基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。     

铁路货物周转量的多因素分析和预测

提出了铁路货物周转量同营业里程、列车牵引净重和货物列车密度间的数学表达式，利用由此建立的货物周转量指数体系，研究了营业里程、列车牵引净重和货物列车密度变动引起的货物周转量的变化量；分析说明，４０多年来货物列车密度的快速增长是货物周转量大幅度增加的主要原因；通过本文所建立的一组回归方程，得出了营业里程、列车牵引净重、货物列车密度和货物周转量的２０００年预测值     

灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

基于灰色模型和BP神经网络的交通量预测研究

在分析公路交通量影响因素的基础上,通过灰色模型对各影响因素进行预测.以湖北省为例,以各影响因素为输入层,将交通需求量作为输出层,构建BP神经网络交通量预测模型,在对模型有效性进行检验后,得到未来年湖北省公路交通量预测值.     

预测管道蜡沉积速率的BP神经网络模型研究

利用灰色关联法分析了7个影响因素与管道蜡沉积速率的关联度,确定了模型的输入维数;通过建立7-10-1的BP神经网络预测模型预测了所取样本的蜡沉积速率,并对其预测精度进行验证和对比。结果表明:在考虑7个影响蜡沉积速率因素时,模型的精度可控制在0.5%左右,比考虑4个影响因素的精度更高;BP神经网络预测模型的精度与输入维数有关,维数的增大有利于精度的提高,但并不意味维数越高精度就越高;不同的初始权重和阈值对于预测的精度和泛化能力存在较大影响,但模型的精度仍在可接受范围内,因此,该模型可用于蜡沉积速率预测。     

基于BP神经网络模型的城市生活垃圾产生量预测研究

提出一种基于BP神经网络Levenberg—Marquardt算法建立城市生活垃圾产生量的网络预测模型。该方法优于传统的灰色理论预测模型和根据人口数预测垃圾产生量，预测结果客观、合理、精确，实用性强。该研究方法对我国城市生活垃圾管理和环境规划具有一定的指导意义。     

基于灰色关联分析的 BP 算法预测沪铜期货价格

采用灰色系统理论中的关联分析方法,对2012年影响沪铜期货价格的因素进行分析,挑选出主要的影响因素。以主要影响因素为输入向量,以参考价格为输出向量,建立了沪铜期货价格与主要影响因子之间的BP神经网络预测模型,并对沪铜期货价格进行了实证研究。实证研究结果表明：该方法预测精度较高、实用性强。     

基于BP神经网络的高速公路交通量预测

基于甘肃高等级公路收费年收入的统计数据,结合其收入和交通量之间的粗略关系,运用BP神经网络预测高等级公路各收费站年收入,从而间接地对高等级公路交通流量进行预测,为提高高速公路的管理与服务水平,对提高高等级公路管理部门的信息感知能力和应急处置能力、提高路网运行效率、建设和谐高等级公路具有极其重要的意义。     

基于BP神经网络的交通流量预测设计

在研究交通流量特性的基础上,以交通流量控制为最终目标,建立了基于BP(Back Propagation)神经网络的交通流量预测模型.以某市某三叉口路段为例进行仿真模拟,结果表明预测系统能较准确地预测出交通流量状况.     

基于BP神经网络的全社会集装化货物运量预测

对1995—2012年全社会集装化货物运量进行了统计归纳,利用灰度关联分析法筛选指标,建立了BP神经网络预测模型,并对我国2013—2020年全社会集装化货运需求行了预测。预测结果显示,BP网络模型对历史实际值拟合效果较好,误差较小,表明其具有较高的可靠性和实用性。     

基于BP神经网络的网络小说排行预测

近年来随着"IP"热潮兴起,网络文学市场发展迅速,逐渐成为文化娱乐行业投资热点.本文将机器学习方法引入到小说排行预测方面,通过网络爬虫获取网络小说信息并提取了影响排行的特征,提出了基于BP神经网络模型进行小说排行预测.针对训练数据的不均衡,本文采用ROC和AUC作为预测评价指标;实验结果表明,基于BP神经网络的网络小说排行预测的准确率较高,相比传统的文学定性分析方法,机器学习预测方法可解释性和应用性更高.     

基于BP神经网络的绝缘子表面污秽预测方法

针对传统方法清扫绝缘子污秽的弊端,提出了利用BP神经网络预测绝缘子污秽的方案.通过BP神经网络的输入、输出和参数的选取,在实验室进行数据验证.结果表明:该方法可以准确有效的预测绝缘子表面污秽程度,可以指导现场绝缘子的清扫和优化绝缘子的清扫周期.     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

基于BP神经网络的钢液终点磷含量预测模型

磷含量是描述钢液质量的一个重要的含量.结合遗传算法(GA)和误差反馈型神经网络(BP),建立了优化的GA-BP神经网络预测模型,预测转炉炼钢过程钢液终点磷含量.对现场收集的数据进行仿真学习,结果表明,该预测模型收敛速度快,具有较高的预测精度,平均绝对误差可达到0.002 7%.随着训练样本的增加和模型结构的进一步优化和完善,将具有很好的应用前景.     

基于BP神经网络的钢液终点磷含量预测模型

磷含量是描述钢液质量的一个重要的含量。结合遗传算法（GA）和误差反馈型神经网络（BP）,建立了优化的GA-BP神经网络预测模型,预测转炉炼钢过程钢液终点磷含量。对现场收集的数据进行仿真学习,结果表明,该预测模型收敛速度快,具有较高的预测精度,平均绝对误差可达到0.002 7%。随着训练样本的增加和模型结构的进一步优化和完善,将具有很好的应用前景。     

基于BP神经网络的体外索索力预测及MATLAB实现

为了进一步研究体外预应力混凝土结构体外索极限应力的确定方法,在分析影响体外预应力混凝土结构体外索极限应力因素的基础上,运用神经网络预测的原理,采用误差反向传播神经网络即BP神经网络对体外索的索力进行了预测.预测结果表明,应用BP神经网络模型能准确的预测体外索的索力.预测结果和试验结果相比误差在10%以内,可以满足实际工...     

基于模糊神经网络的航运运价指数预测

为航运市场的参与者提供准确和高效的预测模型及决策支持,以BDI指数为研究对象,分析其时间序列数据所包含的内部信息和统计特征,采用模糊数理技术与神经网络技术,为BDI指数建立模糊神经网络模型.相比传统神经网络,模糊神经网络对于BDI指数时间序列在预测能力上的表现更优.     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。