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。货运量预测是指在调查货运量及相关因素历史数据的基础上,选择合适的预测方法,对未来运量及其变化规律进行估计,为制定有关政策、编制交通运输发展规划、物流园区及货运通道发展规划等提供科学依据;为物流企业经营、管理和决策提供科学依据。本文在分析了国内外研究现状的基础上,采用了多种方法对货运量进行了预测。主要完成了以下工作:(1)分析了传统RBF神经网络预测具有增长趋势的时序数据的局限性。一般的规划项目中需要预测若干年后的数据,但相关因素数据与目标函数值都呈增长趋势,因此不在神经网络的拟和区间,用于预测的输入数据总是在最后一个聚类中,因此以往的RBF神经网络模型精度不高。(2)提出了一种混合RBF网络模型,将时间因素与相关因素都作为该网络的输入。其中时间因素直接与输出端相连,因此该模型本质上是利用RBF网络对时序数据的线性残差拟和,该模型特别适合于预测具有增长趋势的预测目标。分析了RBF网络参数学习算法速度较慢,设计了基于最近邻聚类和梯度下降修正参数值的学习算法。(3)建立了ARIMA模型进行了货运量预测,并对结果作了分析。以RBF神经网络和ARIMA模型作为基本模型,构建了基于最优权系数的线性组合模型,并提出了最优权系数求解算法。(4)采用matlab语言实现上述算法,设计了货运量预测软件。分析了软件特点及基本功能。并运用某市货运量统计数据预测,验证了算法的有效性和软件的工程实用性。