路货运量预测研究 黄 勇，徐景昊 （华东交通大学 机电工程学院，江西 南昌 330013） 摘 要：采用灰色关联分析方法选取影响铁路货运量变化的宏观影响因素，运用多变量灰色 ()1,4MGM 模型预测未来 4年铁路货运量，预测结果通过后验差检验，精度较好。 关键词：灰色关联分析；()N 1,MGM ；预测 铁路货运量作为货运市场体系中的重要统计指标，为铁路运输占有货运市场份额提供了重要的依据。因此，预测货运量发展趋势是制定铁路货物运输营销战略的前提和基础，对铁路货运组织的实施具有重要作用。 1 ()N 1,MGM 方法介绍 应用多变量灰色模型（()N 1,MGM 模型），从系统的角度对影响铁路货运量的各变量进行描述。()N 1,MGM 模型是n 元一阶常微分方程组，它是()1,1GM 模型在n 元变量情况下的自然推广。多变量灰色预测模型建模步骤如下。 （1） 灰关联分析[2]，选取重要因子。 设参考数列变量为()k 0x ，比较数列变量()k x i （i 为变量，k 为时间），则()k 0x 和()k x i 的灰关联系数()k ζi 如下： ()()()()() ()()()() k x k x k x k x k x k x k x k x k i k i i i k i i k i i -+- -+-= 00 00max max min min min min ρρξ （1） 式中：ρ称为分辨系数，一般取0.5。 ()k 0x 与()k x i 间灰关联度为： ()∑= =n k i i k n 1 1ξγ （2） （2） 对原始数列()()k x i 0进行数据处理，生成一阶累加数列()()k x i 0。 () ()k x i 0为原始序列，()()k x i 1为相应一次累加序列。 () ()() ()∑= =k j i i j x k x 1 01 （3） 式中：n i ,,2,1 =。 （3） 利用生成数列得道一阶常微分方程组形式。
用matlab编BP神经网络预测程序加一个优秀程序
求用matlab编BP神经网络预测程序 求一用matlab编的程序 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net_1.IW{1,1} inputbias=net_1.b{1} % 当前网络层权值和阈值 layerWeights=net_1.LW{2,1} layerbias=net_1.b{2} % 设置训练参数 net_1.trainParam.show = 50; net_1.trainParam.lr = 0.05; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs = 10000; net_1.trainParam.goal = 1e-3; % 调用TRAINGDM 算法训练BP 网络 [net_1,tr]=train(net_1,P,T); % 对BP 网络进行仿真 A = sim(net_1,P); % 计算仿真误差 E = T - A; MSE=mse(E) x=[。。。]';%测试 sim(net_1,x) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 不可能啊我2009 28对初学神经网络者的小提示
第二步：掌握如下算法: 2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。 3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社，Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。 4.ART(自适应谐振理论),该算法的最通俗易懂的读物就是《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第15和16章。若看理论分析较费劲可直接编程实现一下16.2.7节的ART1算法小节中的算法. 4.BP算法,初学者若对误差反传的分析过程理解吃力可先跳过理论分析和证明的内容,直接利用最后的学习规则编个小程序并测试,建议看《机器学习》(机械工业出版社，Tom M. Mitchell著，中英文都有）的第4章和《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第11章。 BP神经网络Matlab实例（1） 分类：Matlab实例 采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。 % 例1 采用动量梯度下降算法训练BP 网络。 % 训练样本定义如下： % 输入矢量为 % p =[-1 -2 3 1 % -1 1 5 -3] % 目标矢量为t = [-1 -1 1 1] close all clear clc % --------------------------------------------------------------- % NEWFF——生成一个新的前向神经网络,函数格式： % net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) takes, % PR -- R x 2 matrix of min and max values for R input elements % （对于R维输入，PR是一个R x 2 的矩阵，每一行是相应输入的
BP神经网络matlab源程序代码
close all clear echo on clc % NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 % 定义训练样本 % P为输入矢量 P=[0.7317 0.6790 0.5710 0.5673 0.5948;0.6790 0.5710 0.5673 0.5948 0.6292; ... 0.5710 0.5673 0.5948 0.6292 0.6488;0.5673 0.5948 0.6292 0.6488 0.6130; ... 0.5948 0.6292 0.6488 0.6130 0.5654; 0.6292 0.6488 0.6130 0.5654 0.5567; ... 0.6488 0.6130 0.5654 0.5567 0.5673;0.6130 0.5654 0.5567 0.5673 0.5976; ... 0.5654 0.5567 0.5673 0.5976 0.6269;0.5567 0.5673 0.5976 0.6269 0.6274; ... 0.5673 0.5976 0.6269 0.6274 0.6301;0.5976 0.6269 0.6274 0.6301 0.5803; ... 0.6269 0.6274 0.6301 0.5803 0.6668;0.6274 0.6301 0.5803 0.6668 0.6896; ... 0.6301 0.5803 0.6668 0.6896 0.7497]; % T为目标矢量 T=[0.6292 0.6488 0.6130 0.5654 0.5567 0.5673 0.5976 ... 0.6269 0.6274 0.6301 0.5803 0.6668 0.6896 0.7497 0.8094]; % Ptest为测试输入矢量 Ptest=[0.5803 0.6668 0.6896 0.7497 0.8094;0.6668 0.6896 0.7497 0.8094 0.8722; ... 0.6896 0.7497 0.8094 0.8722 0.9096]; % Ttest为测试目标矢量 Ttest=[0.8722 0.9096 1.0000]; % 创建一个新的前向神经网络 net=newff(minmax(P'),[12,1],{'logsig','purelin'},'traingdm'); % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 5000; net.trainParam.goal = 0.001; % 调用TRAINGDM算法训练 BP 网络 [net,tr]=train(net,P',T); % 对BP网络进行仿真 A=sim(net,P'); figure; plot((1993:2007),T,'-*',(1993:2007),A,'-o'); title('网络的实际输出和仿真输出结果，*为真实值，o为预测值'); xlabel('年份'); ylabel('客运量'); % 对BP网络进行测试 A1=sim(net,Ptest');
高速铁路客运量预测方法选择_图文(精)
65 YUNSHUSHICHANG 2007/ 7 高速铁路客运量预测是项目规划和建设的依据, 也是经济效益计算的基础。目前常用的高速铁路客运量预测方法是四阶段法,其中最主要的方式划分预测又基本采用了Logit 模型。但由于Logit模型存在的某些特性会在一定程度上影响预测的准确性,因此在应用四阶段法进行预测时,必须分析和掌握这种特性, 以便选择适当的高速铁路客运量预测方法。 目前大部分高速铁路客运量预测所采用的预测方法(包括京沪高速铁路客运量预测主要由以下两部分内容组成: 一是以社会经济变量(各交通小区的GDP或人口和阻抗变量(各交通小区间的广义价格作为自变量预测研究区域内特征年度总的旅客 OD 交流量,预测一般采用重力模型; 二是用一个涉及多种运输方式的选择模型确定现有运输方式和新的高速铁路的出行份额和出行量,而且所有方式的出行份额加总为 100%。典型地,用于方式选择的是一个多元的 Logit 模型。 然而,由于 Logit 模型的非相关选择方案独立特性(IIA, 高速铁路的预测运量必须直接与现有方式间的运量份额比值成正比关系,因而使预测结果的准 确性降低, 这也是该方法最主要的缺陷。如果不进行改进, 该方法的模型运行结果就会出现如下情况:当一种现有运输方式本身占有较高的份额时,高速铁路从中得到的转移到运量份额也随之较高。例如,假设任意两个区域间的出行 50%是由小
汽车完成的,则采用该方法预测将会得到 50%的高速铁路运量份额是从小汽车转移过来的。分析我国现状的客流组成,这一情况实际上是不可能发生的。 为了减少非相关选择方案独立特性所产生的问题,某些预测采用了另外一种方法。该方法也是首先预测各种运输方式的合计 OD 客流量,然后用一个多层的 Logit 模型(NL来确定高速铁路和其他相关方式的市场份额。多层 Logit 模型 高速铁路客运量预测方法选择 □张康敏刘晓青
基于Bp神经网络的股票预测
基于神经网络的股票预测 【摘要】: 股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。 【abstract] Stock analysis and forecasting is a complex field of study. The paper will make research on stock prediction model based on the analysis of historical data, using BP neural network and technical analysis theory. At the same time, making in-depth theoretical analysis and empirical studies on the short-term closing price forecasts of single stock. Secondly, making research on the model and structure of BP neural network, learning rules, weights of BP algorithm and so on, building a stock short-term forecasting model based on the BP neural network, related with the model of neural network and the ability of generalization. Moreover, using system of multiple-input single-output and single hidden layer, to forecast the sixth day price by BP neural network forecasting model structured. The network of training is chosen BP algorithm of traingdx, while making optimization on the node numbers of the hidden layer by several attempts. Thereby resolve effectively the problem of it. 【关键词】BP神经网络股票预测分析 1．引言 股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。影响股价的因素可简单地分为两类，一类是公司基本面的因素，另一类是股票技术面的因素，虽然股票的价值是公司未来现金流的折现，由公司的基本面所决定，但是由于公司基本面的数据更新时间慢，且很多时候并不能客观反映公司的实际状况，采用适当数学模型就能在一定
2018年铁路客运量预测探讨-实用word (2页)
本文部分内容来自网络，本司不为其真实性负责，如有异议请及时联系，本司将予以删除== 本文为word格式，下载后可编辑修改，推荐下载使用！== 铁路客运量预测探讨 铁路客运量预测探讨铁路客运量预测探讨铁路客运量预测探讨摘要 随着我国市场经济的不断发展,交通运输业已发展成为国民经济的基础产业,特别是铁路运输,在整个综合运输网络中发挥着至关重要的作用。但目前,铁路运输面临着运输数量和质量的双重压力,为解决铁路运输的“瓶颈”问题,促进我国经济的快速发展,我国铁路管理部门己立足于现有基础扩充运力,在既有路线上进行技改提速。运量一直是衡量提速成效的一项重要指标,也是铁路提速项目可行性研究的核心内容之一。本文就是在分析了国内外研究现状的基础上,对客运量预测进行了深入和系统的理论与方法研究,并开展了实际应用。 文章在借鉴已有研究工作的基础上,分为四部分对提速后的客运量进行研究,主要做了如下工作: ①第一部分即绪论,首先分析了国内外对客运量预测的研究现状,并从中找出预测方法中存在的问题与缺陷,从而确定了文章的研究方向。 ②第二部分包括第二、三两章,主要对我国既有线铁路提速的状况以及提速的必要性进行了介绍,分析了提速后运输需求产生的原因以及影响运输需求的因素,同时也阐述了提速后客流的形成和预测的基本原理。 ③第三部分为第四章,也是本文的核心部分。提速后的客运量由趋势客运量、转移客运量、诱发客运量三部分构成。由于其产生的机理各不相同,所以需采取不同的模型进行预测。首先建立了时间序列模型对趋势客运量预测,并应用多目标决策理论和计量经济学方法来计算铁路提速前与提速后客运市场的占有率,最后建立转移客运量与诱发客运量的预测模型。 ④第四部分即第五章。将预测模型应用到了实例当中,以京秦线为例进行了实例分析,对客运量进行预测,通过预测结果与实际结果的比较说明模型的合理性。为今后提速项目可行性研究提供一套科学、合理、可行的客运量预测方法。 关键词:提速;客流预测;运输需求;既有线 结论及展望 铁路的客运量预测是铁路系统规划及项目投资、建设的主要依据,也是每次进行铁路项目可行性研究中的重点研究内容。是决定项目效益的最关键因素之一,也是制定运营模式和行车组织方案的重要依据。本文在分析了国内外的研究现状之后,得出了目前客运量预测方法一些不足之处,原有的一些客运量分析方法已不能解决铁路提速后的客运量预测问题。铁路客运系统是一个综合的运输系统,其客流量的变化受诸多因素的影响,要使提速后的铁路客流量预测比较符合实际,必须采取能反映铁路与其他运输方式相互竞争、以及服务质量、旅行时间、旅行费用等综合因素的预测方法。铁路提速后远景客运量由趋势客流量、转移客运量、诱发客运量三部分构成,由于它们产生的机理不同,相应的影响因素也不相同,所以
B题 铁路旅客流量预测
B 题 铁路铁路旅旅客流量预测 一、背景 随着发改委发布的《关于改革完善高铁动车组旅客票价政策的通知》，高铁动车票价将由铁路总公司（下称铁总）根据市场情况自行定价的政策出台。铁路部门为了保持市场的竞争力，实现利润的最大化，需要了解日常铁路客运流量、淡旺季变动指数、冷热门线路的具体情况，而其中对客流的充分了解和预测是准确把握市场的首要条件，因此铁路客流预测的研究也成为铁路客运服务需要重点研究的方向。 然而铁路客流量受多种因素的影响，比如：“春运”期间铁路客流量骤增，导致铁路运力无法满足客户乘车需求，同时也给铁路客运组织带来巨大压力。在非节假日期间，一些冷门线路区间上座率不足，造成铁路车辆资源的浪费。因此铁路客流量预测，可以为制定合理的价格、改善客运站组织方式、优化铁路车辆资源配置、提高客运设备的服务能力提供帮助，对提高铁路客运运输效率具有重要的意义。 二、二、问题问题 请针对该铁路公司的ZD190(站)至ZD111(站)区段的客运专线完成以下任务： (1) 根据附件1，按车次、时段（小时）、车站、区间（两个车站之间）等条件分析客流规律。(2) 考虑相关因素的影响，构建客流量预测模型，并预测未来两周的客流量。 (3) 针对D02~D19，优化设计车辆配置及车站停靠方案。 三、要求 (1) 设计数据库（包括表、视图、报表）以实现上述分析。 (2) 设计并实现EXCEL 表中数据的自动导入功能。 (3) 将分析结果进行可视化展现。 四、说明 1. 附件1 提供了ZD190(站)至ZD111(站)区段客运专线2015年1月至2016年3月的旅客列车梯形密度表（文件名对应列车发车日期）。
铁路危险货物运输量统计
我国铁路危险货物年均货运量以及铁路危险货物运输的现状、发展趋势 摘要：通过对我国铁路危险货物运输现状、安全监控现状，以及国内外道路危险货物运输风险分析研究现状的分析，针对现阶段铁路危险货物运输风险管理研究的欠缺，期望借鉴国内外道路危险货物运输风险管理的经验，构建铁路危险货物运输风险评价指标，以便尽早发现和减除潜在危险，并客观地评价铁路危险货物运输安全状况。 关键词：铁路；危险货物运输；货运量；现状；发展 我国现阶段正处于工业化进程，社会对能源、原材料的需求增加较大。随着化工产品的不断进步和企业生产经营范围的扩大，各行业对危险品的需求也逐年增加。现阶段我国95%的危险品不是在生产地被使用，而是需要长距离、大吨位的异地运输，运输半径通常在200 km 以上，且 50% 以上的危险品是通过铁路运输，大型石化生产制造及加工企业均由铁路专用线连通 铁路危险货物运输作为一种动态危险源，一旦发生事故，不仅会造成重大经济损失，而且会带来严重的社会影响，同时给环境带来很大的污染。由于危险品自身的特性，决定了危险货物运输事故必定会引起次生灾害，带来大气、水体、土壤等污染，如日本地震、海啸所引发的核污染事件。同时铁路危险货物运输又具有运输网络庞大、作业环境多样、业务性质复杂、不确定因素多、作业流程各环节间耦合性强等特点。对危险货物在受理、装车、编组隔离、押运管理、装卸作业、安全防护、应急处置等方面都有更高的要求。但现阶段我国铁路危险货物运输过程中来自人员、车辆、环境等方面的安全隐较多，安全监管与管理手段己经难以充分适应现代铁路发展的需要。鉴于危险货物运输事故危害的严重性、铁路运输特点，以及目前我国铁路中存在诸多运输安全风险，需要从宏观上揭示影响危险货物运输系统安全稳定的主要因素、产生原因与存在的内在规律，构建危险货物运输风险指标体系，在此基础上进行定量分析和综合评判，得出各风险因素对危险货物运输安全影响的严重程度，预测风险级别，开展分级预警，根据不同预警级别在早期及时采取有针对性的措施降低或消除危险货物运输中的潜在风险性因素，有效提高危险货物运输系统的安全可靠性。 1、我国铁路危险货物年均货运量 危险货物在生产、储存、运输、使用过程中，都存在着很多危险性因素。我国铁路危险货物运量约占全路总货运量的6%~8%，为了保证运输安全，迫切需要对影响铁路危险货物运输安全的因素进行分析，并采取相应的措施进行分类预防。 2、铁路危险货物运输现状 2. 1 铁路运输安全隐患存在的主要原因及对策 铁路危险货物管理方面运输中容易引发事故的安全隐患主要因为它们本身含有不稳定的元素，或者它们有不稳定的结构。主要可能存在的原因有： 1）温度和明火的影响； 2）水和潮湿的影响； 3）机械作用的影响； 4）不同性质的货物接触时所造成的影响。 危险货物运输应采取的安全对策:加强人员培训,严格资质认证。加强承运管理,严格受理把关。落实安全措施,严格装车监控。加强全过程管理,严格跟踪签认。运用科学手段,完善应急预案。由于货物装载方面的原因,造成影响运输安全的隐患较多,其中较为突出的有货物超载、漏检、错检、危险货物运输管理漏洞、不按方案装车等因素。超载现象比较普遍,货检漏检、错检现象突出,危险货物运输管理漏洞较大,不按方案装车或无方案装车现象时有发生。
神经网络预测方法
(4)神经网络的预测方法 神经网络(Neural Network)是由许多并行的、高度相关的计算处理单元组成，这些单元类似生物神经系统的神经元。虽然单个的神经元的结构十分简单，但是，由大量神经元相互连接所构成的神经元系统所实现的行为是十分丰富的。与其它方法相比，神经网络具有并行计算和白适应的学习能力㈤。神经网络系统是一个非线性动力学系统计算系统。神经网络模型有许多种类，经常使用的有BP网络、RBF网络、Hopfield网络、Kohonen网络、BAM网络等等，近年又出现了 神经网络与模糊方法、遗传算法相结合的趋势。浚方法已在交通流预测中得到了应用。在交通流预测中应用最早使用最多的是反传BP网络。 应用神经网络进行交通流预测的步骤如下： 第一步，根据实际情况，选择适当的网络结构作为预测工具，根据已确定的预测因子和被预测量，决定网络的输入和输出，进而决定网络的结构(网络 各层次的节点数) 第二步，准备样本数据和样本的规范化处理，样本分为训练样本和检验样本；第三步，利用训练样本是对网络进行训练和学习； 第四步，利用检验样本对网络训练结构进行检验，验证网络的泛化能力； 第五步，用训练好的网络，根据已知的数据进行实际预测。 与传统的预测方法相比，神经网络的预测方法的预测精度要好一些。这主要 是得益于神经网络自身的特点。神经网络擅长描述具有较强非线性、难于用精确数学模型表达的复杂系统的特性，并且具有自适应能力。由于神经网络算法是离线学习，在线预测，所以几乎没有延时，实时性很好。此外，神经网络对预测因子的选择也较为灵活，任何认为与待预测交通流量有关的数据均可纳入输入向量中。但是，神经网络也有一些弱点，主要表现在以下几个方面： 三、由于使用大量的样本进行训练，所以神经网络的学习训练过程收敛 较慢，容易产生“过度学习”的情况，陷入对样本值的机械记忆而降低了泛化能力。因此，应用神经网络目前很难做到在线学习，只能将学习与预测分离成两个阶段(一个离线、一个在线)来完成。 四、神经网络的训练与学习是基于训练样本所隐含的预测因子与被预测 量的因果关系，这种学习不能反映外部环境的变化及其对预测的影响。因此，当预测对象所处的外部环境发生改变，或以某一路段数据训练好的神经网络去预测其它路段(口)的交通流量时，预测的准确率就会大大降低，错误率明显上升。这是由单一的神经网络的有限学习能力所决定的，表明经过训练的神经网络并不具有良好的“便携性”。 五、截止到目前，各类文献所见的基于神经网络的短期交通流的预测，最小 的预测时间跨度ht．15rain的水平上，对更小的预测周期，神经网络预测的适应性、精度如何，还有待检验。
铁路旅客流量预测
摘要了解和预测铁路客流量对于铁路部门而言是实现利润最大化和保证市场竞争力的重要环节，本文通过对某铁路公司至2015年一月至2016年3月的客流情况进行研究分析，得出了铁路客流量的一般规律并构建了良好的客流量预测模型，借此实现对未来两周客流量的预测以及对车辆资源分配方案的优化. 问题一：根据旅客列车梯形密度表中包含的大量数据，利用图表分析法我们绘制了十二张包含饼图、折线图、散点图等多种形式的图表，这在一定程度上帮助我们很好地实现了客流规律的可视化展现.通过这些图表我们分析研究了不同种客运列车的优劣势、客运量的峰值规律以及站点与客运量的相关性，总结出了客流量的一般规律. 问题二：我们针对附件一所提供的大量数据进行了分类整理，将数据按照控制变量法的原则大致分为三类，即考察车站、车次、时间段三个变量对于客流量的影响.在对原始数据进行研究分析后，我们认为车站对于客流量的影响最为显著，于是我们将车站这个因素选定为了主要变量，然后从这个主要变量着手，我们基于MATLAB平台构建程序，程序的核心思想是通过对系统行为特征指标建立一组相互关联的灰色预测模型，预测系统中众多变量间的相互协调关系的变化，这种模型能够帮助我们很好地挖掘和利用原始数据，同时我们参考了在问题一中所得出的客流量的一般规律，最终采用累减生成的放松得到了一组灰色序列以弱化数据的随机性和预测未来客流量.当然，我们也采用了残差修正的衡量方法来对模型和预测结果进行了完善和校准. 问题三：为了求得铁路车辆资源配置方案的最优解，一方面考虑到问题二中对于未来两周客流量的预测，另一方面为了实现两个基本假设中对于客座率达到75%利润最大的假设，我们决定采用模拟退火算法来对结果进行优化，这可以帮助我们在减少算法耗时的同时得到一个符合生活实际的最优解. 一、问题重述 铁路部门为保持市场竞争力，实现利润最大化，需要了解日常铁路客运流量、淡旺季变动指数、冷热门线路.其中，为了准确把握市场，需要对客流进行充分的了解和预测.铁路客流量受多种因素影响.
铁路货运量的预测分析
----《时间序列分析》铁路货运量的预测分析 学院数理学院 班级统计1401 学号 姓名白金鑫
目录 一、引言 (2) 二、数据来源与描述 (3) 2.1、数据来源 (3) 2.2、数据描述 (3) 三、ARIMA模型概述 (4) 3.1模型原理 (4) 3.2模型步骤 (4) 四、模型识别 (5) 五、模型定阶 (9) 六、参数估计及模型检验 (9) 6.1参数的显著性检验 (10) 6.2模型的显著性检验 (10) 七、模型优化 (12) 八、序列预测 (14) 九、结论 (15) 十、参考文献 (15) 十一、附录 (16)
我国每年铁路货运量的预测分析 摘要 铁路货运量是确定铁路交通基础设施建设的主要依据，货运量预测结果的合理性、可靠性直接影响铁路工程项目的投资和效益，对制定未来铁路运输发展战略、合理利用资源资源、充分发挥铁路运输设施的效益都有着重要的意义。 论文在参阅有关货运量预测文献的基础上，阐述了货运量预测的原理、方法和步骤，利用SAS软件拟合ARIMA模型，对我国1949-1998年每年铁路货运量（单位：万吨）进行分析建模，并对模型的未来5年的铁路货运量进行了预测，本文对每一步的程序进行了严谨的分析，为铁路运输业制定货运市场营销决策提供依据。 关键字：铁路货运量；ARIMA模型；货运量预测 一、引言 铁路货运量是指一定时期内使用铁路货车实际运送的货物数量。铁路货物运输是国民经济的重要组成部分，它与公里、水运、航空、管道等运输方式构成国家现代化的交通运输网。铁路货运量作为货运市场体系中的重要统计指标，为铁路运输占有货运市场份额提供了重要的依据。铁路在众多运输方式中有运距长、全天候、安全性好、运能大、自然条件影响小、社会成本低等优势。铁路货运完成的货物周转量占全国现代化运输方式全部货物周转量的70%以上，运量预测是铁路运输项目建设的重要环节，科学准确的运输需求预测是铁路持续、迅速、健康发展的有效保障，是铁路各级决策部门制定发展战略和规划的重要依据。对全国的铁路货运量进行定量分析并作出较为准确的预测，能够为铁路部门制定发展规划，实施相关措施提供可靠的参考依据。在市场经济条件下，对不断变化的铁路运输需求进行迅捷、灵敏地预测，显得尤为迫切与重要。
基于神经网络预测方法
学年论文 题目：基于神经网络预测方法在 投资统计数据分析中的应用 学院： 专业： 班级： 1 班 学生姓名： 学号： 指导教师：
基于神经网络预测方法在投资统计数据分析中的应用 摘要：基于主成分-神经网络预测模型，并将该预测模型应用于社会固定资产投资统计数据分析。研究对象时统计年鉴中按照行业分固定资产投资统计数据，该数据含有中国31个省直辖市自治区从2003年至2012年来的社会固定总资产数据，每个样本有农林牧渔业、采矿业等十九个变量数值，通过对建立神经网络模型用于预测2013年31个省直辖市自治区的社会固定资产投资数据，并将该数据与2013年的真实数据作对比，研究基于神经网络的预测算法在本文数据分析中的应用，同时，与线性预测方法作对比，发现主成分-神经网络预测算法效果比较好.通过我所引用的文章，既了解了社会固定资产投资方面的知识，又学习了数据挖掘中的预测算法. 关键词：主成分分析，预测，神经网络，数据挖掘 1. 前言
1.1 选题背景 2013年，面对错综复杂的国内外形势，党中央、国务院团结带领全国各族人民深入贯彻落实党的十八大精神，坚持稳中求进工作总基调，坚持宏观政策要稳、微观政策要活、社会政策要托底的思路，统筹稳增长、调结构、促改革，探索创新宏观调控方式，经济社会发展稳中有进、稳中向好，实现了良好开局.从2013年的统计数据来看，2013年我国的国内生产总值（GDP ）增速比较平稳，其中，在第一季度增长了百分之七点七，在第二季度增长了百分之七点五五，在第三个季度增长率百分之七点七，由第二季度的GDP 增速下降再到第三季度的GDP 增速的回升，最后使得GDP 增速又达到百分之七点七，趋于稳定. 注：2012年国内生产总值增速为初步核实数，2013年为初步核算数。 图1 国内生产总值同比增增长速度 以“政商重构 市场还权”为主题的2014网易经济学家年会夏季论坛中，全国政协常委、经济委员会副主任，工业和信息化部原部长李毅中在会上表示，2013年，当年的投资和GDP 的比例大76.7%，而这个比例“十一五”是59.5%，“十五”是41.58%，“九五”是32.83%，随着时间的推移，固定资产投资和当年GDP 的比例是越来越高，高达76%. 2013年，全年固定资产投资（不含农户）436528亿元，比去年增长19.6%（扣除价格因素实际增长19.2%），实际增速比去年略微回落0.1个百分点. 分行业看，第一产业投资9241亿元，同比增长32.5%，增速比1-11月份加快0.8个百分点；第二产业投资184804亿元，增长17.4%，增速加快0.1 个百分点；地酸产业 7.45 7.57.557.67.657.77.757.87.857.97.9520 12 年 第 1季 度 20 12 年 第2季 度 20 12 年 第3季 度 20 12 年 第4季 度 20 13 年 第1季 度 20 13 年 第2季 度 20 13 年 第3季 度 20 13 年 第 4季 度