基于混合神经网络的铁路货运量预测研究

为精确的预测铁路的货运量,采用了混合神经网络的方法进行建模。在分析某铁路以往货运量的基础上,确定了混合神经网络的特征参数,并根据实际情况确定了输入层和隐含层的神经元个数,从而得到了模型的结构,最终建立了一个用于预测铁路货运量的混合神经网络模型。     

基于混合神经网络的铁路货运量预测研究

为精确的预测铁路的货运量,采用了混合神经网络的方法进行建模.在分析某铁路以往货运最的基础上,确定了混合神经网络的特征参数,并根捌实际情况确定了输入层和隐含层的神经元个数,从而得到了模型的结构,最终建立了一个用于预测铁路货运量的混合神经网络模型.     

基于神经网络的湖南省货运量预测研究

文章基于神经网络模型,针对湖南省货运量进行了预测。研究表明,神经网络模型表现出了相当高的预测水准,最后指出了研究改进的方向。     

基于BP神经网络的铁路货运量组合预测

在介绍了BP神经网络及组合预测的基础上分别采用灰色预测法、S曲线以及指数函数对昆明市铁路货运量的历史数据进行了单项拟合预测,再利用BP神经网络对三项拟合预测结果进行了组合预测.结果表明,基于BP神经网络的组合预测方法比单一预测方法在预测精度上有很大提高,验证了该方法的有效性.     

基于GNNM(1.1)模型的货运量及货运周转量预测

通过各种算法对货运指标进行有效预测,对于把握未来货运发展趋势有着非常重要的作用。文章将灰色预测与神经网络预测方法进行了有机结合,建立了一个基于灰色神经网络的预测(GNNM)模型。通过模型对货运量及货运周转量进行了预测,得到了较满意的结果,表明了模型具有较高的可靠性及实用性。     

基于多因素的国家铁路货运量预测研究

本文以国家铁路货运量为预测研究对象,在选取对其产生影响的8个因素的基础上,首先,运用多元线性回归的方法来进行预测,得出了多元线性回归方程。其次,运用BP神经网络的方法以三个因素作为网络输入来进行预测,得到了更好的预测结果。最后,通过对比两种方法的预测结果,总结出了适合国家铁路货运量预测的方法。     

基于GRNN神经网络的货运量预测研究

文章以全国统计局货运量的历史数据为基本数据,考虑影响货运量的8个因素,采用GRNN模型对货运量(货运总量、铁路货运量和公路货运量)进行预测,并将结果与真实值拟合比较。结果表明:该方法在预测货运量方面能够达到较好的效果,尤其在径向基函数的扩展速度为0.4时,预测结果最好。     

波动性产品需求预测的神经网络模型

随着市场竞争的日益激烈,消费者的心里越来越复杂,这样导致了产品的需求的波动性大大增加。这种强波动性的产品需求序列中除了随机性外还存在混沌性,根据混沌理论可知,混沌的短期预测是可行的。为了有效的对这些混沌性进行预测,选择了神经网络作为预测模型,因为神经网络对非线性具有较好逼近能力。在网络结构选择中考虑了混沌序列的嵌入维数,并在隐层中加入了径向基以更好的拟合数据。在针对目前很多企业具有数据库和数据仓库的背景,给出了基于数据挖掘的具体预测方法,并通过实例演示了预测的有效性。     

基于遗传BP神经网络的川江滚装运输货运量短期预测研究

首先建立基于遗传BP神经网络的滚装运输市场货运量预测模型,然后采用川江滚装运输年度数据进行神经网络训练与预测。结果表明,遗传BP神经网络算法在预测的精度与收敛速度上均优于传统预测算法。预测结果为川江滚装运输企业战略规划和滚装运输竞争力的提高提供了决策支持。     

基于混沌保持神经元的混沌神经网络中的超混沌

神经网络是高度复杂的非线性动力系统,存在着混沌现象。本文通过消除暂态混沌神经元的模拟退火策略,产生了一种可以永久保持混沌搜索的混沌神经元。基于由四个该混沌神经元连接的混沌神经网络的拓扑结构,分析了混沌神经网络的Lyapunov指数谱,发现混沌神经网络中存在超混沌现象;同时,研究了参数变化对混沌神经网络Lyapunov指数谱的影响。     

基于集成学习的多式联运货运量预测模型构建

货运量精准预测是多式联运网络高效协同发展的重要基础,货运量时变性强、数据多样性缺失是实现精准货运量预测的问题所在。基于此,通过挖掘货物运输量(集装箱)的时间变化特征,构建初始相关时间特征输入集,结合斯皮尔曼相关性系数分布,采用Bagging+BP集成学习方法训练多个弱分类器,最终组合获取高精度的强学习模型。以南京龙潭港为例,对自回归移动平均模型(ARIMA)、Bagging+BP集成学习网络以及长短时记忆神经网络(LSTM)三种模型进行评价,实验结果表明,相比于其他模型,提出的Bagging+BP集成学习网络预测性能良好,有一定的实用价值。     

基于BP神经网络的物流量预测方法研究

人工神经网络作为重要的综合评价方法,能够解决众多非线性问题,把它运用到地区货运量的预测中,可以解决因数据资料缺失,预测结果与真实结果相差较大的问题,为物流业发展提供重要的数据参考。经过实例分析证明基于神经网络的物流量预测模型是行之有效的。     

Elman网络在短期负荷预测中的应用

文章介绍的Elman神经网络的短期负荷预测模型,具有模型简单、运算效率高的特点,并具有较好的全局最优性能,从而很好地克服了传统BP算法容易陷入局部极小点的缺陷。文章还比较了Elman网络和BP网络结构的建模效果。通过仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点,是一种实用、可靠的负荷预测方法。     

煤炭物流集散中心流量预测研究

针对以往煤炭物流货运需求预测存在的局限性,研究构建以人工神经网络为主,以其它传统预测方法为辅的物流集散中心流量预测模型,用于对煤炭物流中心的年运输需求量进行预测。组合预测分析的实质是“信息的最大化利用”公理在预测分析中的一种体现,为决策与规划提供更多的信息支持。     

广东省公路甩挂运输发展对策研究

公路甩挂运输是先进运输组织模式,发展公路甩挂运输是推动广东省传统公路运输行业向现代物流业升级的重要抓手.文章论述了广东省公路甩挂运输发展的现状,剖析了广东省公路甩挂运输发展过程中存在的问题,最后提出了推动广东省公路甩挂运输发展的若干措施.     

灰色预测模型在公路货运量预测中的应用

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。     

Automatic neural network modeling for univariate time series

Artificial neural networks (ANNs) are an information processing paradigm inspired by the way the brain processes information. Using neural networks requires the investigator to make decisions concerning the architecture or structure used. ANNs are known to be universal function approximators and are capable of exploiting nonlinear relationships between variables. This method, called Automated ANNs, is an attempt to develop an automatic procedure for selecting the architecture of an artificial neural network for forecasting purposes. It was entered into the M-3 Time Series Competition. Results show that ANNs compete well with the other methods investigated, but may produce poor results if used under certain conditions.     

货物多式运输服务网运能配置优化研究

运用离散优化方法,研究货物多式联运服务网运能配置问题,根据不同货物运输服务需求特性、各运输方式服务类型的频次以及各运输方式满足一定的运能配置和运能改造费用约束,构造了多式联运服务网络各运输方式间运能配置优化模型;利用多式联运的特点和区域组团网络结构进行算法设计,针对大规模节点采用分枝-切割进行求解可以提高求解效率;通过一个算例,对模型和算法的可行性和有效性进行了验证;最后通过敏感性分析说明了单位运能配置成本对运能配置的影响。     

异因同果关联神经网络的研究

提出了一种异因同果关联神经网络模型,可以从不同角度分别建立不同的模型,并由其得到互不相同的模型预测值。异因同果关联神经网络模型将不同角度建立的模型有机结合起来,进而能够将多个神经网络模型进行综合考虑,得到一个综合的统一的模型预测结果。研究了新型模型的机理,结合实例进行仿真并与传统的神经网络模型的预测仿真结果比较,结果表明新型模型具有更高的预测精度。