论文部分内容阅读
作为运输基础设施建设的投资决策基础,货运量预测在国家和区域经济发展规划中具有十分重要的意义。货运量预测的研究目标就是如何在运输系统中挖掘出有效的信息,利用预测模型对这些数据和信息进行加工,从而为交通管理部门和运输企业提供准确高效的货运量预测,方便相关部门和企业单位合理安排运力,实现对货运过程的控制。关于货运量预测的研究已有很长的历史,在实际中一般都采用定量预测的方法。时间序列分析法和回归分析法都是基于经典统计学的方法,它们的模型构造已经非常成熟,在货运量预测上有一定的应用;灰色预测法和神经网络法是当前预测研究领域中的热点,有很大的研究空间。尤其是径向基函数(Radial Basis Function,RBF)神经网络,它具有最佳函数逼近性能和全局最优特性,是目前其它方法所无法比拟的。本文在分析了国内外研究现状的基础上,采用RBF神经网络进行货运量预测。由于传统RBF神经网络在学习前需要通过经验公式或实验者人为确定网络结构,这样训练出的网络往往并非最优。对此,本文改进了RBF神经网络的学习算法,提出了一种基于聚类的动态自生成隐含层节点的思想。它是一种两阶段学习算法,先通过聚类得到中心和扩展常数,后通过最小二乘法得到输出权矩阵。在网络参数学习的同时网络结构也在进行调整,使得误差不断减小。本文在MATLAB7.0平台上编程实现了该学习算法,并通过两组函数实例验证了动态聚类算法的学习效率和外推逼近能力。针对一些应用实例采用了两次预测的方式,本文在将动态聚类学习算法应用到货运量预测实例时,又定义了一个融入了时域信息的延拓矩阵。其基本思路是采用一个拓展的矩阵来改善输入输出数据的对应结构,简化预测过程,使神经网络的学习数据能够在更大程度上得到利用,从而有效的加强RBF神经网络的学习,消除累积误差。最后,将基于延拓矩阵的动态聚类学习算法应用到公路货运量预测和货运总量预测模型中,实验结果证明了基于延拓矩阵的动态聚类学习算法是行之有效的。