基于改进 BP 神经网络的铁路货运量预测

合集下载

基于BP神经网络的组合预测模型及其在公路运输量预测中的应用

ＡｐｉａｉｎｉｉｈｗａａｓｏｔｔｏｌｍｅＦｏｅａｔｐｌｔｏｎＨｇｃｙＴｒｎｐｒａｉｎＶｏｕｒｃｓ
ＺＯＳｕｚｉＴＡｈｎｚｏｇＺＮＧＳｕｓａ，ＪＮＪｎＷＨＡｈ —ｈ，ＩＮＺｅ —ｈｎ，ＨＡｈ —ｈｎＩｕ — Ｕ
Ｖｏ．Ｎｏ．１６４Ａｕｕｔ２０６ｇｓ０
文章编号：１０．７４（０６０．１８００９６４２０）４００．５
基于ＢＰ神经网络的组合预测模型及其在公路运输量预测中的应用
赵淑芝，田振中，山，张树金俊武
（林大学交通学院，春１０２）吉长３０５
维普资讯
第６第４卷期
２０年８月０６
交通运输系统工程与信息
ＪｕｎｌｆｒｎｐｒｔｎＳｓｍｓＥｇｎｅｉｇａｄＩｆｒｔｎＴｃｎｌｇｏｒａａｓｏｔｉｙｔｎｉｅｒｎｎｏｍａｉｅｈｏｏｙｏＴａｏｅｎｏ
ｃｍｂｎｄｍｏｅｓｐｏｅｙｍａｈｍａｉｔｔｔｓｈｅｆａｉｉｔａｄａｐｉａｉｔｆｔｉｃｍｂｎｄｍｏｅａｅｏｉｅｄｌｉｒｖｄｂｔｅｔａｓｉｉ，ｔｅｓｂｌｙｎｐｌｂｌｏｓｏｉｅｄｌｒｃｌａｓｃｉｃｉｙｈ
ｐｏｅｙｓｉｔｃｎｙｉｄｐａｔｅ．１ｉｄｌｆｒｆｒｃｓｉｇｈｇｗａａｐｒａｉｎｖｌｍｅｉｆｃｉｅａｄｒｖｄｂｔｓｉａａａｓｓａｒｃｉａｔｌｌｎｃ＇ｓｍｏｅｏｏｅａｔｎｉｈｙｔｎｓｏｔｔｏｕｓｅｅｔｎｈｒｏｖｆａｉｌｅｓｂｅ．Ｋｅｒｓ：ｃｍｂｎｔｎｆｒｃｓ；ｈｇｗａｒｎｓｒａｉｎｖｌｙｗｏｄｏｉａｉｏｅａｔｉｈｙｔａｐｔｔｏｏｕｍｅＢＰｎｕａｅｗｏｋ；ｍｏｅｏｏ；ｅｒｎｔｒｌｄｌ

AdaBoost_BP神经网络在铁路货运量预测中的应用

AdaBoost_BP神经网络在铁路货运量预测中的应用李松;解永乐;王文旭【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)006【摘要】In order to improve prediction accuracy of BP neural network model, a prediction model is presented based on combined Ad-aBoost algorithm and BP neural network. The efficiency of the proposed prediction model is proved by predicting the railway freight volume statistical data from the 1999 to 2009 in China. The computer simulations have shown that this model is effective and suitable, has higher forecasting accuracy, and is applicable to practice.%为提高BP神经网络预测模型的预测准确性,将AdaBoost算法和BP神经网络相结合,提出了一种AdaBoost BP神经网络预测模型.将该预测模型应用于我国1999年-2009年铁路货运量的历史统计数据,进行有效性验证,结果表明该模型对铁路货运量预测是有效、可靠的,且具有较高的预测精度,可应用于实际预测.【总页数】3页(P233-234,248)【作者】李松;解永乐;王文旭【作者单位】河北大学管理学院,河北保定071002;河北大学管理学院,河北保定071002;河北大学管理学院,河北保定071002【正文语种】中文【中图分类】U294.1【相关文献】1.组合预测模型在铁路货运量预测中的应用 [J], 王宁;徐志禹2.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 [J], 杨云超;吴非;袁振洲3.模糊神经网络非线性组合预测在铁路货运量预测中的应用 [J], 刘婷婷;邓克涛;马昌喜4.灰色预测模型在铁路客货运量预测中的应用 [J], 赵中旺;5.RBF神经网络在铁路货运量预测中的应用 [J], 宋苏民;旷文珍;许丽;常峰因版权原因，仅展示原文概要，查看原文内容请购买。

AdaBoost_BP神经网络在铁路货运量预测中的应用

铁路货运量需求预测在国家和区域经济发展规划中具有重要作用，准确的预测结果有利于提高铁路系统的运营效率。目前常用的预测方法有回归分析法、灰色模型法、马尔可夫预测法等[1-2]，但这些预测方法在精度上并不理想，预测结果有时存在明显的滞后性，需要定性分析进行修正。近年来，一些学者将神经网络引入到铁路货运量预测中 [3-4]，很多学者采用 BP 神经网络对铁路货运量进行预测，但 BP 神经网络有两个明显的缺点：一是容易于陷入局部极小值；二是收敛速度慢，在解决样本量少而且噪声较多问题时效果并不十分理想。AdaBoost 算法[5]能够提高任意给定弱预测器的预测精度，在许多机器学习的问题中都得到了成功的应用。为了提高 BP 神经网络的预测精度，克服 BP 神经网络权值初始化的局限性和训练样本的主观因素，本文将 AdaBoost 算法与 BP 神经网络相结合，构建了 AdaBoost_BP 神经网络预测模型；将该模型用于铁路货运量预测，并通过仿真实验验证了模型的有效性。
234
2012， 48 （6）
Computer Engineering and Applications 计算机工程与应用
表 1 样本数据
年份 1999 年 2000 年 2001 年 2002 年 2003 年 2004 年 2005 年 2006 年 2007 年 2008 年 2009 年
GDP/亿元 89 677.05 99 214.55 109 655.17 120 332.69 135 822.76 159 878.34 183 217.40 211 923.50 257 305.60 300 670.00 —
BP 神经网络是一种多层的前馈神经网络，该网络的主要

基于 GA-BP 模型的铁路货运量预测

基于 GA-BP 模型的铁路货运量预测
李萍
【期刊名称】《兰州交通大学学报》
【年(卷),期】2014(000)003
【摘要】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。

【总页数】5页(P203-207)
【作者】李萍
【作者单位】兰州交通大学交通运输学院，甘肃兰州 730070
【正文语种】中文
【中图分类】U294.1
【相关文献】
1.基于灰色预测模型对我国铁路货运量的预测 [J], 左小雨;黄先军
2.基于灰色模型的铁路货运量预测——以陕西省铁路货运为例 [J], 马睿; 孟献刚
3.基于组合预测模型的铁路货运量预测研究 [J], 徐玉萍;邓俊翔;蒋泽华
4.基于ARIMA模型的极端事件下铁路货运量预测研究 [J], 孙斌;陈思伶;杜丽慧
5.基于改进灰色GM(1.1)模型的铁路货运量预测 [J], 肖金山;何涛
因版权原因，仅展示原文概要，查看原文内容请购买。

BP神经网络在铁路估算指标预测中的应用

曰团圆圆
路桥建设
ＢＰ神经网络在铁路估算指标预测中的应用
摘要：基于神经网络强大的非线性映射能力，提出可利用ＢＰ神经网络来预测铁路估算指标，详细介绍了ＢＰ神经网络的基本原理以及指标估算模型的建立，指出该模型可对不同情况的工程估算指标进行合理的预测。通过分析可以得知：运用神经网络进行指标测算，能够方便更新数据，以仿真的方法做出预测，不必重新进行数据分析、选择函数模型等工作，大大节省了人力与时间，对项目投资决策具有一定的参考价值。关键词：估算指标，神经网络，预测分析数。只有在确定这些单元和层数的基础上，才能进行合理规划设计，为模型正常运行和工作奠定基础。需要注意的是，在建立模型的时候，要选取影响估算指
Ｃ： ∞ ，．ｂ
在这个公式当中， ∞ ，为隐含层至输出层的连接权。
（４计算输出层单元的输出：
＝
２、ＢＰ神经网络的结构及工作原理
的ＢＰ网络进行预测。
具体的训练过程需要按照以下步骤进行：（１计算隐含层各单元的输入ｏ：
：
∑（ｏ・，Ｊ＝１，２， … ，Ｐ
在这个公式当中，ｍ为输人层至隐含层的连接权，ｐ为隐含层单元数。（２肼算隐含层各单元的输出ｂ，激发函数采用Ｓｉｇｍｉｏｄ￣ｉ数：

基于BP神经网络的城市货运生成预测模型

基于BP神经网络的城市货运生成预测模型作者：韦凌翔董建军陈志龙赵峰来源：《上海海事大学学报》2020年第04期摘要：针对传统的货运生成模型处理非线性影响因素能力差的问题，运用BP神经网络建立城市货运生成多变量非线性预测模型。

在对城市货运生成量影响因素进行分析的基础上，选取就业人数、地区GDP和消费品零售总额3个指标作为输入变量，以城市公路货运量和城市货运总量为输出变量，构建BP神经网络预测模型。

该模型能揭示货运量与相关变量之间的非线性映射关系，在实证研究中取得了较理想的结果。

通过实际货运量与BP神经网络预测结果的对比，验证了该模型在货运量预测方面的可行性。

关键词：城市货运交通; 货运生成; BP神经网络Abstract： Aiming at the problem of the poor ability of the traditional freight generation model to deal with the nonlinear influencing factors， the BP neural network is used to establish the multivariable nonlinear prediction model of the urban freight generation. Based on the analysis of the influencing factors of the urban freight generation volume， three indexes of the quantity of employment，the regional GDP and the total retail sales of consumer goods are selected as input variables， and the BP neural network prediction model is constructed with the output variables of the urban road freight volume and the urban total freight volume. By this model， the nonlinear mapping relationship between freight volume and related variables can be revealed， and ideal results are obtained in empirical research. By comparing the actual freight volume with the BP neural network prediction results， the feasibility of the model in the freight volume prediction is verified.Key words： urban freight traffic; freight generation; BP neural network0 引言在日益显著的全球化、信息化影响下，现代货运物流在美国、日本以及欧洲等发达国家发展迅速，在中国也成为政府、社会及专家学者们所关注的热点问题。

改进的神经网络及其时序组合模型在铁路客运量上的预测

改进的神经网络及其时序组合模型在铁路客运量上的预测改进的神经网络及其时序组合模型在铁路客运量上的预测一、引言随着经济的发展和人民生活水平的提高，铁路客运量成为衡量国家经济发展和社会发展水平的重要指标之一。

准确地预测铁路客运量对于铁路部门的决策制定、运力调配和资源管理具有重要意义。

然而，由于铁路客运量受到多种因素的影响，如季节性、节假日、经济周期等，传统的统计模型在预测上往往存在精度不高的问题。

为了解决这一问题，改进的神经网络及其时序组合模型被提出并应用于铁路客运量的预测。

二、神经网络模型神经网络是一种由多个节点组成的计算系统，通过计算节点间的连接权重，在不同节点间传递信息来完成任务。

在铁路客运量预测中，神经网络模型可通过分析历史客运量数据，构建模型并预测未来客运量。

常见的神经网络模型有BP神经网络、RNN神经网络和LSTM神经网络等。

传统的BP神经网络模型是一种前馈神经网络，适用于函数逼近和分类等问题。

在铁路客运量预测中，BP神经网络模型能够通过多层神经元的连接和反向误差传播算法进行训练和拟合，从而得到较好的预测效果。

RNN神经网络模型是一种能够处理时序数据的神经网络模型，适用于具有时序关联性的问题。

在铁路客运量预测中，RNN神经网络模型能够通过将当前时刻的输入与前一时刻的隐状态进行连接，从而捕捉时间序列的依赖关系。

然而，传统的RNN神经网络模型存在梯度消失和梯度爆炸问题，对长期依赖关系的建模能力有限。

为了解决传统RNN神经网络模型的问题，LSTM神经网络模型引入了长短期记忆单元，能够对长期依赖关系进行建模。

在铁路客运量预测中，LSTM神经网络模型通过选择合适的时间窗口，从而在保持时间序列完整性的同时提高预测精度。

三、时序组合模型时序组合模型是将多个时序模型结合起来进行预测的模型。

在铁路客运量预测中，我们可以将改进的神经网络模型与传统的统计模型结合，从而充分利用各模型的优势，提高预测精度。

常见的时序组合模型有移动平均模型（MA）、指数平滑模型和ARIMA模型等。

铁路货运量预测的改进BP神经网络方法

Ｏ引
言
好的非线性映射能力和很强的自学习、自适应能力
铁路货运量反映国民经济各个部门对铁路运输的需求，是安排铁路建设和运营的重要依据，也
摘要：铁路货运量与其影响因素之间存在着复杂的非线性关系，统的Ｂ传Ｐ神经网络模型能对非线性系统进行很好的拟合，模型的预测能力不强．通过单位根检验，但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，出用差分法对输入数据进行预处理，提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，通过实例计算说明了这种并改进ＢＰ神经网络方法对提高铁路货运量预测精度的有效性，后利用该模型对最
ＢＡＩＸｉｏｙｎａ — ｏｇ，ＬＡＮＧｏｘａｇＭａ — ｉｎ
（ｃｏｌｆｒｆｃａｄＴａｓｒｔｎＢｉｇＪｏｎｎｅｓｙＢｉｎ０４，Ｃｉ）Ｓｈｏｏａｉｎｒｎｐｔｉ，ｅｉａｔｇＵｉｒｔ，ｅｉ１０４ｈｎＴｆｏａｏｊｉｏｎｖｉｊｇ０ａ
ｔｒｕｈａｘｅｍｅｔｌｃｍｐｔｔｏｎｄｔｅｈｅｒｉｙｆｅｇｔｖｌｍｅｉ０ｈｏｇｎｅｐｒｎｏｕｉｎ，ａｈｎｔａｌｒｉｈｏｕｎ２０６ —２０ｙａｓｆｒｃｓｙｔｅｉａａｗａ０１ｅｒｉｏｅａｔｂｓｈｍｏｅ．ｄ１

基于多因素的铁路货运量BP神经网络预测研究

基于多因素的铁路货运量BP神经网络预测研究摘要：铁路货运量作为铁路运输生产的基础工作之一，是铁路运输企业制定正确市场营销战略的前提条件。

本文在对铁路运输影响因素进行定性及定量分析的基础上，选取了国内生产总值、第二产业比重、原煤产量、原油产量等10个指标作为影响因素，运用BP神经网络模型构建它们与铁路货运量之间的复杂映射，从而对铁路货运量进行预测，并以近12年铁路货运量为实例进行验证。

关键词：铁路货运量；预测；BP神经网络0 前言铁路货运量是指一定时期内以重量单位计算的由铁路实际运输的货物数量，它是货运市场中重要的基础数据，也是处理好铁路内部各部门协调发展的前提。

科学、准确地预测铁路货运量是安排铁路运输生产，最大限度发挥铁路运能的理论依据。

目前，对铁路货运量预测的方法，主要包括时间序列（算术平均，移动平均，加权平均，指数平滑等）预测法［1-2］，灰色预测法[3-4]，ARMA预测模型，马尔可夫预测模型[5]或者综合以上两种或者两种以上方法进行组合预测[6]的方法等。

虽然这些预测方法所用的模型各不相同，但究其实质，其做法均是从时间序列中找规律，利用历年的货运总量数据通过各自的模型预测出未来的货运总量，属于因果分析，趋势预测，即只能反映变化趋势，而不能反映出影响货运量的内部因素对货运量的影响，故这些方法还是存在着一定的局限性。

近年来，虽然人们越来越认识到对货运量内部影响因素进行研究的重要性，但是这一方面的具体研究成果仍然较少，且大部分的研究对各影响因素的分析均只有定性分析而缺少定量分析。

如文献［7］、［8］都首先对影响铁路货运量的因素进行了定性分析，建立神经网络模型对运量进行预测，但文献中影响因素均为人为给出，并未对各影响因素进行定量分析，带有一定的人为主观色彩。

本文将在定性分析影响我国铁路货运量的因素的基础上，从中选取一些影响因素，然后对这些因素进行关联度的定量分析，得出各因素与铁路货运量之间的量化关系，将与铁路货运量有密切关系的影响因素带入所设计的BP神经网络，实现各因素与铁路货运量的复杂映射，从而对铁路货运量进行预测。

基于神经网络的货运量预测算法研究

基于神经网络的货运量预测算法研究近年来，随着社会经济的不断发展，货运行业也逐渐成为了一个日益重要的行业。

作为货运行业的关键性指标，货运量的预测变得越来越重要。

为了保证货运行业的稳定发展，研究基于神经网络的货运量预测算法已经成为了当前最为热门的课题之一。

一、神经网络的基本概念神经网络是一种模拟人脑神经系统的计算模型，它通过神经元之间的相互作用来解决不同的问题。

神经网络算法是一种非线性的算法，它可以对复杂的模型进行预测，并且具有很强的鲁棒性和泛化能力。

二、基于神经网络的货运量预测算法通过对货运量的历史数据进行分析和处理，可以得到一些有用的信息，比如说货运量的趋势、周期性、季节性等。

这些信息可以被用来训练神经网络，从而建立起一个可靠的货运量预测模型。

下面是基于神经网络的货运量预测算法的基本步骤：（1）数据采集：从货运港口、物流公司等场所中采集货运量的历史数据。

（2）数据预处理：对采集到的数据进行去噪、平滑、标准化等预处理操作，以便于后续建模操作。

（3）模型建立：根据预处理后的数据进行神经网络的拓扑结构设计、神经元的数量选择等。

（4）模型训练：通过将历史数据输入神经网络进行训练，使得模型具有较强的预测性能。

（5）模型测试和评估：通过将部分历史数据输入到训练好的模型中，验证模型的准确性和预测能力，并对模型进行调整和改进。

（6）模型应用：利用训练好的模型对未来的货运量进行预测，并在实际应用中不断优化和改进模型的性能。

基于神经网络的货运量预测算法具有以下特点：1. 非线性可拓展性：神经网络能够建立非线性的模型，可以契合复杂的数据分布。

2. 学习能力强：神经网络指标可以不断地调整来复现数据，模型参数的处理能力较强，更适合于复杂的环境下进行模型训练。

3. 噪声抗干扰能力强：神经网络具有较好的噪声抗干扰能力，能够有效地处理输入中的不确定性因素。

三、神经网络货运量预测算法的应用实例基于神经网络的货运量预测算法已经在实际应用中很成功地进行了推广和应用。

基于GM_1_n_和BP神经网络模型的锦州站货运量预测

基于GM(1，n)和BP 神经网络模型的锦州站货运量预测Jinzhou St ation Car go For ecast Based o n GM (1, n) and BP Neural Network Model-1 m1 1 i iT，□ 于丽（辽宁铁道职业技术学院，辽宁锦州 121000）【摘要】考虑了经济环境对铁路货物运量的影响，利用 GM(1，n)和 BP 神经网络模型建立了锦州站货运量组合预测模型。

利用神经网络模型能趋近任意函数的特点和 GM(1，n)的前期数据处理，使预测模型不受数据波动的影响并具有更高的预测精度。

事实证明，该模型能很好的用于锦州站运量预测。

【关键词】灰色理论；BP 神经网络；货物运量；预测【中图分类号】F253.1【文献标识码】 A【文章编号】 1674-4993（2014）02-0056-02□ YU Li(Liao nin g Railw ay Voc ation al and Tec h nical colle ge, Jinz ho u 121000,C hina)【A bstract 】Using GM (1, n) and BP neural network model to establish a cargo forecasting combination modelconsidering economic environment. Using the characteristics of neural network model that can approach any arbitrary function and pre-processing data making use of GM(1，n), in order to avoid the impact of fluctuations in the data and make the forecasting model have higher prediction accuracy.Facts have proved that the model can be well used in Jinzhou station cargo forecasts.【Key words 】grey theory; BP neural network; cargo traffic; forecasting1 引言铁路运输是一个复杂的系统。

基于GRA-PCA-GA-BP网络模型的铁路货运量预测分析

基于GRA-PCA-GA-BP网络模型的铁路货运量预测分析侯维磊;刘力军;崔晶娜【摘要】科学预测铁路货运量能够为我国铁路政策的制定、铁路货运相关规划的出台提供决策支持,对促进我国铁路货运向现代物流转型具有重要意义.为保证铁路货运量预测精度,在数据样本较少且数据波动较大时,提出基于GRA PCA-GA BP网络模型进行铁路货运量预测的方法.利用灰色关联分析和主成分分析对影响铁路货运量的输入指标进行预处理,再利用遗传算法优化取得BP神经网络的权值和阀值,进而求得更为准确的铁路货运量预测值.通过实例分析验证,GRA PCA GA BP网络模型有效、可靠,具有较高的预测精度.【期刊名称】《铁道货运》【年(卷),期】2017(000)001【总页数】5页(P54-58)【关键词】铁路货运量;预测;灰色关联分析;主成分分析;遗传算法;BP神经网络【作者】侯维磊;刘力军;崔晶娜【作者单位】石家庄铁道大学经济管理学院,河北石家庄050043;河北经贸大学管理科学与工程学院,河北石家庄050061;中海油销售河北有限公司开发工程部,河北石家庄050000【正文语种】中文【中图分类】U294.1+3铁路货运量预测可以为国家或地区的交通、物流、经济等发展规划提供参考，货运量预测结果的科学、合理、有效性对于决策者的决策具有重要影响。

目前关于货运量预测的研究成果较为丰富，王治[1]将支持向量机和遗传算法结合预测铁路货运量；耿立艳等[2]利用灰色关联分析和最小二乘法支持向量机 (LSSVM)结合的方法对铁路货运量进行预测；李萍[3]在灰色关联分析的基础上采用 GA-BP 模型预测铁路货运量；王栋等[4]采用灰色关联分析和 BP 网络结合的方法进行预测铁路货运量；李瑞等[5]运用灰色关联度法对铁路货运量的关键影响因素进行研究。

这些研究成果对铁路货运量预测的科学研究具有重要意义，但均存在数据样本较少、数据波动较大、噪声较多，致使预测误差较大等问题。

基于BP神经网络的铁路货运量组合预测

习因子１，１参数等；
２ＢＰ神经网络算法和组合预测
Ｙ２
复杂特性，因此有些学者提出了组合预测方法。组合预测方法比单一预测方法更为科学、预测精度更高，在组合预测中，权重的确定一直是研究重点和难点．传统的权重确定方法大多
采用取平均值或者人为赋值，效果并不理想。本文提出利用
常用的预测方法有回归分析预测法、间序列预测法、时神经网络预测法等，种方法都有自己的优点，存在自身的缺每也陷。采用一种预测方法不能完全反映有关数据的发展趋势和
线拟合方面有很高的精度。ＢＰ网络示意图如图１所示。
．
ａｅｍｉｅｙｃｍｂｎｄｆｒｃｔａｅｎＢＰｎｕａｅｗｏｋｒｘｂｏｉｅｏｅａｓｄｏｅｒｎｔｒ．ｄｓｂｌＫｅｗｏｄ：ＢＰｎｕａｅｗｏｋｃｍｂｎｄｆｒｃｔｒｌｙｆｅｇｔｏｕ；ｄｌｙｒｓｅｒｎｔｒ；ｏｉｅｏｅａ；ａｗａｒｉｈｌｍｅｍｏｅｌｓｉｖ
ＡｂｔａｔＴｈａｅｎｒｄｕｅＰｎｕａｅｗｏｋａｄｃｍｂｎｄｆｒｃｓ，ｅｒｂｉｈｓａｆｔｎｎｏｅａｔｍｏｅａｅｎｔｅｓｒｃ：ｅｐｐｒｉｔｏｃｓＢｅｒｎｔｒｌｎｏｉｅｏｅａｔｓａｌｅｔｇａｄｆｒｃｓｄｌｂｓｄｏｈｓｉｉｈｓｏｉａａａｏｕｍｉｇｒｉａｒｉｈｏｕｙｕｉｇｇｅｒｄｃｉｎＳＣＩｅａｄｅｐｎｎｉｌｆｎｔｎｓｐｒｔｌＴｈｎｔｅｒｓｌｉｔｒｃｌｄｔｆｋｎｎａｌｙｆｅｇｔｖｌｍｅｂｓｎｒｙｐｅｉｔ，Ｈｖｎｘｏｅｔｕｃｉｅｅａｅｙｗｏａｏｅｈｅｕｔｓ

基于BP网络的铁路货运量预测

如果节点ｆ为输出节点，则有
６＝０（ｆ１— ０ｆＩ一０））（ｉｉ（）４
Ｄ为节点ｉ上一层的节点总数。程包括正向传播和反向传播。在正向传播过程中，输入式中：如果节点ｆ为隐含节点，则有信息从输入层经隐含层加权处理传向输出层，经作用函
Ｘ５
Ｂ网络学习算法的误差准则为通过学习调整权值Ｐ
２Ｂ神经网络原理Ｐ
ＢＰ神经网络（ａｋＰｏａａｏＮ）Ｂｃ —ｒｐｇｔｎＮ是一种反向传ｉ
递并修正误差的多层前馈映射网，当前应用最广的一是
Ｗ使得偏差＜￡。权值Ｗ的调整采用梯度下降法
数运算后得到的输出值和期望值进行比较，若有误差，则误差反向传播，沿原先的连接通路返回，通过逐层修
三
６＝（）６ｆｆ１一ｊｗ
，Ｉ一
（５）
Ｘ的输出。改各层神经元的权系数，减小误差，如此循环直到输出式中：为隐含层节点ｆ为增加网络训练速度和收敛效果，通常增加…个满足要求为止【。２Ｊ “ 惯性冲量” 。有项
表现出相对的有限性，在市场运能供给一定的条件下，
货主和运输企业总是选择运输最能增值的货物，以充分
利用有限的运能，追求实现各自的利润最大化。从社会经济和交通运输的相互依存和发展的宏观角度来看，高附加值货物运量增长是社会经济发展的必然产物。社会经济发展要求运输资源不断优化，运输企业要逐步实现其运输结构的升级和技术装备的发展。由此可见，货
要性。以煤为例构建了基于Ｂ并Ｐ网络的预测模型，通过对该模型的训练，到了较好的预得测效果，出了可利用Ｂ提Ｐ神经网络对其他货

基于ABC和BP神经网络的铁路货运成本预测研究

ＷＩ路货运管理和有效控制成本还有欠缺，人工神经网络由于其品。作业成本计算法体现了 “ 业而作
产的提供准确及时的成本信息，铁路具有很强的学习能力，以弥补其消耗资源，品消耗作业 ” 产品是可
准对分析预测运输产品成本有着
ｉ摘要：运用作业成本法，结合Ｂ神经网络理论建立铁路货运成Ｐ
至关重要的作用。通常，业选择企
；本预测模型。通过案例分析，ｌＰ得ｌＢ神经网络可以更准确的预测ｌ
ｊ铁路货运成本费用的结论。
制造成本法分配间接成本，种方这
货运部门从容应对复杂的市场环境他预测方法的欠缺。
成本形成过程，它适合于间接成本铁路运输是许多中间活动的
的先决条件。路运输成本预测是铁
铁路货运部门的运输成本与远远大于直接成本的部门和行业。
ＣｏｔｇＡＢ，ｓｉ，Ｃ）它是基于作业消耗ｎ
ｊｔｎｐｒｃｓｒｓｏｏｔａｔ
的资源量（资源动因）将资源耗费，
量分配到作业中心库形成作业成本，基于产品对作业的消耗量再
八
作将理预测铁路运输成本，为铁的动态可变性及学习功能等方面（业动因）作业成本分配到产

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

基于MATLAB的神经网络组合预测模型在公路货运量预测中的应用杨云超，吴非，袁振洲(北京交通大学城市交通复杂系统理论与技术教育部重点实验室，北京 100044）摘要：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。

关键词： BP 神经网络；货运量； MATLAB ；组合预测中图分类号： U491.113 文献标识码： A 文章编号： 1002-4786（2010）04-0207-03 DOI ： 10.3869/j.1002-4786.2010.04.063BP Neural Network Combination Forecasting Model Based on MATLAB Used in Highway Freight Volume Prediction YANG Yun-chao ， WU Fei ， YUAN Zhen-zho u（MOE Key Laboratory for Urban Transport a ti on Complex Systems Theory and Technology ， Beijing Jiaotong University ，Beijing 100044， China ）A b s tract ： A new theory model is brought forward and the model based on BP neural network is used in highway freight the neural network can shortage effectively that volume combination forecasting. This model flexibly applied the capability that fit any non -l inear function by self -adaptation and self -l ear ning ， avoiding the traditional combination forecasting method forces the relationship amo ng the MATLAB ， some simple program is proved that this method has high - data on some sort of function in the application. With the help of compiled. It decreases the difficulty of calculation. The exam ple has er prediction precision.Key w ord s ： BP neural network ； freight volume ； MATLAB ； combination for ecast 引言运输需求预测是公路网规划、区域发展规划、基础建设投资决策及运输生产组织管理的基础，对交通运输需求的预测分析具有重大的社会意义和经济意义。

BP神经网络在物流预测中的应用

1 物流预测及其现有的解决方法
1.1 物流预测
所谓预测, 就是人们对某一不确定的或未知的事件的表述。一般这个不确定的事件具有未来的性质。具体来说, 预测就是要把某一未知的事件发生的不确定性最小化。
从本质上看, 预测是以变化为前提的。如果没有变化, 预测也就不存在了。因此, 可以说预测就是掌握。预测就是: 第一要正确地掌握变化的原因; 第二要了解变化的状态; 第三要从量的变化中找出因果关系: 第四从以上的变化中找出规律性的东西对未来进行判断。
（2-1）（2-2）（2-3）
q
q
M
ok (netk ) ( wki yi ak ) wki( wij x j i ) ak
i 1
i1
j 1
（2-4）
（2）误差的反向传播过程
误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根
据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近
5) 20 世纪 90 年代以后的发展时期。这一时期大多数学者的研究集中在三个方面:开发现有模型的应用,并在应用中根据实际运行情况对模型、算法加以改造,以提高网络的训练速度和运行的准确度:希望在理论上寻找新的突破,建立新的专用或通用的模型和算法;进一步对生物神经系统进行研究,不断的丰富对人脑的认识。总的来说，人工神经网络是由多个非常简单的处理单元彼此按某种方式相互
3) 1968-1980 年是人工神经网络研究的低潮期。神经网络研究工作受到了现代计算机和人工智能快速发展所带来的冲击,基于仿生学的结构主义用硬件来模拟人脑的企图,不可避免的受到了严重的阻碍,但世界上仍有一部分学者献身于神经网络的研究,为后期的复兴奠定了基础。如威德罗(widrwo.B.)的自适应线性元件(adaline)模型;安德森(Andersno)的线性联想记忆理论;冯德曼尔斯博格(VonDerMakburg)的竞争学习理论,以及格罗斯博格(Grossberg.S)的自适应共振理论(ATR)等。