基于灰色理论和rbf神经网络民航客运量预测方法研究

《基于灰色理论和rbf神经网络民航客运量预测方法研究》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、北京交通大学硕士学位论文基于灰色理论和RBF神经网络民航客运量预测方法研究姓名：王翠申请学位级别：硕士专业：交通运输规划与管理指导教师：马建军20080601摘要准确的民航客运量预测结果是进行民航交通规划与管理的主要依据之一。论文旨在通过对民航客运量的特点进行研究，寻找提高预测精度的途径。论文首先对我国民航客运量发展趋势进行了研究，并从宏观和微观两方面分析了影响民航客运量的相关因素，在此基础上，阐述了民航客运量预测的特点，并对预测方法进行了分析。其次对民航客运量的预测方法进行了分析和比较。灰色理论在解决贫信息、不确定性问题方面具有明显的优势，适合民航客运量数

2、据的特点。论文用狄色理论模型对民航客运量进行了预测，发现模型存了一些不可忽视的缺点，使得预测误差相对较大。RBF神经网络能够以任意程度逼近任意连续函数，而且由于其超强的适应能力和学习能力，很适合非线性系统的预测问题。论文利用RBF神经网络对民航客运量进行了预测，由于小样本和原始数据不光滑等问题，使得预测的误差也相对较大。论文分别指出了灰色理论和RBF神经网络预测模型的优缺点，并利用它们的优点对民航客运量预测模型进行了优化，形成灰色一RBF神经网络预测模型。在此基础上，论文提出了灰色一RBF神经网络模型建立的思想与流程，对模型建立过程中的输入／输出数据预处理、

3、分布系数的确定以及预测结果检验等关键问题进行了分析，并提供了有效的解决途径。论文中这三个模型对民航客运量预测进行了实现，对实现结果分析与比较，得出采用灰色-RBF神经网络预测模型进行民航客运量预测，在对历史数据的拟合上和计算简便性上，更适合民航客运量的预测。关键词：RBF神经网络；灰色理论；民航客运量；预测ABSTRACTAccurateconsequenceofthecivilaviationpassengertrafficvolumepredictionisoneofthemajorbasisforcivilairtrafficplanningandma

4、nagement．Thispaperaimstoresearchingonthecharacteristicsofprediction，thepaperfindsoutthewaytoincreaseaccuracyofprediction．Thispaperfirstlystudieschina’scivilaviationpassengertrafficvolumetrends·W1lat，smore．thearticlealsoanalyzestheimpactofcivilaviationpassengertraf-6c-relatedfactors

5、frombothmacroscopicandmicrocosmicfactor．Onthebasisofthis．thispapersummarizesthecharacteristicofcivilaviationpassengertrafficvolumeprediction,andanalyzesitsforecastingmethods．Then，thispapercomparesandanalysescivilaviationpassengertrafficvolumepredictionmethods．Secondlygreytheoryhaso

6、bviousadvantagesindealingwithinadequateinformationanduncertainproblemsandissuitableforcivilaviationpassengertrafficdatacharacteristics．Thispaperforecastscivilaviationpassengertrafficvolumewithgreynleoreticalmodel．ThatmodelCannotbeignoredsomeoftheshortcomings，makingpredictionerrorre

7、lativelylarger．Afterthat,forRBFneuralnetworkcailapproximateanycontinuousfunctionwithanyprecision．Becauseofstrongadaptingabilityandlearningability,itisverysuitableforthepredictionofnon-linearsystem．ThepaperusesRBFnalraInetworktocivilaviationpassengertrafficprediction．Duetosmallsampl

8、eandroughoriginaldata,itma