运量预测（共9篇）
运量预测 篇1
北京首都机场是中国客流量最大的机场, 科学准确的预测首都机场客流量发展趋势, 能够为首都机场提升旅客服务质量, 制定未来发展规划提供科学决策依据。
常用的客流量预测方法主要有时间序列法、回归分析法、神经网络方法。这些方法大都集中于在对因果关系回归模型和时间序列模型的分析上, 建立的模型不能全面、科学和本质地反映所预测的动态数据的内在结构和复杂特性, 预测结果不够准确。计量模型预测和灰色预测能够利用少量数据进行建模计算, 适于利用某一主要影响因素对客流量进行预测。支持向量机是Vapnik等人根据统计学习理论中结构风险最小化提出来的, 该方法能够保证得到的极值解是全局最优解。
1 计量模型预测
1.1 数据分析
影响机场客流量的因素有很多, 如地区经济发展状况, 机场所在地区的其他交通运输形式状况, 人员构成, 平均收入水平等。其中地区的经济发展对机场流量影响最大。本文采用北京市GDP反映当地的经济发展状况, 首先利用计量经济模型对地区航运旅客吞吐量进行回归拟合。
经济状况对航运旅客吞吐量具有一定的影响不仅在理论上时成立的, 而且根据历年的数据也可以进行验证, 只有通过了验证, 说明经济状况是影响航运旅客吞吐量的因素, 我们建立计量经济模型才有确实的意义, 所以, 在建立模型之前, 我们先对1996到2008年北京市GDP和首都机场旅客吞吐量进行Granger因果检验[1]:
可以看出, P=0.029<0.05, 故在α=0.5的检验水平下拒绝原假设—“GDP不是旅客吞吐量的Granger原因”, 因此, 我们认为, GDP是旅客吞吐量的影响因素。
1.2 模型建立与检验
将GDP作为解释变量, 旅客吞吐量作为被解释变量, 利用Eviews软件进行变量之间的回归分析[2], 建立回归模型为:
y = 5552519+4987.09×gdp
t = 3.82 19.77
R2 = 0.97 D.W.=1.5
此模型表明GDP每增加1亿元, 旅客吞吐量增加4 987.09人次, 经济增长能够很好地拉动客流量的上涨, 这也符合经济学意义, 通过经济学检验。
另外, 还要对模型进行统计检验:此模型的拟合优度达到0.97, 拟合效果很好;并且t检验值均大于2, 参数显著有效;D.W.值为1.5, 模型没有自相关现象。这说明统计检验也通过, 模型有效, 可以进行预测工作。
1.3 预测
本文期望预测未来5年的北京市航运旅客吞吐量, 基于以上的计量经济模型, 需要有未来5年, 也就是2009到2013年北京市GDP数据, 因此, 在预测之前, 我们先对GDP数据进行拟合预测。
通过观察GDP数据的趋势图 (如图1所示) , 本文采用二次函数对其进行拟合, 可以看到拟合效果非常好, 随后的预测结果如表2中所示。
将未来5年GDP数据代入计量模型中, 可以得到所需要的未来5年的北京首都机场旅客吞吐量, 结果如表1所示, 表中还计算出预测误差, 可以看出误差几乎都低于0.1, 说明计量经济模型的预测结果是可信的。
2 支持向量机预测
支持向量机是由 Vapnik 在20世纪90年代中期提出的一种机器学习算法。支持向量机以统计学习理论中的 VC 维理论和结构风险最小原理为基础, 根据有限的样本信息在模型的复杂性 (即对特定样本的学习精度) 和学习能力 (即无错误识别任意样本的能力) 之间寻求最佳折衷, 以期获得最好的推广能力[2]。支持向量机以其良好的理论背景, 为机器学习提供了一个崭新的方向。目前, 对支持向量机的研究主要集中在改进训练算法、参数选择和利用支持向量机解决多分类问题等方面。
SVM能做到与数据的维数无关, 从而在训练样本很小的情况下达到推广能力。要将SVM用来预测, 首先必须构造准确的SVM回归预测模型, 其中的关键是选取合适的核函数和确定各项参数, 然后采用可靠的算法在获得较快计算速度的同时得到较高的预测精度。预测模型的建立一般分为五个步骤:
1) 样本的采集和预处理;
2) 模型核函数的选择;
3) 模型参数和核函数参数的选择;
4) 核函数的参数的最优寻找;
5) 模型训练和预测。
常见的核函数有多项式、RBF函数和Sigmoid函数等, 选用不同的核函数可以构造不同的支持向量机。其中RBF核函数是普遍采用的核函数, 因为它对应的特征空间是无穷维的, 有限的数据样本在特征空间中是线性可分的, 并且RBF核与多项式核相比具有参数少的优点, 从而可以降低模型的复杂度[3]。所以这里我们选择RBF核函数来构造支持向量机。
RBF 核函数 (radial basic function) 表达式为:
在标准 SVM 中, 影响模型性能的参数有容许误差ε 、 惩罚因子 C和 RBF核参数σ 。 参数ε 表明了系统对估计函数在样本数据上误差的期望, 使支持向量机的解具有稀疏性, 增强泛化能力。当ε 为零时, 支持向量机的数目等于全部训练样本的数目, 当参数ε 不为零时, 支持向量的数目小于全部训练样本的数目。从物理意义上说, 支持向量是起支撑作用的样本, 可以用支持向量来代表全部训练样本进行计算[4]。
样本集的输入向量中的每一个元素称为一个特征。选取预测模型的样本集, 就要考虑影响模型可靠性的因素, 从而确定选择哪些特征作为输入向量。这里本文选用1994—2008年15年的数据, 其中选取人均可支配收入、北京市GDP、起降架次、正班客座率作为输入特征值, 旅客人数为输出特征值。这15组数据用来模型训练, 并用训练得到的模型预测2009年到2013年的旅客吞吐量。模型训练原始数据如表2。
对未来五年的影响旅客吞吐量的输入特征值的预测采取趋势预测法, 分别根据历史数据趋势, 利用二次曲线进行拟合, 得到的预测结果如表3。需要指出的是, 对于民航平均正班客座率, 由于该值并不是随时间增长的序列, 存在波动变化, 难以用简单函数拟合, 且影响客座率的因素很多, 简便起见, 我们假设客座率维持现状不变[5]。采用Python和Gnuplot软件寻找模型最优参数, 将所得的最优参数带入模型中, 利用LibSVM软件求解SVM回归预测模型, 得到预测值。
3 结论及偏差分析
本文分别运用了计量模型和支持向量机预测两种预测方法对北京首都机场进行了五年期的客流量预测。以北京市GDP为影响首都机场客流量的主要因素, 利用计量模型得到的预测结果, 在与往年实际客流量相比较发现, 这两种预测方法误差较小。在引入GDP、人均可支配收入、正班客座率、起降架次因素后, 采用了支持向量机的机器学习方法进行预测。从表6预测结果可以看出, 我们以两种结果每年预测的均值为基准, 计算各种方法的最大偏差均小于3%。需要指出的是, 由于基于预测均值, 这里的偏差分析仅能表示两种方法预测值的集中程度, 偏差较大并不能表示预测效果不好。以历史数据比较, 计量模型的预测方法都有较好的效果。
摘要：机场客流量预测对于机场未来规划和管理措施改进有重要意义。本文根据影响机场客流量的主要因素——GDP为主要条件, 采用计量模型预测对首都机场未来五年客运量进行了预测分析。然后加入北京市人均可支配收入、正班客座率、飞机起降架次等因素, 采用支持向量机的方法做出预测。
关键词：机场客流量,计量模型,支持向量机
参考文献
[1]古扎拉蒂.计量经济学基础[M].北京:中国人民大学出版社, 2005:23-27.
[2]张晓峒.Eviews使用指南与案例[M].北京:机械工业出版社, 2007:15-18.
[3]张兆宁, 郭爽.首都机场飞行流量的灰色区间预测[J].中国民航大学学报, 2007 (6) :1-4.
[4]ADAMS W, MICHAEL V.Short Term Forecasting of Pas-senger Demand and Some Application in Quantas[M].In:AGIFORS Symposium Proc.27, Sydney, Australia, 1987:19-20.
[5]ZHAO DENGFU, WANG MENG, ZHANGJI ANGSHE.ASupport Vector Machine Approach for Short-term LoadForecasting[J].Proceedings of the CSEE, 2002, 22 (4) :26-30.
运量预测 篇2
运用主成分回归分析法,将影响公路客运量的众多相关因素简化为少数不相关因素,消除因变量过多导致的多重共线性,可构建公路客运量预测模型.实例证明,该模型具有较高的`精度,适合影响因素指标发展较为明确的客运量短期预测.
作 者：李晓刚 贾元华 敖谷昌 LI Xiao-gang JIA Yuan-hua AO Gu-chang 作者单位：李晓刚,贾元华,LI Xiao-gang,JIA Yuan-hua(北京交通大学交通运输学院,北京,100044)
敖谷昌,AO Gu-chang(北京交通大学交通运输学院,北京,100044;重庆交通大学交通运输学院,重庆,400074)
运量预测 篇3
【摘 要】 为建立内河集装箱运量预测方法，在充分考虑内河集装箱运输与其他运输方式的竞争合作关系基础上，运用运输经济学原理，提出内河集装箱运输在综合交通运输网中的合理分担方法，预测苏南地区内河集装箱运量。结果表明，未来内河集装箱运输优势将进一步凸显，苏南地区内河对集装箱运量的分担率将进一步提高。
【关键词】 集装箱生成量；内河运输；重力模型；拉格朗日差值法
以往的集装箱运输需求分析多集中在沿江沿海港口，采用历史趋势法或宏观经济指标相关法进行预测研究。这些方法适用于运输体系较为成熟的沿江沿海港口，对于还处于起步发展阶段的内河集装箱运输来说，内河运输需求与综合交通网络密切相关，与沿江沿海港口的区域枢纽节点有着本质不同。目前，使用较多的内河水运运量预测方法为“四阶段法”，主要针对的是内河运输中传统大宗物资，对内河集装箱运输需求的预测难见成型的体系。在长江三角洲地区处于产业转型升级的发展形势下，建立系统、合理的内河集装箱运输预测方法，确定未来发展的合理规模，为管理部门提供超前的、预见性的科学决策，进而促进内河集装箱运输持续、健康发展至关重要。
1 运量预测的总体思路
通过内贸集装箱生成量和外贸集装箱生成量的预测，得到各集装箱箱源地的集装箱生成总量情况，利用重力模型将集装箱箱源地的集装箱生成量分配到集装箱运输港口节点，形成箱源地和港口节点的集装箱运量；利用拉格朗日差值法，结合调研经典数据分析，将所得运量在公路与水路之间分配得到江苏省内河集装箱运量。具体思路见图1。
2 预测方法
2.1 生成量预测法
利用二元线性回归，研究预测江苏省全社会港口内贸集装箱吞吐量与江苏省GDP及江苏省全社会港口集装箱吞吐量之间的相互关系，根据江苏省经济社会发展趋势及未来全社会港口集装箱吞吐量的发展水平，推断江苏省全社会港口内贸集装箱吞吐量的发展水平，继而得到江苏省内贸集装箱生成量的增长水平。内贸集装箱生成量的预测思路见图2。
外贸集装箱生成量大小与各地区外贸进出口量密切相关。根据腹地内经济社会的发展规划和趋势，以及外向型经济的发展趋势，预测未来年度该腹地内产生的适箱货物总额，进而衍生预测出未来年度对交通运输的需求，从而达到预测运量目的的模型。因此，可用多因素动态生成机制法对港口的外贸集装箱生成量进行预测。具体思路见图3。
结合以上3种预测思路，提出江苏省外贸集装箱生成量预测模型如下：
式中：Q为外贸集装箱生成量，TEU；P为所在地区外贸进出口金额，亿美元；K1为外贸货物适箱率；K2为外贸适箱货生成系数，TEU/亿美元；K3为外贸货物装箱率。
2.2 集装箱运输网络节点间运量预测方法
交通运输作为一种派生需求，从一个侧面反映了贸易往来的密切程度。现从交通运输需求的基本理论、基本方法入手，依据地区间贸易量与区域间的相互影响，运用重力模型计算出各主要货源地之间的集装箱运量，以各个节点的集装箱生成量为出发点，预测每2个节点之间的集装箱运量，为下一步的公路与水路分担提供所需要的参数。
节点间的集装箱流量与相应箱源地集装箱生成量和港口集装箱吞吐量成正比，与2个节点之间的广义阻抗的平方成反比，于是得到改进后的节点间运量重力模型如下：
式中：F为节点间的集装箱运量；A为运量生成量间调节系数（常数）；Q为集装箱箱源地的生成量；Y为集装箱干（支）线港口节点的集装箱吞吐量；k为广义阻抗，用节点间公路与水路距离的平均值表达。
节点之间的集装箱流量会随着政策、距离、收费及地区经济的影响而发生变化。由于水路流域各节点附近的经济环境比较相似，假设广义阻抗仅与节点之间的当量距离相关。
通过节点间运量预测模型可知，箱源地A至集装箱运输节点B与节点C的运输量比例为：
FAB∶FAC=（YB / k2AB）∶（YC / k2AC）
结合箱源地A集装箱生成量预测，并由此可以推出箱源地A至集装箱运输节点B和节点C的运输量。
2.3 内河集装箱运输的分担预测方法
江苏地区公路路网和水运航道网相对发达，铁路相对单一。本文考虑公路和水路是该省集装箱运输的主要方式，对铁路集装箱运输进行总量分析，在各运输节点间集装箱运量分担时仅考虑公路和水路的分担。
根据运输方式选择的调查，在一般情况下，价格差是影响公路、水路运输方式选择的主要因素，但由于集装箱存在货物重要性、货物价值、时间要求、运输习惯等因素，不同的价格差值有不同的水路选择概率。同时，同样的价格差，内贸和外贸集装箱运输选择水运的概率也可能不尽相同。公路和水路在对应运价差下的选择概率数据可通过大量问卷调查进行校验。
综上所述，采用拉格朗日插值法生成货主偏好方程和偏好曲线，拉格朗日公式如下：
式中：ln（x）为货主选择某种运输方式的概率；x为集装箱公路运输与水路运输的实际差价；xi为运输方式选择调查表中所列的公路与水路运价差（i=0，1，2，…，n）；yi为运输方式选择调查表中所列的公路与水路在对应运价差下的选择概率。
3 苏南地区预测结果实例
经预测，2030年，通过公路、水路运至苏南沿江港口及从上海港进出的苏南地区集装箱生成量约为万TEU，其中内贸、外贸集装箱分别约为万TEU和万TEU。目前，苏南地区的外贸集装箱主要通过上海港运输，太仓港也有少量的近洋航线；而内贸集装箱主要集中在沿江地区的南京、镇江、江阴、张家港、常熟、太仓等港口，也有一部分的内贸集装箱通过上海港运输。本次选取无锡和宜兴地区至江阴港、太仓港、上海港的内河集装箱运量为例进行预测研究。2030年无锡和宜兴地区内外贸集装箱公路和水路运量分担见表1。
同理可预测苏南地区其他箱源地至沿江及上海港的集装箱内河分担量。通过生成量的预测方法分析可知，2030年，苏南地区生成并通过内河运输至沿江沿海港口节点的集装箱量将达到138万TEU，占苏南地区至港口节点集装箱运量的8%左右。此外，随着内河航运的发展，未来苏南地区直接与外地的交流量及苏南地区航道承担的过境量预计将分别达到12.5万TEU和26万TEU，由此预测2030年苏南地区内河集装箱运量将达到176.5万TEU左右。2030年苏南地区主要航道集装箱运量见表2。
未来随着内河集装箱支持政策的出台，船型向大型化方向发展，公路拥堵、罚款、环境等成本逐步增加，内河集装箱运输的优势将进一步凸显，苏南地区内河对集装箱的分担率将进一步提高。
参考文献：
基于GRNN的货运量预测 篇4
关键词：广义回归神经网络,光滑因子,果蝇优化算法
1. 引言
运输系统作为社会经济系统中的一个子系统, 在受外界影响和作用的同时, 对经济系统具有一定的反作用, 使得运输需求同时受到来自运输系统内外两方面因素的共同影响。作为运输基础设施建设投资决策的基础, 运输需求预测在国家和区域经济发展规划中具有十分重要的作用。在此情况下, 将神经网络引入到货运量预测中, 其中广义回归神经网络在逼近能力、分类能力和学习速度方面具有较强的优势网络。
由于GRNN[1]的积函数是径向对称的, 通常假定训练样本都是呈高斯分布的, 需要确定的光滑因子参数, 但是参数值越大, 往往产生的误差也大。为了克服上述缺点, 采用一种新的优化参数方法:果蝇优化算法。其基本思想是基于果蝇觅食行为推演出寻求全局优化, 在此需要确定果蝇寻优的行进轨迹, 根据其轨迹, 确定参数值。如何进行参数优化是FOA中一个关键问题。为此, 先用广义回归神经网络求出目标值及参数最优值, 对其参数进果蝇算法优化, 得到最优参数值, 预测未来货运总量。
2. 货运量预测方法
2.1 货运量指标选取
货物运输和地方经济及企业发展的紧密联系, 货运需求成为货运需求和经济发展关系研究中的一个重要问题。因此作为反映货物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和理论意义。影响货运量的预测的因素很多, 如规划区域内国内生产总值、人口、货运车辆数等等[2], 因此货运量的指标选取变得很重要。
2.2 货运量预测方法
常用的货运量预测方法包括时间序列分析、移动平滑法、指数平滑法、随机时间序列分析方法以及灰色预测方法和多种方法综合组合的预测方法等。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、科学和本质的反映所测动态数据的内在结构和复杂特性, 丢失了信息量。而GRNN在逼近能力、分类能力、和学习速度方面具有较强的优势网络, 并且在数据缺乏时效果也比较好。在求出GRNN参数值时, 采用果蝇优化算法进行参数优化, 文中结合潘文超果蝇最佳化演算算法, 建构货运量预测模型, 并与一般广义回归模型进行比较, 检视二者分类侦查能力的差异。
3. 基本原理与算法分析
3.1 广义回归神经网络基本结构与算法
广义回归神经网络[3] (Generalized Regression Neural Network, 简称GRNN) 是美国学者Donald F.Specht在1991年提出的, 它是径向基函数网络的一种。GRNN在结构上与RBF网络较为相似, 由四层构成, 如图1所示。
3.2 果蝇优化算法
果蝇优化算法的步骤为[4]:
(1) 随机初始果蝇群体位置;
(2) 计算果蝇个体利用嗅觉搜寻食物之随机方向与距离;
(3) 由于无法得到食物的位置, 因此先估计与原点距离 (Dist) , 再计算味道浓度判定值 (S) , 此值为距离之倒数;
(4) 味道浓度判定值 (S) 代入味道判定函数以求出该该果蝇个体位置的味道浓度 (smell) ;
(5) 找出果蝇群体的味道浓度最高的果蝇 (求极大值) ;
3.3 基于果蝇优化算法优化广义回归神经网络参数
对于GRNN预测模型, 根据公式:
光滑因子Spread值越小, 网络对样本的逼近性越强;Spread值越大, 网络对样本的逼近程度越平滑, 但误差也相应增大。在实际应用中为了选取最佳的Spread的值, 需要不断尝试来确定最佳值。为解决此问题, 本文采用一种新的群体智能算法--果蝇优化算法, 此算法是仿真果蝇利用其嗅觉觅食的行为, 然后根据味道浓度值迭代搜寻, 来完成问题的寻优, 具有寻优能力强等优点。采用果蝇算法来寻找光滑因子Spread的最优参数值, 进而设计出果蝇算法优化GRNN的神经网络模型。步骤如下:
(1) 读取数据并分两组交叉训练, 避免网络训练过度。
(2) 初始果蝇群体位置, 利用嗅觉寻找食物, 然后初始果蝇个体飞行距离。
(3) 先求出味道浓度判定函数, 利用该函数求出味道浓度。
(4) 果蝇迭代寻优。
(5) 根据味道浓度寻找极值, 迭代保留最佳位置与味道浓度, 每代最优值记录到数组中。
(6) 利用果蝇算法确定的最优值, 来进行货运量预测。
4、仿真实验
通过对全国货运量影响因素的分析, 分别取国内生产总值 (GDP) (亿元) 、工业总产值 (亿元) 、铁路运输线路长度 (万km) 、复线里程比重 (%) 、公路运输线路长度 (万km) 、等级公路比重 (%) 、铁路货车数量 (万t) 和民用载货汽车数量 (万t) 8项指标因素作为网络输入, 货运总量作为网络输出。采用1996-2008年中前12年的历史统计数据作为网络训练样本 (数据来自于中国统计年鉴) , 以08年的数据作为预测数据, 建立GRNN神经网络对货运量进行预测。
根据GRNN参数选择spread最优值为0.5, 此时的货运总量可以达到快速收敛。通过计算GRNN的输入和输出存在很大的相关性, 说明GRNN模型对于货运量的预测的可行性。此外, 预测出2008年的货运总量为308490, 误差值为9959。根据GRNN的预测公式, 可以发现光滑因子不同, 网络对样本的逼近能力不同, 光滑因子越大, 逼近过程也就越接近所有样本的因变量的均值, 但是误差却在增大, 需要反复调整Spread值来寻找, 在此采用果蝇算法来优化参数。
设定果蝇的初始位置为 (0, 0) , 迭代的果蝇寻食物的随机飞行方向与距离区间为[-10, 10], 种群规模为10, 迭代次数为100.经由果蝇优化算法的100次迭代动态调整GRNN的收敛情形。可以发现当光滑因子为0.31, 收敛速度最快, 而此时的相对应的预测值为311223, 误差值为7226, 与GRNN相比, 预测值更为精确。
5. 结束语
在分析货运量影响因素和预测特点的基础上, 本文采用了广义回归神经网络对货运量进行预测, 经过对预测效果的检验与分析, 证明了GRNN用于货运预测的可行性和有效性。但是, 在确定最佳光滑因子时, 需要循环训练, 在预测数据方面会造成很大的误差, 针对此问题, 提出了一种新的智能算法, 即果蝇优化算法, 其类似与蚁群优化算法、鱼群优化算法, 该研究都是将演化重心转移到动物的觅食行为与群体行为上, 它们必须通过迭代搜寻才能寻到最优解, 因此亦属于演化式计算领域。本文通过果蝇算法优化参数, 从而得到最优光滑因子, 而且其预测精度得到提高。然而, 果蝇优化算法属于新式算法, 其中的优点缺点还需要学者们进一步研究, 使其在各个领域得到推广。
参考文献
[1]黄金杰, 夏静, 满春涛.王松涛.一种参数优化旋转广义回归神经网络模型[J].电机与控制学报, 2009, 13 (3) :03-06.
[2]赵闯, 刘凯, 李电生.基于广义回归神经网络的货运量预测[J].铁道学报, 2004, 26 (1) :12-15.
[3]刘敬贤, 刘振东, 周峰.基于广义回归神经网络的船舶交通流预测模型[J].中国航海, 2011, 34 (2) :74-78.
运量预测 篇5
公路货运量预测,是利用历史的资料和市场信息,运用适当的方法和技巧,对未来的需求状况进行科学的分析、估算和推断。依据未来时间长短,大致有3~5年的近期,5~10年的中期,l0~20年的远期。人们目前只能通过过去和现在的已知条件来推测或预测其发展结果,并且所得到的结论并非就是客观规律,不一定就等于未来的真实情况,预测推证未来,必定存在误差,且误差的大小随着预测的时间的增加而增加。
采用通常的预测理论与方法得到的预测结果可信度仍偏低,究其原因主要是:
(1)过去货运量统计资料缺乏,而高等级道路要求货运量预测期又较长(中远期);
(2)当以国民经济增长作货运量预测的相关依据时,对国民经济指标缺少深入的分解和相关性分析;
(3)对诱增货运量的增长缺乏经验,难以准确判断;
(4)货运量调查资料的可靠性存在疑问等。由于我们所面对的道路货运量是一个既含已知(过去及现在货运)、又含未知或非确知(未来远景货运量)的信息系统,在系统控制科学中成为典型的灰色系统,它的变化发展规律体现了道路交通系统的模糊性特征,所以对其系统规律的认知可应用灰色控制理论来解决问题。
2 灰色理论与灰色预测模型
1982年,中国学者邓聚龙教授创立灰色系统理论。灰色系统理论以“部分信息已知,部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象,主要通过对“部分”已知信息的生成、开发,提取有价值的信息,实现对系统运行行为、演化规律的正确描述和有益监控。在控制论中,人们常用颜色的深浅形容信息的明确程度,如艾什比(Ashby)将内部信息未知的对象称为黑箱,这种称谓已为人们普遍接受。我们用“黑”表示信息未知,用“白”表示信息完全明确,用“灰”表示部分信息明确、部分信息不明确。相应地,信息完全明确的系统称为白色系统,信息未知的系统称为黑色系统,部分信息明确、部分信息不明确的系统称为灰色系统。
由于环境对系统的干扰,系统信息中原始数据序列往往呈现离乱情况,离乱数列即为灰色数列或称灰色过程,灰色理论利用那些较少的或不确切的表示系统行为特征的原始数据序列作生成变换后建立微分方程,建立的模型称为灰色模型(GREY MODEL),简称GM模型。
灰色预测方法是根据过去及现在已知的或非确知的信息,建立一个从过去引伸到将来的GM模型,从而确定系统在未来发展变化的趋势,为规划决策提供依据。在灰色预测模型中,对时间序列进行数量大小的预测,称为等间隔序列的数列预测。预测模型为一阶微分方程和一个变域的灰色模型,记为GM 1,1模型。对于农业产量、人口增长、商品销售量、交通量等特定变化分析和预测,就只要一个变量,即综合效果的数据序列。
GM 1,010的形式是:
通过建立多次残差GM 1,010模型,对模型修改补充,将能更准确地反映动态情况。
3灰色理论与模型在交通量预测中的应用
3.1灰色模型建模机理
灰色系统建模是利用离散的时间序列数据建立近似连续的微分方程模型。在这一过程中,累加生成运算(AGO)是基本手段,其生成函数是灰色建模、预测的基础。
x(x)(k)来自所收集的描述过去、现在状况的数据,是构造系统数学模型的依据。在贫信息情况下,用概率统计方法寻求其统计规律,或用模糊统计方法寻求其隶属规律是困难的,但对于离散过程,在一定程度上相对强化确定性(规律性)和弱化不确定性是可能的,其途径就是通过累加生成运算得到生成时间序列x(1)(k)。生成时序与原始时序相比,明显的波动和随机性被弱化了,确定性增强了。此时在生成层次上求解得到生成函数。据此建立被研究对象的模型,通过生成序列的数据GM模型得到预测值。即将x00100k拟合成一阶线性微分方程:
进一步求得时间响应函数:
作逆生成(还原)处理,得还原模型为:
3.2灰色模型预测方法
(1)建立模型
步骤1设有原始数据序列
对x(0)作一次累加后生成序列
做累减还原:可以得到还原成原始序列的预测模型:
步骤4进行残差修正
记残差为类似步骤一到步骤三,对残差建立灰色预测模型得到残差灰色预测模型
式中η(k-i)=1(k>i)或η(k-i)=0(k≤i),i为未参加建立模型的残差个数。同样作累减还原,即得到最终的预测结果。
(2)精度检验
灰色预测模型一般采用相对误差e(k)、后验差比值C以及小误差频率P这3个指标对模型精度进行评价,计算公式如下:
(3)小误差频率
一个好的预测模型C值越小越好,一般要求小于0.35,最大不超过0.65。预测模型好坏的另一指标是小误差概率P,要求大于0.95,不得小于0.70,具体精度要求见表1:
3.3残差灰色模型预测方法在公路货运量预测中的应用
货运量灰色预测模型建立。基于现有的调查统计资料,结合相关项目开展的交货运调查,以及货运量增长的趋势来预测某一段时间内的货运量,进而应用灰色理论进行预测模型的研究。本研究运用灰色理论对郑州公路货运量数据建立灰色预测模型,对模型进行精度检验,并对未来货运量进行预测。根据相关资料,郑州历年公路货运量如表2所示。
有已知得:x07=7 147829,18 062,19 236,20 736,23 505,23 7787,利用MATLAB软件计算得到参数
计算结果见表3:
精度检验结果为C=0.13,P=1,预测精度等级为好,不需要进行修正。
4 结束语
基于灰色系统理论,利用灰色模型对信息的模糊性、影响因素的随机性的弱化,挖掘潜在规律,建立适合道路交通量灰色预估模型,能较好的实现了公路货运量的预测。经过与既有实测货运量的比较,预测精度良好,同时该模型对未来货运的预测基本符合本地区经济、社会快速发展趋势,故该模型能基本满足工程实践中对公路货运量的预测要求,为正确确定未来货运量的发展趋势提供科学依据。因此利用灰色理论进行公路货运量的预测不失为一个切实可行的方法。
摘要：论述了灰色预测模型在公路货运量预测中的应用技术、方法与程序。该方法利用了累加生成手段和微分方程描述的灰色模型,与目前常规货运量预测理论和模型相比,可有效地处理小样本、贫信息的不确定系统,并在一定预测时段内具有良好的预测精度和实用性。
关键词：灰色预测摸型,累加生成,公路货运量预测
参考文献
[1]邓聚龙.灰色系统系统理论教程[M].武汉:华中理工大学出版社,1990.
[2]邓聚龙.灰色控制系统[M].武汉:华中工学院出版社,1985.
[3]傅立.灰色系统理论与应用[M].北京:科学技术文献出版社,1992.
[4]张新天,罗晓辉.灰色理论与模型在交通量预测中的应用[J].公路,2001(8):4-7.
[5]周茵.残差灰色预测模型在物流需求预测中的应用[J].现代物流,2007(11):59-61.
铁路物流园区及货运量预测分析 篇6
关键词：铁路,物流园区,货运,问题分析
铁路货运运输在我国传统运输行业占有非常重要的地位,是我国国民经济发展的大动脉,拥有运力强、辐射广等诸多优势。但目前铁路货运运输的发展已经进入瓶颈期,迫切需要进行改革。新兴物流产业的出现给铁路货运运输改革带来了契机,建设铁路物流园区不仅有助于推动铁路货运运输的再次飞速发展,而且有助于促进现代物流服务产业更加高效的运转。
1 铁路物流园区的含义,建设的必要性以及可行性
1.1 铁路物流园区的含义
铁路物流园区的建设和铁路运输关系密切关,但是很多与铁路相关的物流园区却依然不能称之为铁路物流园区。铁路物流园区不但要具备普通物流园区的共性,而且还要具备其固有特点:①在园区的选址上,它因为要作为区域物流中枢,所以一般只能建于铁路中枢城乡附近,周围还要临近公路或码头等物流集散地等;②在功能上,它不但要覆盖产品简易包装、仓储、管理、配送等功能,而且还要能够满足铁路货运的平时工作;③在对象上,包括了需要经铁路往公路、码头等地运送出发货物和到达货物;④在趋势上,随着互联网和信息技术的发展,铁路园区运作模式要高度的自动化和信息化。
铁路物流园区的建设依托大型铁路中枢,把铁路货运运输作为中心,集铁路货运、公路货运、港口货运为一体,是一个大型的货运集散地和运输平台。在这个平台上,人们能够实现对现有资源的有效配置,产生最大的经济效益和社会效益。
1.2 建设铁路物流园区的必要性
铁路货运运输的发展已经步入瓶颈期,它的下一步发展需要进行铁路物流园区的建设,这有助于其整合现有资源,提高在市场中的竞争力。在日渐开放的竞争激烈的货运运输市场,想要提升竞争力和经济效益,就必须提供更加优质的服务来吸引客户。铁路物流园区的先进管理理念和设备技术可以有效改变传统铁路货栈设备落后、效率低下的问题,可以更加规范其运作方式和运转效率,从根本上提升其市场竞争力。
1.3 建设铁路物流园区的可行性
第一,随着现代物流产业的快速兴起和发展,现代物流园区借助其先进的设备、良好的作业环境、高效的作业效率吸引了众多的客户和货物,迅速形成了大型的货物集散地,铁路物流园区建设的基本建设条件已经具备。
第二,现代物流园区通常建在经济发达和运输便利的枢纽城市,这种城市原本就是货运运输产业发展的重点地域。现代区域经济进一步发展对运输行业提出了网络化、全程化、多样化服务的要求,铁路物流园区建设的客观条件已经具备。
第三,传统铁路货站使得铁路物流园区的建设拥有先天的优势,而铁路物流园区的建立必然能带给政府和企业更大的社会效益与经济效益,铁路物流园区建设的政策条件已经具备。
2 铁路物流园区的建设原则与货运量分析
2.1 铁路物流园区的建设原则
铁路物流园区的建设投资大、资金回收时间长,所以建设的考察和设计非常重要,这些建设原则必须贯穿整个建设过程:
①最大限度的对铁路物流园区设备进行利用:要充分考虑好铁路货运行业作业特点,同时对园区内部多种货运作业方式进行协调,加强和提高对现有设备的共享率。
②合理规划货物作业流程:应该根据不同货物的特性对货物的作业流程进行不同的规划,避免不同货物作业出现干扰或冲突。
③合理控制园区建设规模:要根据现实情况一步一步开展园区建设,不能盲目追求一步到位。园区的建设要用园区内部的“物流量”当作依据。
2.2 预测分析铁路物流园区的货运量
“物流量”指的是物流活动的各个作业环节产生的实物(物料、零部件、半成品、产成品等),在物流活动的整个过程中(包括静止与运动)的数量的总和。主要包括货运量、配送量以及库存量。货运量的分析和预测数据是园区发展的重要参考指标,它可以为合理设定物流园区规模提供出科学的依据。
①园区货运量预测的流程。
对物流园区货运量的预测与一般的经济预测的方法是不同的。一般开展的经济预测的预测对象是稳定的,不需要对内部变动进行考虑,只需要根据外界条件发生的变化开展预测。铁路物流园区货运量是一个特别的预测主体,它的运送量不仅会受到外部条件的影响,而且还与内在条件紧密相关。比如设备情况、作业能力、经营能力等。因此,要用定性分析和定量预测两种方法来进行。
从运送方向上来考虑,铁路物流园区货运量主要由两部分构成:到达运量与出发运量。从来源上分,可以分成铁路到达与铁路出发,公路到园区,经园区作业后再出发到公路等。但是通常情况下,大多货物经公路运达园区后就会经园区作业由铁路运出或者铁路卸放到园区后经由公路运出,铁路出发与由铁路到达主要构成了铁路物流园区的货运量。
②对园区货物发送量的预测。
根据对铁路物流园区货运量产生影响的因素方向不同,可把其分为“外部影响运量”与“内部影响运量”,分别用QW与QN进行表示。QW指的是园区内因不改变的情况下,由外部因素改变所造成的运量的改变;QN指的是因为园区内部条件发生变化所导致的运量的变化。可以分别从“运量组成”的角度和“区域物流”的角度对铁路物流园区货物出发量进行预测。
a.预测外部影响运量
通常预测QW的方法有以下三种:
Ⅰ.时间序列预测法。我们经常使用的时间序列预测的模型可以分为指数平滑法、增长率法、移动平均法、混沌与分形法、灰色模型法。
Ⅱ.因果关系预测法。我们经常使用的因果关系预测模型可以分为弹性系数模型、多元回归模型、重力模型等。
Ⅲ.组合预测法。不同的预测方法的侧重点和预测精度是不一样的,所以可以把多种预测方法按照科学的比例进行组合,可以得到更加精准的预测结果。
b.预测内部影响运量
通常预测QN会使用下面的方法:
Ⅰ.德尔菲法测定转移率。
Ⅱ.用运输方式经济技术特征测定转移率。
转移率乘以地区公路、水路货运总量就能计算出铁路物流园区向铁路的转运量。
③预测铁路物流园区内的货物的到达量。
预测铁路到达的货物量可以在历年由铁路到达的货物总量的基础上进行分析,可以用组合预测、因果关系、时间序列等几种方法。
预测出发量与到达量时,要充分考虑国家相关政策所产生的影响,考虑区域经济增长态势对运量造成的影响、考虑其他不可量化因素造成的影响,并根据这些因素对预测结果进行合理的调整和修正。
3 结语
铁路物流园区的建设能够有效的整合地方物流资源和货物资源,有助于提高铁路在货运运输市场的竞争能力,它是铁路货运运输由传统向现代化物流产业融入的全新的尝试,需要各方力量的携手合作。物流量的规模是铁路物流园区建设的重要参考指标,它关系到铁路物流园区能否顺利建设和运营。货运量的预测是建立在定性预测与定量预测的基础上开展的,需要整理分析更加完整、全面的相关资料,提高预测精度,使铁路物流园区得以更好的建设。
参考文献
[1]张琨.以铁路物流园区为节点的铁路物流网络的搭建及运营研究[D].大连交通大学,2015.
[2]廖瑾.G铁路物流园区布局规划研究[D].西南交通大学,2015.
基于SAS的铁路货运量预测 篇7
1.1 ARIMA模型的基本理论
ARIMA (p, d, q) 模型的结构:
其中, B为延迟算子, 为p阶自回归系数多项式; 为q阶移动平均系数多项式;p, d, q分别表示自回归阶数、差分阶数和移动平均阶数。
当时间序列是非平稳的时候, 需要对序列进行差分, 对差分平稳序列我们用ARIMA (p, d, q) 模型来拟合, 当时间序列是平稳时间序列时, d=0退化为ARMA, 当q=0, 模型就退化成了AR (p) 模型,
当p=0, 模型就退化成了MA (q) 模型。
1.2 SAS软件介绍
SAS (SAS, SPSS和SYSTAT) 是目前国际上最为流行的一种大型统计分析系统, 被誉为统计分析的标准软件。SAS系统是一个组合软件系统, 它由多个功能模块组合而成, 本文中相关操作通过SAS/ETS (经济计量学和时间序列分析模块) 模块实现。
SAS把数据存取, 管理, 分析和展现有机地融为一体。主要特点如下:
(1) 功能强大, 统计方法齐, 全, 新; (2) 使用简便, 操作灵活; (3) 提供联机帮助功能。
2 建立时间序列模型的基本步骤:
第一步:模型的识别;第二步:模型的参数估计;第三步:模型的诊断与检验。
ARIMA模型的识别、建立和预测过程中计算十分繁琐, 所以在本文中使用SAS程序对模型进行识别分析, 并作出预测。
3 ARIMA模型的应用
3.1 数据来源
本文的数据来自中国统计年鉴, 网址:http://www.stats.gov cn/tjsj/ndsj。
3.2 数据分析与建模
3.2.1 平稳性分析
时间为横轴, 原始数据为纵轴作时序图, 发现序列x有一定的线性增长趋势, 所以对原始数据x做了一阶差分, 差分后序列的自相关图和偏自相关图如图1、图2, 发现此时的序列基本平稳。
3.2.2 差分序列的白噪声检验
从图2知, 在显著性水平为0.05的条件下, 由于延迟6阶的χ2检验统计量的p值显著小于0.05。所以该序列不是白噪声序列, 有建模的价值, 我们可以对平稳序列进行建模。
3.2.3 模型的识别和建立
由于一阶差分后的序列自相关图拖尾、偏自相关图截尾, 所以d=1;根据图3, 应取1或3较合适。利用1985至2012年的数据, 分别取p=1和p=3建立模型并进行显著性检验, 比较发现p=1时预测效果更好一些, 综合考虑模型的繁简程度, 我们选定模型ARIMA (1, 1, 0) 。
模型的最终形式如下:
3.2.4 对残差序列进行检验
在显著性水平0.05的条件下, χ2检验统计量的p值都显著大于0.05, 说明残差序列为白噪声序列, 说明模型提取信息充分, 这说明ARIMA (1, 1, 0) 对序列来说是适应的。
3.3 模型预测与评价
利用本文建立的模型预测未来三年的铁路货运量, 结果为:2013年为393166.5万吨, 2014年为398799.3万吨, 2015年为405950.7万吨, 由中国统计年鉴中我们查得2013年的货运量为396697万吨, 预测值与真实值的相对误差为0.89%, 这充分说明模型拟合效果是比较好的。
4 结论
ARIMA模型预测时不必考虑其他因素的影响, 仅从序列数据自身出发建立相应的模型, 这就从根本上避免了识别主要因素和次要因素的困难, 避免了寻找因果模型中对随机扰动项的限定条件在经济实践中难以满足的矛盾。实际上这也是ARIMA模型预测与其他预测方法相比的优越性所在。
参考文献
[1]王燕.应用时间序列分析 (第二版) [M].中国人民大学出版社, 2008.
[2]宋光平.铁路货运量预测方法研究[J].北京交通大学硕士学位论文, 2007.
[3]肖枝洪, 郭明月.时间序列分析与SAS应用[M].武汉大学出版社, 2009.
[4]张世英, 许启发, 周红.金融时间序列分析[M].清华大学出版社, 2008.
我国公路货运量的建模与预测 篇8
关键词：非平稳序列,数据处理,建模,预测
一、预备知识
时间序列分析是一种分析动态数据的统计方法。而每天的公路货运量都是一个随机数, 但生活中一些数据往往看似随机却遵循一定的规律。本文主要是针对历年公路货运量做一个统计分析, 根据Box-Jenk ins建模思想对公路货运量建模。为将非平稳时间序列转化为时间序列模型我们引入乘积季节模型:
可以对不同周期的同一周期点之间的相关性进行拟合φ (B) =1-φ1B-φ2B2-...-φPBP, θ (B) =1-θ1B-θ2B2-...-θqBq用来消除同一周期不同周期点之间的相关性。
文中我们研究的货运量记为huoyunliang (t) 。
二、实证分析
根据自2009年前公路货运量市场数据, 本文选用2001~2008年公路货运量的月度数据, 如下表1所示。其中第一行为2001年1月至2001年6月的数据, 第二行为2001年7月至2001年12月的数据, 以此类推。
通过Eviews作huoyunliang (t) 的样本自相关系数和样本偏相关系数图可知序列huoyunliang (t) 的样本自相关系数函数具有递减的特征, 所以, 序列huoyunliang (t) 是非平稳的, 有一定的趋势性和季节性。为消除趋势性, 对序列huoyunliang (t) 做一阶差分, 差分后的序列可以认为其均值是稳定在零点附近的, 因此原序列的线性递增趋势被一阶差分基本消除掉了。可以用通过单位根进一步进行检验来验证我们的结论, 这里就不赘述了。为了消除该序列季节效应, 我们进一步对数据进行处理分析。经Eviews作图得知序列h uoy unliang (t) 的自相关函数值在滞后12、24期时仍与0有显著差异, 这说明经过一次季节差分后的序列仍具有季节性, 序列仍不平稳。由于一般只做一次季节差分, 所以在后面所建的模型中需要用季节AR算子UBS (简称SAR) 及季节MA算子V (BS) (简称SMA) 来消除季节性, 以建立乘积季节模型。
(一) 序列huoyunliang2 (t) 的零均值化
用Eviews对序列进行零均值化后huoyunliang3 (t) 的均值1.09e-13, 而其标准差为s=4501.357, 所以均值m落在0±2s中, 因此接受均值为0的原假设, 表明序列huoyunliang3 (t) 为零均值序列, 不必再进行其他变换, 可以直接建模。
(二) 序列huoyunliang3 (t) 模型的识别与初步定阶
序列huoyunliang (t) 经过一阶差分和一阶季节差分后, 仍具有季节效应, 因此模型中存在季节AR算子U (BS) 及季节MA算子V (BS) 。在理论上, 季节差分的阶数可以是任意的, 但是从实际建模经验来看, Box-Jenkins曾指出:通常季节差分的阶数D不会超过一阶。特别的, 对于周期s=12的月度数据序列, 季节AR算子U (BS) 及季节MA算子V (BS) 的阶数很少超过一阶, 所以, 对原序列h uoy unliang (t) 应建立AR IMA (p, 1, q) 12模型。
简单的季节模型, 是通过差分与季节差分来消除中学里的周期性的, 但是通常的情况是, 由于受长期趋势效应、季节效应和随机波动的共同作用, 又彼此之间难以分开, 所以差分和季节差分不能完全消除季节性, 因此在这引入乘积季节模型, 记ARIMA (p, d, q) × (P, D, Q) s。
模型1:ARIMA (3, 1, 3) × (1, 1, 1) 12
模型2:ARIMA (3, 1, 2) × (1, 1, 1) 12
模型3:ARIMA (3, 1, 0) × (1, 1, 1) 12
模型4:ARIMA (2, 1, 0) × (1, 1, 1) 12
模型5:ARIMA (1, 1, 0) × (1, 1, 1) 12
利用Eviews软件得到模型ARIMA (1, 1, 0) × (1, 1, 1) 12的剩余残差序列的自相关和偏相关函数图, 部分相关数据如下表2:
从剩余残差的相关图可见, 自相关系数和偏相关系数除个别外几乎都落在随机区间以内, 由此, 认为ARIMA (1, 1, 0) × (1, 1, 1) 12模型充分拟合了原时间序列。
三、预测
模型为 (1-φ1B) (1-u1B12) (1-B12) h uoy unliangt= (1-v1B12) εt
向前做3步预测, 根据差分方程预测公式可知:
所以由以上得:
四、研究结论
第一, 近年来, 我国公路运输货运量呈非平稳时间序列, 且带有一定的趋势性和季节性, 我们可以利用乘积季节模型来消除其趋势性和季节性, 从而将其转化为平稳时间序列。并建立相应的模型来预测其未来的变化。
第二, 采用统计预测的方法对公路货运量可以进行有效的预测。
参考文献
[1]王沁.时间序列分析及其应用[M].成都:西南交通大学出版社, 2008 (11) .
[2]朱慧明.时间序列ARFIMA模型的贝叶斯预测分析[J].统计决策, 2006 (04) .
[3]王丽娜, 肖冬荣.基于ARMA模型的经济非平稳时间序列的预测分析[N].武汉理工大学学学报 (交通科学与工程版) , 2003.
[4]程毛林.动态数据拟合的叠合模型及其应用[J].运筹与管理, 2005 (01) .
[5]Mario Milanese, and Carlo Novara.Set Membership Prediction of Nonlinear Time Series[J].IEEE Transactions on Automatic Control, 2005.
运量预测 篇9
交通运输在国民经济和社会发展中起着重要作用,公路客运量和货运量的预测备受重视。公路客运量和货运量受到多方影响,有系统内部因素也有系统外部因素[1]。准确预测需求量,既有利于公路等基础设施建设投资计划、货运枢纽规划合理布局以及运输生产组织高效管理,又能完善综合交通系统的规划、评价,是制定和检查运输生产计划、研究运输发展规模和速度的重要指标,对公路客运量和货运量需求的准确预测和分析具有很强的现实意义。
公路客运量和货运量常见的预测方法有灰色预测法、回归分析法、指数平滑法等[2]。这些方法虽各有优点,但都对非线性问题及一些不确定影响因素的处理不理想,可能导致误差较大、信息量丢失的问题。
笔者在前人研究的基础上,采用BP神经网络对我国客运量和货运量进行了预测。实验数取自1992-2011年中国统计年鉴。根据公路客运和货运具有较强的复杂性和非线性特点,本文选取了居民人口、公路运输长度、民用车拥有量3个指标进行预测,利用BP神经网络建立预测模型进行训练,并把结果与实际结果进行比较分析。实践证明,运用神经网络对未来数据进行预测可行性高。
1 BP神经网络
BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。在前向传递中,输入信号从输入层经隐含层(可以是一层或多层)逐层处理,直至输出层,每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播。根据预测误差调整网络权值和阈值,从而使BP神经网络预测期望输出不断逼近期望输出。BP神经网络(以只含一个隐含层为例)拓扑结构如图1所示[3]。
图1中,X1,X2,X3,…,Xn是BP神经网络的输入值,Y1,Y2,…,Ym是BP神经网络的预测值,Wij和Wjk是BP神经网络权值。BP神经网络可以看成一个非线性函数,网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为m时,BP神经网络就表达了从n个变量到m个变量的函数映射关系。
BP神经网络预测前先要训练网络,通过训练使网络具有联想记忆和预测能力,BP神经网络训练步骤:
(1)网络初始化。根据输入序列(X,Y)确定网络输入层节点数n、隐含层节点数l,输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值Wij和Wjk,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数。
(2)隐含层输出计算。根据输入向量X,输入层和隐含层间连接权值Wij以及隐含层阈值a,计算隐含层输出H。
式(1)中,l为隐含层节点数,f为隐含层激励函数,该函数有多种表达形式,本文所选函数为sigmoid:
(3)输出层输入计算。根据隐含层输出H,连接权值Wjk和阈值b,计算BP神经网络预测输出Y。
(4)误差计算。根据网络预测输出Y和期望输出O,计算网络预测误差e。
(5)权值更新。根据网络预测误差e,更新网络连接权值wij和wjk.:
式中,η为学习速率。
(6)阈值更新。根据网络预测误差e更新网络节点阈值a,b。
(7)判断算法迭代是否结束,若没有结束,则返回步骤(2)。
基于以上步骤得到BP神经网络的算法求解思路,如图2所示。
2 预测实例分析
2.1 相关历史数据
公路客运量与货运量数据主要与人数、机动车数量和公路面积有关,表1给出了我国20年的公路运量相关数据。
2.2 数据分析和处理
2.2.1 BP神经网络构建
通过对历年数据分析,确定待输入样本,输入向量为1992-2011年间人口数量、机动车数量、公路面积3项指标数据。
由于原始数据存在数据突变问题,幅值大小不一,如果直接使用,数值波动就会垄断神经网络的学习过程,使其不能反映小的测量值变化。为了计算方便并防止部分神经元达到饱和状态,需要对原始数据进行归一化处理。
通过实验得到归一化后的数据,见表2。
2.2.2 BP神经网络训练及结果
网络经过训练后才可以用于公路客运量和货运量预测,由于网络的结构相对简单,神经元的个数不是很多,训练参数设定如表3所示。
根据表3的训练参数,训练结果曲线如图3所示。
图3中横坐标表示网络训练步数,纵坐标表示网络训练误差,水平线表示设定的期望误差,曲线表示网络误差变化曲线。从图3可知,经过5 095次训练后,网络性能为0.000 649 49,网络误差达到目标值。
2.2.3 网络预测
训练好的网络还需要进行测试才可以判定是否投入实际应用。测试数据利用表1中1992~2011年的三项参数值来预测2012、2013年的客运货运量,并通过货运量预测值与实际的货运量值作比较来检验预测误差能否满足要求。应用仿真函数来计算网络输出,如图4所示。
从图4可以看出在20 年的数据中,只有客运量在2007年和2008年误差较大,其余的误差都比较小,系统可以用于预测。
2.2.4 预测结果
根据我国2012年和2013年的人口数量、民用机动车数量、公路长度3项因素预测2012年和2013年客运量和货运量,并将预测值与实际值进行比较,如表4所示。
从表3可以看出,只有2013年实际客运量和预测客运量之间差别较大,其它误差都较小。反观1992~2012年的实际客运量增加都比较平稳,增幅也比较有规律,只有2013与其它年度差别较大,所以导致预测结果相差较大。总的来说预测值与实际值还是比较接近的,有一定的参考价值。
3 结语
本文采用BP神经网络方法准确地拟合原始数据,对客运量与货运量进行了预测,最终得到了预测结果。实验表明,神经网络进行预测可行性高。由于影响客运量与货运量的因素较多,神经网络正好适合此类非线性问题,如果增加影响因素和年度数据,误差会更小。
摘要：公路客运量和货运量预测是一个复杂的非线性问题,由于影响因素较多,难以用普通的数学方法建模,而建立BP神经网络可以表达这些非线性问题。根据公路客运量货运量历史数据及其相关影响因素数据建立了BP神经网络预测模型。利用实际数据确定网络输入与输出样本,对BP神经网络预测系统进行训练和预测。通过对网络输出预测结果与实际数据的分析,验证了BP神经网络预测系统的精确性和方便性,提高了公路客运货运预测的精确性。
关键词：客运量,货运量,BP神经网络,预测
参考文献
[1]王振军.交通运输系统工程[M].南京:东南大学出版社,2008.
[2]张丽莉.基于神经网络的公路货运量预测方法研究[J].华中师范大学学报:自然科学版,2015,49(4):186-189.
[3]韩明,张积林.数学建模案例[M].上海:同济大学出版社,2012.
[4]李萍,曾令可,税安泽,等.基于MATLAB的BP神经网络预测系统设计[J].计算机应用与软件,2008,4(4):149-151.
[5]林晓言,陈有孝.基于灰色-马尔可夫链改进方法的铁路货运量预测研究[J].铁道学报,2005,27(3):15-19.