基于改进神经网络的铁路货运量预测研究

《基于改进神经网络的铁路货运量预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中南大学硕士学位论文基于改进神经网络的铁路货运量预测研究姓名：吴晓玲申请学位级别：硕士专业：交通运输规划与管理指导教师：符卓20091101摘要铁路货运量反映了国民经济各个部门对铁路运输的需求，是安排铁路建设和运营的重要依据，也是处理好铁路内部各部门协调发展的前提。在市场经济条件下，对不断变化的铁路运输需求进行及时、灵敏、准确、科学地预测，显得尤为迫切与重要。但是铁路货运量是由众多内外在因素共同影响而成的，它与其影响因素之间有着比较复杂的非线性映射关系。而传统的预测方法大都是基于时间序列或者因果关系的，所建立的模型不能完全反映有关数据的内部结构与复杂性，不能充分利用信息量。因此寻

2、求一套科学的铁路货运量预测方法尤为必要。本文首先阐述了铁路货运量预测问题的研究意义，分析了铁路货运量预测问题的研究现状，叙述了本文的主要内容。然后从定性及定量的角度分析了铁路货运量的现有预测方法，并在历年数据的基础上利用指数平滑法、线性回归法、灰色预测法及组合预测法作实证分析。接着从国民经济、产业结构、大宗货物产量、交通运输结构、国家政策、其他因素等诸方面定性分析了铁路货运量的影响因素，并在此基础上做定量分析，选出了铁路货运量的十种主要影响因素，为之后的神经网络算法做好前期准备工作。本文在人工神经网络及遗传算法理论的基础上，设计了一种改进的前向神经网络算法——遗传神经算法，并在M

3、ATLAB平台上编程实现了该算法。最后，分别比较遗传神经算法与原始神经网络算法，遗传神经算法与其他线性预测算法，分析各算法的优劣势。通过对该问题的研究，作者认为：铁路货运量与国内生产总值、第二产业比重、原煤产量、原油产量、钢材产量、粮食产量，基建投入，港口货物吞吐量，铁路份额，公路份额等因素具有较大的关系；本文所设计的遗传神经算法在算法运行收敛时间及解的质量精度上都比原始神经算法要有所改进提高，具有一定的可行性。关键词铁路货运量，定性分析，定量分析，人工神经网络，遗传算法硕上学位论文英文摘要ABSTRACTTherailway矗eightv01umec锄renectthetra所

4、cdemandsoftheVariousnationaleconomydepanments；itisnotonlytheimportantbasisoftllecons咖ctionsandoperationsbutalsothepreconditionforcoordinatingdeVelopmentofthe洫temaldepanmentsoftherailway．Undertheconditionofmarketeconomy，itseemstobepanicularlyu唱entandimportantt0predictthechangeabIerailwaytransp

5、ortationdemandpromptly’sensitiVely'accuratelyandscientifically．Buttherailway6Ieightvolumeisafj

6、’ectedbyanumberofintemalandeXtemalfactors，andtherelationtomeinnuencingfIactorsiscomplexandnonline越Howeverthemosttraditionalforecastingmethodswhichbasedonthetimeseriesorthecausali坝can’treneCtthedatas

7、tructureandthecompleXiWoftheproblem，andalsocan’ttake如Uuseoftheinfomlation．Soit’simportantandnecessa巧toseekaseriesofscientificforecastillgmethodtoforecasttherailway肫ightVolume．First，thethesisputsforwardmesignificanceofthe仔eimvolumeforecasting，analyzesthecurrentstudiesandtheproblemson矗．eightvol

8、umeforecasting，anddescribesthemaincontentofthisthesis．Thenitintroducestheexistingmethodsforforecastingtllerailway仔eightvolume仔omqualitativeandquantitativeview．EmpiricalanalVsisismadebytheexponentialsmootlling，linearregression，grayforecastmode