本文介绍了使用BP神经网络和RBF神经网络在MATLAB中进行货运量预测的设计和实现。通过对影响货运量的多个因素进行分析，构建输入输出模型，并通过历史统计数据进行训练和测试。实验表明，尽管RBF网络预测精度可能稍低，但其收敛速度远快于BP网络，尤其在样本量增加时，优势更为显著。
目录
由于货物运输、地方经济及企业发展的紧密联系，因此作为反映货物运输需求的一项重要指标, 货运量预测研究和分析具有较强的实际意义。
常用的货运量预测方法包括时间序列方法、移动平滑法、指数平滑和随机时间序列方法、相关(回归)分析法、灰色预测方法和作为多种方法综合的组合预测方法等.这些方法大都集中在对其因果关系回归模型和时间序列模型的分析上, 所建立的模型不能全面和本质地反映所预测动态数据的内在结构和复杂特性, 从而丢失了信息量.人工神经网络作为一种并行的计算模型, 具有传统建模方法所不具备的很多优点, 有很好的非线性映射能力, 对被建模对象的经验知识要求不多, 一般不必事先知道有关被建模对象的结参数和动作特性等方面的知识, 只需给出对象的输入和输出数据, 通过网络本身的学习功能就可以达到输入与输出的映射关系.货运量预测可以利用BP 网络模型和径向基网络模型来实现。
神经网络模型简述
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，其激励函数是一般是S函数（即sigmoid函数）。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
径向基神经网络（RBF神经网络）是一种性能良好的前向网络，其激励函数是一般是高斯函数。具有最佳逼近、训练简洁、学习收敛速度快以及克服局部最小值问题的性能，目前已经证明RBF网络能够以任意精度逼近任意连续的函数，且具有全局逼近能力，从根本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。因此它已经被广泛应用于模式识别、非线性控制和图像处理等领域。
实例：交通运输能力预测设计
输入的神经元可以根据需要求解的问题和数据表示方式确定。根据对关于货运量影响因素的分析,这里分别取国内生产总值GDP 、工业总产值、铁路运输路线长度、复线里程比重、公路运输线路长度、等级公路比重、铁路货车数量和民用载货车辆数量等8 项指标作为货运量的影响因子, 将它们作为网络的输入.以货运总量、铁轮货运量和公路货运量作为网络输出.由此来构建BP 网络和RBF网络。利用某7 年的历史统计数据作为网络的训练样本, 以后续2 年的历史统计数据作为网络的外推测试样本.输入样本如表1 所示, 目标样本如表2 所示.
表 1 输入的样本数据
| GDP |
工业 总产 值 |
铁路 运输 长度 |
最低0.47元/天 解锁文章
扫一扫
822
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
