论文部分内容阅读
铁路货运量需求预测在国家和区域经济发展规划、运输经营决策中具有重要作用。针对提高预测准确性与收敛速度问题，建立了基于RBF神经网络的预测模型。该模型具有最佳函数逼近性能和全局最优特性，适于预测计算，但有参数确定与优化的难题。提出一种基于非线性学习因子调节的粒子群优化（NLA-PSO）算法应用于RBF神经网络的参数优化，进而提高铁路货运量预测的精度与效率。通过1992--2011年铁路货运量预测的实例验证，将仿真结果与其他算法进行了比对，证明了方法的预测精度与收敛速度均优于其他算法，在铁路货运量预测计算上有