基于RBF神經(jīng)網(wǎng)絡(luò)的貨運(yùn)量預(yù)測(cè)模型研究.pdf

1、作為運(yùn)輸基礎(chǔ)設(shè)施建設(shè)的投資決策基礎(chǔ)，貨運(yùn)量預(yù)測(cè)在國家和區(qū)域經(jīng)濟(jì)發(fā)展規(guī)劃中具有十分重要的意義。貨運(yùn)量預(yù)測(cè)的研究目標(biāo)就是如何在運(yùn)輸系統(tǒng)中挖掘出有效的信息，利用預(yù)測(cè)模型對(duì)這些數(shù)據(jù)和信息進(jìn)行加工，從而為交通管理部門和運(yùn)輸企業(yè)提供準(zhǔn)確高效的貨運(yùn)量預(yù)測(cè)，方便相關(guān)部門和企業(yè)單位合理安排運(yùn)力，實(shí)現(xiàn)對(duì)貨運(yùn)過程的控制。關(guān)于貨運(yùn)量預(yù)測(cè)的研究已有很長的歷史，在實(shí)際中一般都采用定量預(yù)測(cè)的方法。時(shí)間序列分析法和回歸分析法都是基于經(jīng)典統(tǒng)計(jì)學(xué)的方法，它們的模型構(gòu)造已經(jīng)

2、非常成熟，在貨運(yùn)量預(yù)測(cè)上有一定的應(yīng)用；灰色預(yù)測(cè)法和神經(jīng)網(wǎng)絡(luò)法是當(dāng)前預(yù)測(cè)研究領(lǐng)域中的熱點(diǎn)，有很大的研究空間。尤其是徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)，它具有最佳函數(shù)逼近性能和全局最優(yōu)特性，是目前其它方法所無法比擬的。 本文在分析了國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行貨運(yùn)量預(yù)測(cè)。由于傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)前需要通過經(jīng)驗(yàn)公式或?qū)嶒?yàn)者人為確定網(wǎng)絡(luò)結(jié)構(gòu)，這樣訓(xùn)練出的網(wǎng)絡(luò)往往并非最優(yōu)。對(duì)此，本文改進(jìn)了RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，提出了一

3、種基于聚類的動(dòng)態(tài)自生成隱含層節(jié)點(diǎn)的思想。它是一種兩階段學(xué)習(xí)算法，先通過聚類得到中心和擴(kuò)展常數(shù)，后通過最小二乘法得到輸出權(quán)矩陣。在網(wǎng)絡(luò)參數(shù)學(xué)習(xí)的同時(shí)網(wǎng)絡(luò)結(jié)構(gòu)也在進(jìn)行調(diào)整，使得誤差不斷減小。本文在MATLAB7.0平臺(tái)上編程實(shí)現(xiàn)了該學(xué)習(xí)算法，并通過兩組函數(shù)實(shí)例驗(yàn)證了動(dòng)態(tài)聚類算法的學(xué)習(xí)效率和外推逼近能力。針對(duì)一些應(yīng)用實(shí)例采用了兩次預(yù)測(cè)的方式，本文在將動(dòng)態(tài)聚類學(xué)習(xí)算法應(yīng)用到貨運(yùn)量預(yù)測(cè)實(shí)例時(shí)，又定義了一個(gè)融入了時(shí)域信息的延拓矩陣。其基本思路是采用