基于RBF神经网络的货运量预测模型研究

论文摘要

作为运输基础设施建设的投资决策基础,货运量预测在国家和区域经济发展规划中具有十分重要的意义。货运量预测的研究目标就是如何在运输系统中挖掘出有效的信息,利用预测模型对这些数据和信息进行加工,从而为交通管理部门和运输企业提供准确高效的货运量预测,方便相关部门和企业单位合理安排运力,实现对货运过程的控制。关于货运量预测的研究已有很长的历史,在实际中一般都采用定量预测的方法。时间序列分析法和回归分析法都是基于经典统计学的方法,它们的模型构造已经非常成熟,在货运量预测上有一定的应用;灰色预测法和神经网络法是当前预测研究领域中的热点,有很大的研究空间。尤其是径向基函数(Radial Basis Function,RBF)神经网络,它具有最佳函数逼近性能和全局最优特性,是目前其它方法所无法比拟的。本文在分析了国内外研究现状的基础上,采用RBF神经网络进行货运量预测。由于传统RBF神经网络在学习前需要通过经验公式或实验者人为确定网络结构,这样训练出的网络往往并非最优。对此,本文改进了RBF神经网络的学习算法,提出了一种基于聚类的动态自生成隐含层节点的思想。它是一种两阶段学习算法,先通过聚类得到中心和扩展常数,后通过最小二乘法得到输出权矩阵。在网络参数学习的同时网络结构也在进行调整,使得误差不断减小。本文在MATLAB7.0平台上编程实现了该学习算法,并通过两组函数实例验证了动态聚类算法的学习效率和外推逼近能力。针对一些应用实例采用了两次预测的方式,本文在将动态聚类学习算法应用到货运量预测实例时,又定义了一个融入了时域信息的延拓矩阵。其基本思路是采用一个拓展的矩阵来改善输入输出数据的对应结构,简化预测过程,使神经网络的学习数据能够在更大程度上得到利用,从而有效的加强RBF神经网络的学习,消除累积误差。最后,将基于延拓矩阵的动态聚类学习算法应用到公路货运量预测和货运总量预测模型中,实验结果证明了基于延拓矩阵的动态聚类学习算法是行之有效的。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景、目的和意义
• 1.2 国内外研究现状及面临的问题
• 1.2.1 定性预测方法
• 1.2.2 定量预测方法
• 1.3 本文的主要工作和创新之处
• 1.4 本文结构
• 第二章 人工神经网络概述
• 2.1 人工神经网络的发展
• 2.2 人工神经网络的工作原理及特点
• 2.3 神经网络模型分类
• 2.3.1 按网络拓扑结构划分的神经网络
• 2.3.2 按网络学习模式划分的神经网络
• 2.4 RBF 神经网络
• 2.4.1 RBF 神经网络的基函数
• 2.4.2 RBF 神经网络的结构
• 2.4.3 RBF 神经网络的学习算法
• 2.4.4 RBF 神经网络的应用及优点
• 2.4.5 RBF 神经网络存在的问题及研究现状
• 第三章 基于延拓矩阵的RBF 货运量预测改进模型
• 3.1 基于延拓矩阵的 RBF 货运量预测模型的提出
• 3.1.1 现存问题的分析
• 3.1.2 解决方法
• 3.1.3 基于延拓矩阵的RBF 货运量预测模型的优势
• 3.2 基于延拓矩阵的 RBF 货运量预测改进模型
• 3.2.1 货运量的关联因素与时域因素选取模块
• 3.2.2 数据预处理模块
• 3.2.3 延拓矩阵生成模块
• 3.2.4 RBF 货运量预测改进模型
• 3.3 模型的实现过程
• 3.3.1 模型开发环境
• 3.3.2 改进模型的总体设计
• 3.3.3 核心模块的伪码设计过程
• 第四章 RBF 神经网络的动态聚类学习算法实验
• 4.1 渐增函数逼近实验
• 4.2 动态聚类算法的运行效率实验
• 4.3 公路货运量预测实验
• 4.3.1 公路货运量的延拓矩阵生成
• 4.3.2 样本集划分与误差分析
• 4.4 货运总量预测实验
• 4.4.1 货运总量的延拓矩阵生成
• 4.4.2 样本集划分与误差分析
• 第五章 总结与展望
• 5.1 总结
• 5.2 本文的不足与展望
• 参考文献
• 附录 I 公路货运量原始数据
• 附录 II 货运总量原始数据
• 发表论文和科研情况说明
• 致谢