基于灰色神经网络融合算法的油料消耗量预测研究

后方油库油料消耗量指的是在油料供应过程中．以调拨、转供或代供的形式从本油库发出的油料数量,消耗量的科学预测是油料供应管理过程中重要的一环。本文通过对灰色RBF神经网络的研究,建立了基于灰色神经网络融合算法的油料消耗预测模型。并利用实例验证了模型的实用性。     

改进BP神经网络在铁路客运量预测中的应用

介绍BP神经网络预测模型的优点及不足,提出运用主成分分析法、灰色关联分析法对BP神经网络结构进行优化,同时运用自适应遗传算法对神经网络的权值和阈值进行优化。运用改进的BP神经网络对客运量进行预测,经多种指标对预测精度进行评价,证明改进的BP神经网络在交通运输需求预测中具有实用价值。     

基于灰色-马尔科夫预测模型的售票窗口客流量预测研究

由于每天购票客流量不同,导致铁路售票窗口开放数也不同,提前预测每天的购票客流量成为研究的关键。为系统全面地对售票窗口优化问题进行研究,采用灰色-马尔科夫预测模型对兰州站非高峰期的客流量进行预测,确定将来某一天的客流量,并对比分析灰色-马尔科夫预测模型的预测结果与灰色预测模型的结果,发现基于灰色-马尔科夫预测模型得到的客流量比较接近实际值,表明在求解售票窗口客流量预测问题上,灰色-马尔科夫预测模型具有一定的可行性与有效性,可以提高铁路客运站整体工作效率,促使铁路客运服务质量得到大幅度提升。     

组合预测模型在铁路集装箱运量预测中的应用

根据我国铁路集装箱运输发展,研究构建集装箱运量预测模型和方法.基于1999-2008年铁路集装箱运量历史数据和GDP数据,分别选用回归分析模型、灰色系统预测模型、BP神经网络预测模型,预测2009-2014年铁路集装箱运量,根据各方法的误差确定权重,进行了运量组合预测.组合预测模型能在一定程度上提高预测精度,对铁路集装箱运量预测是可行的.     

基于灰色动态神经网络的油料装备制造成本预测

在分析油料装备制造成本影响因素的基础上，建立了基于灰色动态神经网络预测油料装备制造成本预测模型。提出灰色动态神经网络结构，论述了数据预处理与灰色预测方法，采用隐含层维数动态调整算法优化网络结构。通过应用实例阐明该模型的研究，可有效地提高油料装备制造成本预测的精度.     

基于BP神经网络的物流需求量预测框架设计

结合物流需求量预测过程的实际情况,采用BP神经网络技术,建立基于BP神经网络的物流需求量预测模型。通过有效样本的学习,应用该模型能够实现对物流预测数据指标关系、知识和经验的提取和存储,给出预测模型和流程图框架设计。同时分析了在预测过程中存在的问题,以及预测指标体系进一步研究的方向。     

灰色RBF神经网络模型在军用油料消耗预测中的应用

油料消耗需求预测，是通过对各部队历史油料消耗统计的归纳分析，采用适当的预测模型，推算其在下一时间节点前所需的油料品种、数量的决策活动。科学预测部队油料消耗量对用油单位编报申请计划，油料管理部门分配油料指标以及上级调拨决策人员制定订购、调拨计划都具有重要的辅助决策意义。     

基于广义回归神经网络的铁路货运量预测

针对BP神经网络预测存在局部极小缺陷和收敛速度慢的问题,提出基于广义回归神经网络(GRNN)的预测模型。基于我国1999—2008年铁路货运量的历史统计数据,应用GRNN模型和混沌BP神经网络模型对铁路货运量进行预测。通过两种预测模型的计算结果比较说明,GRNN模型具有良好的收敛性和较高的精度,而且模型结构简单、计算速度快,具有良好的实用性。     

“丝绸之路经济带”背景下兵团物流需求方法研究

为更好地服务于丝绸之路经济带建设,促进新疆生产建设兵团区域经济发展,通过分析影响兵团物流需求量的因素,确定兵团物流需求主要影响因素。结合兵团的实际情况与预测方法的适用条件,分别选择灰色预测模型、BP神经网络模型和灰色-BP神经网络组合预测模型对兵团物流需求量进行预测。最后通过实证分析得出组合模型的精度最高,并应用灰色-BP神经网络组合预测模型对兵团的物流需求进行预测,为兵团区域物流总体规划提供参考依据。     

基于ABC和BP神经网络的铁路货运成本预测研究

运用作业成本法,结合BP神经网络理论建立铁路货运成本预测模型。通过案例分析,得出BP神经网络可以更准确的预测铁路货运成本费用的结论。     

基于支持向量机的油料消耗预测模型研究

油料消耗预测是科学地进行油料供应管理工作的重要环节。当前部队油料消耗突发性强、可借鉴历史数据少，必须使用最近一段时间的油料消耗数据作为预测数据，即是有限样本。在此基础上提出支持向量机进行预测。     

基于灰色预测理论的油料消耗预测优化

本文运用灰色预测理论建立了油料需求灰色预测模型，并以某部队8年的油料消耗量为例，对2012年油料消耗量进行了预测，与真实数据相比，精度高误差小，在此基础上，预测了该部队2013年油料需求量，为提高部队油料保障质量提供了理论借鉴。     

军队油料消耗预测策略研究

首先对纷繁复杂的科学预测方法进行归纳，详细分析了其中具有代表性的七种预测方法，并总结了每种方法的特点和适用条件，进而提出了军队油料消耗预测方法选取原则，最后提出了军队油料消耗预测策略，为建设油料管理专家系统提供基础性探索和研究。     

可变编组动车组短期不同席别客流预测研究

针对高速铁路短期不同席别客流做出准确预测,可以提高不同席别客流与动车组编组之间的匹配程度,尽可能做到按需按流配车,实现经济和社会效益最大化。运用熵值法、变异系数法及BP神经网络的组合方法,构建可变编组动车组短期不同席别客流预测模型。该模型以BP神经网络算法为主,通过对往年高速铁路不同线路客流数据进行分析处理,辅以熵值法和变异系数法去除影响高速铁路不同线路席别客流数据的基础因素和随机因素,采用获得的影响系数对BP神经网络运算数据进行修正,以实现短期不同席别客流需求的预测。案例分析表明,该模型在短期不同席别客流预测上具有良好的精确度。     

基于径向基神经网络的铁路短期客流预测

在分析径向基神经网络原理和铁路客流时序特征的基础上,建立基于径向基神经网络的铁路短期客流预测模型,通过径向基神经网络把客运量的年规律、周规律等时间属性有机结合,有效解决客流数据的复杂性和非线性问题。以T15次列车为例进行硬座席别的客运量预测结果表明,径向基神经网络预测模型对铁路短期客流的预测效果较好。     

运用前向神经网络法预测铁路客运量

为提高铁路客运量的预测精度,应用一种非线性预测方法:多层前向神经网络建立铁路客运量预测模型。在介绍误差修正学习算法和误差反向算法的基础上,通过预测实例计算,与其他3个常用预测模型:多元回归模型、简单移动模型和平均移动模型进行预测比较,结果表明误差反向算法的多层前向神经网络模型预测精度最高。     

基于IPSO-BP神经网络的铁路客运量预测

在分析有关铁路客运量预测方法的基础上,针对BP神经网络模型存在的不足,提出基于粒子群优化算法(PSO)优化BP神经网络的参数,即改进的PSO方法(IPSO)。以我国1990—2007年的铁路客运量为研究对象,确定输入样本和输出样本,以及训练集和测试集,建立基于IPSO的BP神经网络优化模型预测铁路客运量。预测结果表明,IPSO-BP网络的算法训练时间短,收敛速度快,预测精度高。     

模糊神经网络非线性组合预测在铁路货运量预测中的应用

准确的铁路货运量预测关系到铁路运输的发展,为此提出模糊神经网络非线性组合预测模型,应用三次指数预测模型、灰色理论预测模型、多元回归预测模型的预测值作为模糊神经网络的测试样本数据库,输出样本为铁路货运量,并采用全局优化的粒子群算法优化模糊神经网络的参数。仿真结果表明该模型能够取得比单项预测模型更高的精度。     

基于BP-SA混合优化策略的铁路货运量时间序列预测

铁路货运量的时间序列预测可以看为一个从输入到输出的非线性影射。神经网络尤其是BP神经网络,被广泛用于非线性逼近问题。但是,BP算法训练神经网络速度慢、易陷入局部极值。而模拟退火算法(SA)具有很好的全局寻优性。因而提出混合优化策略,即将反向传播算法(BP)和模拟退火算法(SA)结合起来训练神经网络,来实现铁路货运量的时间序列预测。与单纯的BP算法比较,数值计算结果表明BP-SA混合优化策略具有较高的速度和精度。     

基于RBF神经网络的铁路旅客周转量预测研究

为实现对一定时期内旅客周转客流量进行有效预测,在分析RBF神经网络原理和铁路旅客周转量数据统计的基础上,结合时间序列归一化转化分析方法,建立基于RBF神经网络的铁路旅客周转量预测模型。选取2000—2013年实际的旅客周转量数据对神经网络模型进行训练,并用2014—2015年数据对模型精度进行可靠性检验。检验结果表明,RBF神经网络模型具有可靠的预测精度,可以有效地对铁路旅客周转量进行预测,从而更好地为铁路运输组织、站场线路设计等提供可靠的依据。