基于预测公路运量的模型求解
摘要
科学准确地预测公路货运量是制定公路网规划的基础。公路货运量的预测方法有很多，可以根据不同的情况选择不同的预测模型。
首先运用MATLAB的 BP神经网络组合预测模型，灵活利用神经网络通过自适应自学习能够拟合任意非线性函数的功能，有效克服传统的组合预测方法，在实际应用中把数据间的关系强加给某一类函数的不足，并借助于数学计算软件进行编程，大大降低模型的计算难度，预测出2010年和2011年的公路客运量和公路货运量。实例证明该方法具有很高的预测精度。
本次基于预测公路运量的问题，根据往年20年的数据，主要从人口数量、机动车数量、公路面积这几个方面考虑，先借助于matlab软件，从神经网络组合预测模型入手，预测出2010年和2011年的公路客运量和公路货运量。然后根据回归的知识，运用excel的强大功能预测出的2010年和2011年的公路客运量和公路货运量。最后两者进行对比，列出各自的优缺点。
预测结果如下：
用BP神经网络预测结果：2010年和2011年的公路客运量分别为 43370万人和43372万人；货运量分别为21770万吨和21771万吨。
用线性回归预测结果：2010年和2011年的公路客运量分别为 51011.91603万人和53092.16135万人；货运量分别为26050.09655万吨和28545.83948万吨万吨。
关键词：MATLAB；组合预测；BP神经网络；excel统计分析
1、问题重述
1.1基本情况
公路运量主要包括公路的客运量和公路货运量两个方面。据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表1给出了20年得公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量单位为万两，公路面积的单位为万平方千米，公路货运量单位为万吨。
根据有关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积将分别为0.9880和1.0268万平方米。
1.2、相关信息（见附件）
附件1：某地区20年公路运量数据
1.3、需要解决的问题
1.请利用BP神经网络预测该地区2010年2011年得公路客运量和公路货运量。
2.请利用其他方法预测该地区2010年2011年得公路客运量和公路货运量。
3.比较两种方法的优缺点。
2、符号约定
Wi (i=1,2,3,4) 依次表示由人口数量，机动车数量，公路面积，年份预测出的公路客运量。
Zi （i=1,2,3,4）依次表示由人口数量，机动车数量，公路面积，年份预测出的公路客运量。
ai （i=1,2,3,4）依次表示人口数量，机动车数量，公路面积，2010年
Bi （i=1,2,3,4）依次表示人口数量，机动车数量，公路面积，2011年
3、问题分析
运输需求预测是公路网规划、区域发展规划、基础建设投资决策及运输生产组织管理的基础，对交通运输需求的预测分析具有重大的社会意义和经济意义。可见，公路货运量的预测举足轻重，可靠的预测结果是进行规划的前提，决定着整个规划的成功。
公路货运量的预测方法有很多，由于不同的预测模型的预测机理不同，往往能提供不同的有用信息，反而单独采用某一种模型往往有其局限性，因此可以根据不同的情况选择不同的预测模型。本文将运用BP神经网络组合预测模型、excel中的线性回归解决公路货运量的预测。并进行比较两种方法的优势与缺陷。
4、基本假设
1)公路运量主要与人数、机动车数量、公路面积相关；
2)公路运量次要与年份挂钩；
3)公路运量不受道路破坏及其他不可抗力的影响；
4)公路运量不受其他公路的影响；
5)公路运量不受车祸等人为因素影响。
5、模型的建立与求解
5.1、BP神经网络预测公路货运量。
5.1.1、BP神经网络组合预测模型背景介绍
BP神经网络组合预测模型是一种组合预测模型，组合预测一般是指将两种或者两
种以上的预测方法所得到的预测结果选取适当的权重进行加权平均的预测方法。
交通运输是国家重要的基础产业,对国民经济的发展有着举足轻重的作用,同时对区域产业经济结构的发展也有直接的影响.公路运输系统作为交通运输系统的一个子系统,在交通运输系统中的主导作用也日益凸显.近年来,我国交通基础设施和运输装备不断改善,为公路运输市场的快速发展创造了有利条件.在公路运输生产中,公路运输量是反映交通运输业生产成果的重要指标。随着计算机技术和神经网络技术的日趋成熟,许多学者应用神经网络技术对货运量进行预测;一些学者应用神经网络技术和其它预测方法(如灰色理论、二元回归模型、弹性系数法等)建立的公路货运量组合预测模型具有较高的预测精度.研究表明,目前基于BP神经网络的公路运输量预测研究中,以对公路运输运量(客货运量)的预测,尤其对货运量的预测居多.反映公路产量的指标还有客货周转量,它更能综合反映公路运输部门为社会提供运输服务的能力,对公路网规划、建设和管理更具有指导意义.本文应用BP神经网络预测方法,建立福建省公路旅客周转量和货物周转量的预测模型,并对其进行科学预测.
5.1.2 MATLAB应用于BP神经网络的货运量组合预测模型
MATLAB(MArrrix LABoratory)提供的神经网络T具箱(NNToo1)是其开发的多种T具
箱之一，该工具箱提供了很多简单实用的函数，可以大大简化编程的丁作量MATLAB应
用于BP神经网络进行货运量组合预测计算，其主要计算步骤如下。
1.数据预处理
由于神经元的响应函数为Sigmoid函数，因此输入值(输出值)都在(0，1)之间，
必须对样本进行预处理。具体可以采用下式对单项预测值进行预处理：
（4）
输值的处理为：
（5）
据式（5）进行处理之后，即可得到预测值。
2.确定网络结构，初始化权重
确定网络结构主要是确定隐层的神经元个数。隐层神经元个数太多会降低网络的泛化功能．而且会使训练时间加长，降低系统的效率：太少则不能达到所要求的训练误差。一般根据试算确定，也可以参考以下公式：，其中f为隐层神经元个数，n、m分别为输入神经元个数和输出神经元个数。
初始化网络的权值和阈值．可以采用MATLAB提供的初始化函数newff()建立一个BP神经网络：
BTF，BLF，PF、式中，P为输入矩阵；【S1，S2，?，Sn】表示隐含层和输出层神经元的个数；[TF1，，?，TN1]表示网络隐含层和输出层的传输函数： 1表示网络的反向训练函数：BLF表示网络的反向权值学习函数； 1表示性能数；net为新生成的BT神经网络。
3.网络训练
MATLAB提供了许多训练不同神经网络的函数，使得对神经网络的训练变得异常简单，其中，由动量的梯度下降法中附以自适应，r的训练函数为traingdx．函数的结构为：
其中，net，P S1，S2，?，5 ，[ l，TF2，?，TNI]的意义同上。当网络的训练达到了最大训练次数，或者是网络的误差平方和小于期望最小误差值时，网络就会停止训练。
4.对训练好的网络进行检验，判断是否具有良好的泛化功能
把样本输入训练好的网络中，判断输出值是否与已知的样本值相符，如果相符，即说明该网络具有很好的泛化功能，能够应用于预测计算；否则，就要调整网络．或者增大训练的样本数，对网络进行再次训练。该过程可以采用MATLAB中的函数sim()
来实现。sire的表达式为：A=sire(net，P)，其中，4为输出数据，P为输入样本数据，其他参数意义同前。该过程还可以用传递函数分步实现。
5.用训练好的网络进行模拟预测，得到所要的预测值
通过预测的过程和所采用的函数进行模拟，输入数据P为要预测的输人数据，输出数据A就是所要得到的预测数据。从而通过训练好的网络进行模拟预测，得到所要的预测值。
5.1.3、运用BP网络建模应用公路货运量预测
根据题意得知某地区1990年到2009年的人口机动车数量，公路面积以及公路客运量和货运量的数据如下，需要预测2010年和2011年该地区的公路客运量和货运
量。我们可以把该问题分解为六个模块：
运用MATLAB软件编程建立模型来解决问题，代码如下：
1.原始数据的输入；
clc
clear
sqrts=[20.55 22.44 25.37 27.13 29.45 30.1 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.3 52.89 55.73 56.76 59.17 60.63];
sqjdcs=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];
sqglmj=[0.09 0.11 0.11 0.14 0.2 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];
glkyl=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];
glhyl=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];
2.数据归一化；
p=[sqrts;sqjdcs;sqglmj];
t=[glkyl;glhyl];
[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);
dx=[-1 1;-1 1;-1 1];
3.网络训练；
net=newff(dx,[3,2],{'tansig','tansig','purelin'},'traingdx'); net.trainParam.show=1000;
net.trainParam.Lr=0.05;
net.trainParam.goal=0.65*10^(-3);
net.trainParam.epochs=50000;
net=train(net,pn,tn);
4.对原始数据进行仿真；
an=sim(net,pn);
a=postmnmx(an,mint,maxt);
5.将原始数据仿真结果与样本进行对比；
x=1990:2009;
newk=a(1,:);
newh=a(2,:);
figure(2);
subplot(2,1,1);
plot(x,newk,'r-o',x,glkyl,'b--+');
legend('网络输出客运量','实际客运量');
xlabel('年份');
ylabel('客运量/万人');
title('运用工具箱客运量学习和测试对比图');
subplot(2,1,2);
plot(x,newh,'r-o',x,glhyl,'b--+');
legend('网络输出货运量','实际货运量');
xlabel('年份');
ylabel('货运量/万人');
title('运用工具箱客运量学习和测试对比图');
6.对新数据进行仿真；
pnew=[73.79 75.55
3.9635
4.0975
0.9880 1.0268];
pnewn=tramnmx(pnew,minp,maxp);
anewn=sim(net,pnewn);
anew=postmnmx(anewn,mint,maxt)
5.1.4、程序运行结果
anew =
1.0e+004 *
4.3370 4.3372
2.1770 2.1771
也就是说2010年和2011年的公路客运量分别为 43370万人和43372万人；货运量分别为21770万吨和21771万吨。
（图1）
从学习曲线图（图1）中，可以看出网络的最后训练的误差很小，达到了期望的值。
（图2）
从实际样本与网络输出值之间的训练和测试的对比图中（图2），可以看出两者之间的误差极小，可以放心利用该程序进行预测。
5.15 总结
着重于分析BP神经网络方法，并根据神经网络模型能够建立从输人到输出的任意非线性映射的优越性，把神经网络算法应用于公路货运量的组合预测中，克服了传统组合预测算法的局限性。并借助于MATLAB软件，简化了模型的计复杂性。实例证明，该方法切实可行。
5.2 excel中的线性回归预测公路货运量
5.2.1、数据分析
将给定的数据输入到excel中，数据如下：
表（二）
年份人口数量机动车数
量
公路面积
公路客运
量
公路货运
量
1990 20.55 0.6 0.09 5126 1237
1991 22.44 0.75 0.11 6217 1379
1992 25.37 0.85 0.11 7730 1385
1993 27.13 0.9 0.14 9145 1399
1994 29.45 1.05 0.2 10460 1663
1995 30.1 1.35 0.23 11387 1714
1996 30.96 1.45 0.23 12353 1834
1997 34.06 1.6 0.32 15750 4322
1998 36.42 1.7 0.32 18304 8132
1999 38.09 1.85 0.34 19836 8936
2000 39.13 2.15 0.36 21024 11099
2001 39.99 2.2 0.36 19490 11203
2002 41.93 2.25 0.38 20433 10524
2003 44.59 2.35 0.49 22598 11115
2004 47.3 2.5 0.56 25107 13320
2005 52.89 2.6 0.59 33442 16762
2006 55.73 2.7 0.59 36836 18673
2007 56.76 2.85 0.67 40548 20724
2008 59.17 2.95 0.69 42927 20803
2009 60.63 3.1 0.79 43462 21804
2010 73.39 3.9635 0.988
2011 75.55 4.0975 1.0268
将人口数量，机动车数量，公路面积，年份分别与公路客运量作散点图，初步判断四者与公路的客运量成线性关系。图形如下：
图（3）
从上图可看出，公路客运量大致与人口数量，机动车数量，公路面积，及年份成线性关系。同理作图公路货运量与这四者的关系也大致线性相关。
5.2.2 回归分析
对照附表1中的数据，在excel中分别对人口数量，机动车数量，公路面积，及年份对公路客运量作回归分析，同理对公路货运量也作回归分析，统计后结果如表三所示：
表（三）2010
预测值考虑年份的平均
值
不考虑年份的平均
值
R
客&人54042.6
5
51011.91603
53924.5947
0.97702
5
客&机51892.5
2
0.90219
6
客&公55838.6
2
0.95894
客&年42273.8
8
0.93283
2
货&人28974.0
9
26050.09655
27353.54207
0.96010
6
货&机28080.6
4
0.92422
1
货&公25005.8
9
0.93909
4
货&年22139.7
6
0.94016
6
2011
预测值
考虑年份的平均
值
不考虑年份的平均
值
R
客&人56150.0
7
53092.16135
56026.35913
0.97702
5
客&机53879.5
3
0.90219
6
客&公58049.4
7
0.95894
客&年44289.5
7
0.93283
2
货&人30226.5
4
28545.83948
30276.8073
0.96010
6
货&机29286.3
3
0.92422
1
货&公31317.5
5
0.93909
4
货&年23352.9
4
0.94016
6
（注：表三中客&人指由人口数量预测的公路客运量，同理货&人指由人口数量预测的公路货运量，其他一次类推。）
回归得出，由人口数量得出：
客&人：w1=975.6608*a1-17561.1,R1=0.977025;
客&机：w2=14828.41*a2-6879.88,R2=0.902196;
客&公：w3=56980.41*a3-458.542,R3=0.95894;
客&年：w4=2015.688*a4-4009259,R4=0.932832;
货&人：z1=579.8364*a1-13580.1,R5=0.960106;
货&机：z2=8997.709*a2-7581.78,R6=0.924221;
货&公：z3=33805.577*a3-3394.01,R7=0.939094;
货&年：z4=1213.176*a4-2416344,R8=0.940166
由回归方程分别算出2010年与2011年各自预测的公路客运量和公路货运量，再分别取平均值，由于题目指出某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，所以先不把年份包含进去取得平均值，再把年份包含进去再次取平均值。
5.2.3回归结果：
从表三中可以预测出2010年的公路客运量为51011.91603万人，公路货运量为26050.09655万吨，2011年的公路客运量为53092.16135万人，公路货运量为28545.83948万吨（考虑年份）。
不考虑年份的预测值见上表三（分析得不考虑年份的值偏大）。
其中具体如下：
2010年：
由人口数量预测出的公路客运量为54042.65万人；
由机电车数量预测出的公路客运量为51892.52万人；
由公路面积预测出的公路客运量为55838.62万人；
由年份预测出的公路客运量为42273.88万人；
由人口数量预测出的公路货运量为28974.09万吨；
由机电车数量预测出的公路货运量为28080.64万吨；
由公路面积预测出的公路货运量为25005.89万吨；
由年份预测出的公路货运量为22139.76万吨。
2011年：
由人口数量预测出的公路客运量为56150.07万人；
由机电车数量预测出的公路客运量为53879.53万人；
由公路面积预测出的公路客运量为58049.47万人；
由年份预测出的公路客运量为44289.57万人；
由人口数量预测出的公路货运量为28974.09万吨；
由机电车数量预测出的公路货运量为29286.33万吨；
由公路面积预测出的公路货运量为31317.55万吨；
由年份预测出的公路货运量为23352.94万吨。
最终的预测值需要平均值，见上表三所示。
5.3预测的最终结果
BP神经网络预测结果：2010年和2011年的公路客运量分别为 43370万人和43372万人；货运量分别为21770万吨和21771万吨。
线性回归预测结果：2010年和2011年的公路客运量分别为 51011.91603万人和53092.16135万人；货运量分别为26050.09655万吨和28545.83948万吨万吨。
6、模型的对比
总体来说两个模型都是可行的，都预测出2010年和2011年公路客运量和公路货运量，但由于不同的预测模型的预测机理不同，往往能提供不同的有用信息，反而单独采用某一种模型往往有其局限性。
6.1 BP神经网络：
BP神经网络的运用极其广泛，并且在很多领域都很实用，在MATLAB工具箱的帮助
下更显得简单快速，BP网络对于非线性的模仿能力很强，这也是它能够广泛运用的重
要原因。基于MATLAB的BP神经网络应用于公路客运量组合预测的优点如下：
a）灵活运用了BP神经网络能够逼近任意一个非常复杂的非线性函数的优点，克
服了传统组合预测方法中用固定的某一类数学模型进行预测的不足，使得预测过程更
加符合实际，预测结果更加精确合理。
b)利用MATLAB强大的数学计算功能，大大降低了神经网络计算的复杂性和难度，
使神经网络的设计者可以从繁琐的编程中解脱出来，从而提高研究工作的效率和质
量。
C)由于BP神经元网络具有非线性动力学特性，更擅于处理联想记忆、经验推理和
模糊推理．实现经验与知识的结合，所以克服了其他预测方法的片面性，更适于多因
素共同作用下公路货运量的预测。
d)BP神经元网络具有自组织和自学习的能力，通过有导师和无导师学习。可以方
便地记忆有关的知识，这有利于货运量组合预测中预测结果的获取。
e)由于BP神经元网络表现出比较良好的容错性能，即使某一单项预测数据有偏差
甚至错误，对组合预测结果的影响也较小。
但另一方面BP神经网络也有一些缺点：用过BP网络的恩都会认识到一个问题，
那就是BP网络的收敛速度是很慢的；它的网络模型的逼近和推广能力与学习样本的
典型性密切相关，所以从问题中选取典型样本实例组成训练集就是很重要的，但这本
身又是一个很困难的问题。
6.2 线性回归：
线性回归是利用数理统计中的回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。分析按照自变量和因变量之间的关系类型。
在线性回归中，数据使用线性预测函数来建模，并且未知的模型参数也是通过数据来估计。
线性回归方程的显著性检验是借助于F检验来完成的。
检验统计量F：
误差平方和：
回归平方和：
F≈F（1，n-2）。在显著水平a下，若，则认为回归方程效果在此水平下显著；当时，则认为方程效果不明显。
但回归分析不太适合较复杂的数据之间，且是从整体出发的，对于个别的数据而言具有偶然性，本题运用线性回归后得出的结果叫神经网络的大些。
综上所述，从本题预测讨论的结果看，线性回归拟合的结果不如BP神经网络准确。
7、参考文献
[1] 吴建国，《数学建模案例精编》，北京：中国水利水电出版社，2005.
[2] 袁新生，《LINGO和Excel在数学建模中的应用》，北京：科学出版社，2007.
[3] 刁在筠，《运筹学》，北京：高等教育出版社，2001.
[4] 唐五湘，《Excel在预测中的应用》，北京：电子工业出版社，2001.
[5] 汪小银，《数学软件与数学实验》，北京：科学出版社，2008.
附录
1、附表1
某地区公路运量数据表
年份人口数量机动车数
量
公路面积
公路客运
量
公路货运
量
1990 20.55 0.6 0.09 5126 1237
1991 22.44 0.75 0.11 6217 1379
1992 25.37 0.85 0.11 7730 1385
1993 27.13 0.9 0.14 9145 1399
1994 29.45 1.05 0.2 10460 1663
1995 30.1 1.35 0.23 11387 1714
1996 30.96 1.45 0.23 12353 1834
1997 34.06 1.6 0.32 15750 4322
1998 36.42 1.7 0.32 18304 8132
1999 38.09 1.85 0.34 19836 8936
2000 39.13 2.15 0.36 21024 11099
2001 39.99 2.2 0.36 19490 11203
2002 41.93 2.25 0.38 20433 10524
2003 44.59 2.35 0.49 22598 11115
2004 47.3 2.5 0.56 25107 13320
2005 52.89 2.6 0.59 33442 16762
2006 55.73 2.7 0.59 36836 18673
2007 56.76 2.85 0.67 40548 20724
2008 59.17 2.95 0.69 42927 20803
2009 60.63 3.1 0.79 43462 21804
2010 73.39 3.9635 0.988
2011 75.55 4.0975 1.0268
2、BP神经网络程序：
clc
clear
sqrts=[20.55 22.44 25.37 27.13 29.45 30.1 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.3 52.89 55.73 56.76 59.17 60.63];
sqjdcs=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];
sqglmj=[0.09 0.11 0.11 0.14 0.2 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];
glkyl=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];
glhyl=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];
p=[sqrts;sqjdcs;sqglmj];
t=[glkyl;glhyl];
[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);
dx=[-1 1;-1 1;-1 1];
net=newff(dx,[3,2],{'tansig','tansig','purelin'},'traingdx');
net.trainParam.show=1000;
net.trainParam.Lr=0.05;
net.trainParam.goal=0.65*10^(-3);
net.trainParam.epochs=50;%%50000
net=train(net,pn,tn);
an=sim(net,pn);
a=postmnmx(an,mint,maxt);
x=1990:2009;
newk=a(1,:);
newh=a(2,:);
figure(2);
subplot(2,1,1);
plot(x,newk,'r-o',x,glkyl,'b--+');
legend('网络输出客运量','实际客运量');
xlabel('年份');
ylabel('客运量/万人');
title('运用工具箱客运量学习和测试对比图');
subplot(2,1,2);
plot(x,newh,'r-o',x,glhyl,'b--+');
legend('网络输出货运量','实际货运量');
xlabel('年份');
ylabel('货运量/万人');
title('运用工具箱客运量学习和测试对比图'); pnew=[73.79 75.55
3.9635
4.0975
0.9880 1.0268];
pnewn=tramnmx(pnew,minp,maxp);
anewn=sim(net,pnewn);
anew=postmnmx(anewn,mint,maxt)
yck=anew(1,:);
ych=anew(2,:);
z=2010:2011;
figure(3);
subplot(3,1,1);
plot(x,newk,'r-o',z,yck,'b--+');
subplot(3,1,2);
plot(x,newh,'r-o',z,ych,'b--+');
基于时间序列matlab的BP神经网络预测
想通过matlab的BP神经网络算法预测集装箱运量
1998-2009对应的原始数据：
[115.4 212.1 259.7 251.8 352 463.4 509 558 614 700 696 712]
需要预测2010至2020年的数据.
哪位MATLAB高手能否帮忙下,将matlab的程序代码写下,由于是新手,希望用我的原始数据进行预测,如果有更多的话将会追加,
请问这句什么意思哦net=newff(minmax(P),[7,1],{'tansig','logsig'},'traingdx');
我是新手不太懂.
炽杀Ml92014-12-16
优质解答
楼上的程序是对的,但是你只有输出数据,输入数据是什么呢?
难道是时间,年限和输出数据之间没关系吧.所以你的原始数据条件不够
net=newff(minmax(P）【7,1],{'tansig','logsig'},'traingdx');
newff为建立一个BP神经网络,minmax(P为输入数据的范围,),[7,1]表示BP网络有三层,中间隐藏层有7个神经元,输出一个神经元.tansig表示正切传递函数,将数据转化到-1到+1之间,logsig表示传递函数,将数据转化到0到+1之间,traingdx表示训练方法.
楼主还是好好看书学习一下,不然仅仅死记硬背matlab工具箱,只会知其然不知其所以然啊!神经网络不难的,通了很简单!
inputs = [1998:2009];
targets = [115.4 212.1 259.7 251.8 352 463.4 509 558 614 700 696 712];
net = newff(inputs, targets, 100);
net.trainParam.epochs=50;
net = train(net, inputs, targets);
est_inputs = [2010:2020];
outputs = sim(net,est_inputs);
plot(inputs,targets ,'r-o',est_inputs,outputs ,'b--+');
P = [1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009];%输入向量
T = [115.4 212.1 259.7 251.8 352 463.4 509 558 614 700 696 712];%期望输出
Z=[2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020]
%创建两层的BP网络：
net = newff(P,T,[100 1],{'tansig' 'purelin'}); net.trainparam.show=50;
%每次循环50次
net.trainParam.epochs = 500;
%最大循环500次
[net1,tr] = train(net,P,T);
a=sim(net1,Z);
----------------------------------------------------------
p=[93 93.1 85.3;
93.1 85.3 80.7;
85.3 80.7 88.4;
80.7 88.4 80.2;
88.4 80.2 74;
80.2 74 73.7;
74 73.7 76.7;
73.7 76.7 77.5;
76.7 77.5 68;];
t=[80.7 88.4 80.2 74 73.7 76.7 77.5 68 66.76]; p=p';
[pn,inputps]=mapminmax(p);
[tn,outputps]=mapminmax(t);
net=newff(pn,tn,[3,1]);
% {'tansig','purelin'},'traingd'
net.trainParam.epochs=15;
%net.trainParam.goal=0.01;
%net.trainParam.show=50;
net=train(net,pn,tn);
p1=[77.5 68 66.76];
p1=p1';
%p1n=mapminmax('apply',p1,inputps);
%y=sim(net,p1n);
%y1=mapminmax('reverse',y,outputps)
目录 第一章问题研究背景 (4) 1.1、背景综述 (4) 1.2研究此问题常用的方法 (4) 1.3本研究采用的方法 (5) 第二章公路货运量影响因素的描述性分析 (6) 2.1. 不同年份五种运输方式的走势图 (6) 2.2 基础设施的增长趋势 (7) 2.3 总人口数增长趋势 (8) 2.4 经济指标走势图 (8) 第三章统计模型与分析 (10) 3.1 各个因素对公路货运量影响的相关性分析 (10) 3.1.2 模型原理 (10) 3.1.2 SPSS操作步骤 (10) 3.1.3 输出结果及分析 (11) 3.2对影响因素以及货运量预测的线性回归 (12) 3.2.1 模型原理 (12) 3.2.2 SPSS操作步骤 (13) 3.2.3 输出结果及分析 (13) 3.3 用曲线拟合预测货运量 (18) 3.3.1 模型原理 (18) 3.3.2 SPSS操作步骤 (18) 3.3.3 输出结果及分析 (19) 3.2 用时间序列分析预测公路客运量 (20) 3.3.1 模型原理 (20) 3.3.2 SPSS操作步骤 (21) 3.3.3 输出结果及分析 (23) 3.4 预测值汇总表 (25) 第四章总结与分析 (26) 4.1 本文结论 (26) 4.2 需要进一步的完善的问题 (26) 附录数据清单................................................................................................. 错误！未定义书签。
第一章问题研究背景 1.1、背景综述 改革开放后，我们国民经济持续高速发展，公路运输需求强劲增长，国家加大了公路基础设施的建设力度，随着道路环境的改善和省际、城际以及城乡交流的日益频繁，公路的货运量逐年提高，同时这也直接支持了公路货运行业的发展。 公路货运在我国综合运输体系货运市场中发挥这举足轻重的作用，承担着90%以上的份额，因此对我国公路货运的研究就显得很有现实意义，通过研究我国从进入2000年至今的公路货运量发展变化，可以从我国国民经济发展的一个侧面了解到我国二十多年来的交通运输、公共事业建设、人民生活水平、社会生产、流通、分配、消费各环节协调发展等诸多现实经济问题，对于提升个人对国家经济发展认识，研究分析能力有很大的好处。 1.2研究此问题常用的方法 公路货运量预测技术一般可以分为三大类，定性分析预测技术、定量分析预测技术以及两者相结合的综合预测技术。 定性预测分析技术，通常指那些凭经验判断的预测，一般是在缺少进行定量分析所必需的资料的情况下采用，侧重于研究推断预测对象未来发展的大体趋势和性质，其预测的精确度，主要取决于参与人员的专业知识和经验。 定量分析预测技术，是指以已经掌握的历史数据作为基础，建立适当的经济数学模型，对未来的运量做出测算的技术。其特点是有明显的数量概念，侧重于研究测算对象的发展程度(包括数量、时间、相关因素的比值等)。 定量预测和定性预测，各有其长处和局限性，实际应用中往往需要把定量预
计量经济学课程论文 我国公路客运量的研究报告 信息管理与信息系统03级 指导老师：鲁万波 白一佳 40311006 陈华40311028 师群昌 40311020 王一竹40311062 张斯蕊 40311043 庄云40311065
我国公路客运量的研究报告 白一佳 陈华 师群昌 王一竹 张斯蕊 庄云 摘要：本文通过建立模型对影响我国公路客运量的因素进行了研究，通过Evies 对七个变量进行回归拟合，通过建立模型011223344556677t t Y X X X X X X X u ββββββββ=++++++++对样本数据进行回归，分析得到最终模型0122637 + + + t t Y X X X u ββββ=+，并在此基础上细分变量优化模型，引入虚拟变量对城市农村的影响情况进行对比分析，由此提出了最终模型的改进模型01227 + +t t Y X X u βββ=+，通过样本回归分析得出一定的结论，提出进一步探讨的问题。 关键词：公路客运量 OLS 回归 一．背景综述 改革开放后，我国国民经济持续高速发展，公路运输需求强劲增长，国家加大了公路基础设施的建设力度。随着道路环境的改善和城乡交流的日益频繁，公路客运量逐年提高。伴随着中国城市化的进程，城乡之间、城际之间的交流日益频繁，这直接支持了公路客运行业的发展。 公路客运在我国综合运输体系客运市场中发挥着举足轻重的作用，承担着90%以上的份额，因此对我国公路客运的研究就显得很有现实意义，通过研究我国从改革开放至今的公路客运量发展变化，可以从我国国民经济发展的一个侧面了解到我国二十多年来的交通运输、公共事业建设、人民生活水平、社会生产、流通、分配、消费各环节协调发展等诸多现实经济问题，对于提升个人对国家经济发展认识、研究分析的能力大有好处。 因此，本文以1978年为课题研究的时间起点，纵观中国公路、人口、人均收入、客运汽车产量、铁路、民航、水路运输客运量等众多因素对我国公路客运量的推动作用和影响，通过建立多元线性回归方程，进行实证分析，得出对我国公路客运量的显著影响因素。 二．模型变量选择及预测 在模型建立之初，我们选择了七个对公路客运量可能造成影响的因素：客运汽车总量、年底总人口、铁路客运量、水运客运量、民用航空客运量、公路长度及全国总人均收入。从经济常识的角度，初步认为，人口、人均收入作为国民经济衡量的基本要素对公路客运量应该有一定的影响；铁路客运、水运客运、民航客运与公路客运存在替代的经济关系，其三者的客运量要么与公路客运量有负相关的关系，要么与公路客运量的相关关系不大；客运汽车作为公路客运的硬件条件我们也将其引入模型，去考察客运汽车总量与客运量规模间的解释关系；而客运
基于线性回归模型对陕西省进行物 流需求预测分析 学号：1209411051 班级：物流1202 姓名：雷亮亮
一、问题的提出 近年来，随着我国国民经济的迅速发展，中国物流业也得到了高速发展。这一方面说明物流业的壮大对国民经济有支撑作用；另一方面说明中国经济高速发展的同时，也带来了巨大物流需求。然而，现有交通状况、基础设施等能否满足日益增长的物流需求，物流业能否给国民经济带来持续的支撑作用？这些已突显成为急需考虑的问题。 物流是人类工业化进程中不可缺少的产业，有人、有物的地方就少不了物流。物流科学所依托的物流产业，是当今无论哪一个国家都无法缺少的产业。现代经济社会中，分工的深入发展甚至形成国际分工。一个国家、一个地区，可能没有冶金工业，可能没有石油工业，但是不可能没有物流业。可以说，物流业是现代覆盖最广泛的产业之一。可见，物流水平代表一个国家的经济发展程度，物流管理体现各个国家民族性情和经济模式的差异。 从物流的发展规律来看，现代物流服务的需求包括量和质两个方面，即从物流规模和物流服务质量中综合反映出物流的总体需求。物流规模是物流活动中运输、储存、包装、装卸搬运和流通加工等物流作业量的总和。物流服务质量是物流服务效果的集中反映，可以用物流时间、物流费用、物流效率来衡量，其变化突出表现在减少物流时间、降低物流成本、提高物流效率等方面。 陕西省是西部地区相对发展较好的省，地处交通枢纽地带，地理位置重要，交通方便，货物吞吐能力强。物流基础设施条件逐步完善，其中交通基础实施规模迅速扩大，省内公路铁路航程里程增加，运输网密度不断改善，为物流业发展提供了良好的设施条件。 公路是短程物流的主要配送途径，近年来陕西省的公路通车里程不断增加，为省内及过境物流配送发展提供了坚实基础。2010年度高速公路通车里程达3403公里，较2009年增加22.45%，公路密度达 0.717km/km2，增加2.43%。以西安为中心的“2637”（两环六辐射三纵七横）高速公路干线网已基本形成，可基本连通境内所有市县及工农业基地、商品集散地、高新开发区和物流园区。省内当日往返，周边中心城市当日到达的“一日交通圈”基本形成。 二、物流需求预测 物流需求预测是根据物流市场过去和现在的需求状况，以及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。 确定预测目标物流活动渗透到生产、流通、消费整个社会经济活动之中，与社会经济发展存在着密切的联系，是社会经济活动的重要组成
国家高速公路网交通量 调查观测站点布局规划 （简本） 中华人民共和国交通运输部 二○○八年十月 目录 一、规划的必要性 0 二、《规划》的功能定位 (3) 三、国家高速公路交通量调查与信息服务体系的架构 (3) （一）调查方式与调查方法 (3) （二）调查站分类 (3) （三）体系架构 (4) 四、统计分析指标体系 (4) 五、规划目标 (5) 六、总体布局 (6) （一）公路交通情况调查数据中心 (6) （二）调查站布设的方法与原则 (6) 七、实施意见 (9) （一）实施原则 (9) （二）实施安排 (10) 八、地方高速公路的调查站布设 (10) 国家高速公路网交通量调查观测站点布局规划 一、规划的必要性 高速公路主要连接大中城市、国家和区域性经济中心、交通枢纽、重要对外口岸，承担区域间、省际间以及大中城市间的快速客货运输，是我国公路网中层次最
高的公路主通道，是综合运输体系的重要组成部分，对于支撑经济发展、推动社会进步、保障国家安全、服务可持续发展发挥着重要作用，具有重要的政治、经济、国防意义。近年来，我国高速公路的建设与发展取得了突出成就。至2007年底，全国高速公路通车里程约为5.4万公里，其中国家高速公路通车里程达到4.5万公里，基本实现了“东部成网、中西部连通”的目标。 开展高速公路交通量调查，采集交通流量、车速、交通密度、轴载等信息，能够为高速公路规划、建设、管理、养护、公众出行以及应急处置提供重要的信息支撑。目前，高速公路交通量调查工作的体系建设滞后、工作水平不高，无法准确反映高速公路路网的交通运行特征，与高速公路的建设进展极不相称，难以满足高速公路建设、管理的需要。 实施《国家高速公路网交通量调查观测点布局规划》（以下简称《规划》），准确、及时、全面地搜集、发布交通量信息，其重要意义主要表现在以下方面： 1、交通量信息是合理确定路网建设规模和布局，有效调整路网结构的重要依据 开展高速公路交通量调查工作，可以积累高速公路网交通流量的历史数据，并以此为基础分析交通流量与社会经济发展间的相关关系，预测远景高速公路交通需求，为合理确定高速公路网总体规模、技术标准和空间布局提供技术依据。同时，依据高速公路交通量调查所取得的高速公路流量、车速和交通密度数据，结合一般国省干线公路和农村公路交通量调查工作，可以掌握全路网的运行特征，评价全路网的运行效能，为调整路网行政等级和技术等级构成提供参考。 2、交通量信息是加大路网运行监管力度，提升公路交通应对突发事件能力的重要支撑 路网流量大小、速度、分布、拥挤程度等交通情况是反映路网是否有效运行最主要的特征，也是公路交通应急管理的重要参考数据。针对当前我国公共突发事件频发，地质灾害频繁，公路交通应急任务日益增多的情况，全面开展国家高速公路交通量调查工作，实时掌握并分析国家高速公路的道路运行情况，判别道路运行通畅与否，判断异常交通事件发生的时间和地点，对于加强对高速公路的交通及运输监控，促进区域间路网协调运行管理，支持国家或区域路网监控中心、公路交通应急指挥体系的建设，提高公路交通突发事件应急处置能力和遇险救援水平具有
基于预测公路运量的模型求解 摘要 科学准确地预测公路货运量是制定公路网规划的基础。公路货运量的预测方法有很多，可以根据不同的情况选择不同的预测模型。 首先运用MATLAB的 BP神经网络组合预测模型，灵活利用神经网络通过自适应自学习能够拟合任意非线性函数的功能，有效克服传统的组合预测方法，在实际应用中把数据间的关系强加给某一类函数的不足，并借助于数学计算软件进行编程，大大降低模型的计算难度，预测出2010年和2011年的公路客运量和公路货运量。实例证明该方法具有很高的预测精度。 本次基于预测公路运量的问题，根据往年20年的数据，主要从人口数量、机动车数量、公路面积这几个方面考虑，先借助于matlab软件，从神经网络组合预测模型入手，预测出2010年和2011年的公路客运量和公路货运量。然后根据回归的知识，运用excel的强大功能预测出的2010年和2011年的公路客运量和公路货运量。最后两者进行对比，列出各自的优缺点。 预测结果如下： 用BP神经网络预测结果：2010年和2011年的公路客运量分别为 43370万人和43372万人；货运量分别为21770万吨和21771万吨。 用线性回归预测结果：2010年和2011年的公路客运量分别为 51011.91603万人和53092.16135万人；货运量分别为26050.09655万吨和28545.83948万吨万吨。 关键词：MATLAB；组合预测；BP神经网络；excel统计分析
1、问题重述 1.1基本情况 公路运量主要包括公路的客运量和公路货运量两个方面。据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表1给出了20年得公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量单位为万两，公路面积的单位为万平方千米，公路货运量单位为万吨。 根据有关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积将分别为0.9880和1.0268万平方米。 1.2、相关信息（见附件） 附件1：某地区20年公路运量数据 1.3、需要解决的问题 1.请利用BP神经网络预测该地区2010年2011年得公路客运量和公路货运量。 2.请利用其他方法预测该地区2010年2011年得公路客运量和公路货运量。 3.比较两种方法的优缺点。 2、符号约定 Wi (i=1,2,3,4) 依次表示由人口数量，机动车数量，公路面积，年份预测出的公路客运量。 Zi （i=1,2,3,4）依次表示由人口数量，机动车数量，公路面积，年份预测出的公路客运量。 ai （i=1,2,3,4）依次表示人口数量，机动车数量，公路面积，2010年 Bi （i=1,2,3,4）依次表示人口数量，机动车数量，公路面积，2011年 3、问题分析 运输需求预测是公路网规划、区域发展规划、基础建设投资决策及运输生产组织管理的基础，对交通运输需求的预测分析具有重大的社会意义和经济意义。可见，公路货运量的预测举足轻重，可靠的预测结果是进行规划的前提，决定着整个规划的成功。 公路货运量的预测方法有很多，由于不同的预测模型的预测机理不同，往往能提供不同的有用信息，反而单独采用某一种模型往往有其局限性，因此可以根据不同的情况选择不同的预测模型。本文将运用BP神经网络组合预测模型、excel中的线性回归解决公路货运量的预测。并进行比较两种方法的优势与缺陷。
基于TransCAD的高速公路交通量预测 摘要：本文介绍了TransCAD软件的特点及其功能，作为交通规划软件对济南至东营高速公路的未来特征年的交通量进行了预测，并提出了应用该软件的不足。 关键词：TransCAD; 交通量预测；高速公路；交通规划 公路工程可行性研究是对拟建公路项目的必要性、可行性、合理性、可能性进行全面、深入的论证，为项目决策、设计、审批提供科学依据。交通量预测是公路工程可行性研究的一个重要内容，是拟建公路项目技术等级投资规模及项目国民经济和财务评价的重要依据。 1 TransCAD软件及其功能 TransCAD软件系统是由美国Caliper公司开发的交通地理信息系统（GIS）软件，是第一个专门为交通规划、交通管理以及交通特性分析而设计的应用软件。作为一种先进的地理信息系统软件。TransCAD可以生成地图，建立和维护地理数据集，以及进行多种空间分析。 将TransCAD引入到交通量预测工作中，可以充分利用其良好的可视性和简单的数据输入操作，解决传统交通量分析工作中靠人工分析和计算的不足，提高分析结果准确性，缩短工作周期，提高工作效率。 2 地理信息系统的建立和编辑 TransCAD中地图要素为点、线、面，线路以线文件形式存储，交通小区以面形式存储，包含小区属性。根据项目需要，为线层文件添加字段Time（自由流时间）、Capacity（通行能力，根据线路等级确定）、Speed（速度）、Alpha（参数）、Beta（参数），公路等级等属性字段，根据项目实际情况进行分区，再将小区的社会经济指标进行调查整理，输入区域地理文件Area．Dbd。在项目实际应用系统的建立过程中，由于网络与线层是分离的特点，可以使网络随着时间或交通运输方式的变化而变化，所以应形成不同预测年份的路线网络系统，不同的路网的属性包括路段的运行时间、路线长度、路段通行能力等。 3 交通量预测步骤 3.1.1交通产生/吸引预测(简称P/A) 交通产生/吸引预测研究的是每个交通小区所产生或吸引的交通总量，这个阶段只分别关注产生于和结束于每个交通小区的交通数量，而并不将出行的起始点和目的地联系起来。在目前条件下建议采用弹性系数法进行预测。
基于ARIMA 模型的全国公路客运量预测 摘要：采用自回归移动平均模型（ARIMA ），对国家统计局提供的全国公路客运量数据进行分析，然后利用求解出的模型对未来的公路客运量进行预测，为我国未来公路客运量的估计提供参考作用。 关键词：ARIMA 客运量 时间序列分析 公路运输现在已经成为5种主要运输方式中完成运输量最多，实现营业收入最高的一种运输方式。2004年全国累计完成公路客运量为162.89亿人，比上年增长11.2%的同时旅客周转量达到8719.15亿人公里，比上年增长13.5%。公路运输量是区域经济发展的一个重要衡量指标，也是反映区域经济活力的指标之一，对其进行科学而准确的预测是很有必要的，是科学落实运输相关政策的前提。同时，公路客运量是一个复杂的变量，受多种因素的影响，还存在着许多无法预知的内在影响关系，为了消除不客观因子对起客运量的影响，本文拟用时间序列ARIMA 模型的基本原理，对全国公路客运量进行预测。 一、 ARIMA 模型建模思路 ARIMA 模型( p, d, q) 又称为自回归移动平均模型。其中AR 指自回归; p 为模型的自回归阶数; MA 为移动平均; q 为模型的移动平均阶数; I 指积分; d 为时间序列成为平稳之前必须取差分的次数。其一般的表达式为: q t q t t p t y p t y t y t y -++-+-++-++-+-+=μβμβμβμβαααα 22110022110 ( 一) 建模思路 ARIMA 建模思路是: 假设所研究的时间序列是由某个随机过程产生的, 用实际统计序 列建立、估计该随机过程的自回归移动平均模型, 并用此模型求出预测值。 ( 二) 建模步骤 1. 观察时间序列。根据时间序的散点图自相关函数( ACF) 图和偏自相关函( PACF) 图以及ADF 单位根检验观察其方差、趋势及其季节性变化规律, 识别该序列的平稳性。 2. 对序列进行平稳化处理。如果数据序列是非平稳的, 并存在一定的增长或下降趋势, 则需对数据进行差分处理; 如果数据序列存在异方差性, 则需对数据进行对数转换或者开方处理, 直到处理后数据的自相关函数值和偏相关函数值无显著地异于零。 3. 模型识别。若平稳时间序列的偏相关函数是截尾的, 而自相关函数是拖尾的, 则可断定此序列适合AR 模型; 若平稳时间序列的偏相关函数是拖尾的, 而自相关函数是截尾的, 则可断定此序列适合MA 模型; 若平稳时间序列的偏相关函数和自相关函数均是拖尾的, 则此序列适合ARMA 模型。 4. 对ARIMA( p, d, q) 模型定阶, 估计参数。 5. 模型检验。进行假设检验, 诊断白噪声检验假设模型残差的ACF 值和PACF 值在早期或季节性延迟点处不得大于置信区间, 同时残差应理想化为0 均值。可观察残差的ACF 图、PACF 图, 并辅以D —w 值、t 值等检验法。 6. 预测分析。时间序列分析包括以下步骤: 分析时间序列的随机特性; 用实际统计序列构造预测模型; 根据所得模型做出最佳的预测值。 二、数据说明
第三章道路规划及交通量预测 第一节道路路网现状及道路服务水平评价 庐山区道路主要由十里大道、长江大道、外环路、学府路、学府二路，前进东路，并与周边的城市外围主干道长虹大道、庐山大道、芳兰大道、金凤路，九莲南路联系。 由于现有主要道路兼有区内交通、对外交通、以及生活性、交通性多重功能，虽在目前区域交通量并非十分巨大，但作为XX市区的规划范围，随着土地开发利用，规划道路应按城市道路“人车分离、机非分离”的原则规划设计。随着土地的开发利用，对道路运输能力也提出了更高的要求，但路网的不完善，将制约了经济的发展，现状道路的服务水平将无法满足经济发展的需要。 第二节区域路网规划 一、交通运输规划调查 道路系统历来被称为城镇的动脉和骨架，是一个城市能否规划合理的重要因素。因此道路的布局合理与否，直接关系到城镇能不能经济合理的发展。 道路规划本着“快速、顺畅、通达”的原则，合理调整布局，合理布置集镇道路网络。规划道路等级分为三级，即主干道、次干道和支路。主干道间距大于500米，红线30—60米；次干道间距为250—500米，红线宽度为20—40米；支路间距150—250米，红线宽度为9—20米以下。 二、路网规划
项目建设区域道路等级分为主干道、次干道和支路三个等级。其中主干道有十里大道、庐山大道、濂溪大道、芳兰大道、长江大道、欣荣路、外环路，道路宽度为30—50m；次干道学府路、学府二路，前进东路，道路宽度20—30 m；支路道路宽度15—20 m。 三、道路新建必要性论证 交通建设对土地利用有导向作用，土地的开发利用，必须以道路的修建为基础。濂溪大道为XX市庐山区道路骨架中最重要的一条主干道，本工程（濂溪大道延伸线）是濂溪大道的一部分。它的建设是城区土地资源使用开发的前提和必要条件。 随着城市化水平的不断提高，城市经济发展对加强人居环境的开发建设提出了更高的要求。良好的居住环境离不开道路等基础设施的建设。城市基础设施的建设也将直接服务于经济建设。为了能更好地改善XX市投资环境，改善人居生活环境，提高经济发展水平，不断加快基础设施的建设开发就成为必然。 道路建设不可避免地征集土地，拆迁房屋，造成建设区人口动迁，劳动力重新安置等社会问题。对农村居民而言，由于道路建设占用一定农田，菜地等耕地，由此会使农民的生存和生活最基本的生产资料受到影响；且对农民的劳作带来不便。但随着城镇建设发展，农民也将从务农为主转变成服务、务工、务商为主，故由此所造成的社会影响是在可承受范围内的。从长远来看，道路的建设有利于提高居民的生活质量，有利于推进XX的城市化建设进程。 本次工程沿线地势较起伏，因土地、规划部门工作到位，全线道
4 运输量和交通量预测 4.1 综合交通运输发展分析 4.1.1 综合交通运输发展目标 ●“宏观区际”交通发展目标：在全省以及长江三角洲经济圈中考虑开化综合交通运输网络的规划和建设，加强开化与周边地区特别是浙皖赣三省毗邻县市及本省东南沿海经济发达地区的交通联系。 ●“中观区域”交通发展目标：着眼于三省交界、重要生态旅游带的定位，改善交通条件，提高向周边地区的辐射能力和运输效率。 ●“微观区间”交通发展目标：充分考虑交通运输与城镇体系发展的关系，形成以县域中心为交通中心、市级中心镇为重要交通节点、县级中心镇为客运网点的综合运输交通网络。 4.1.2 综合交通运输发展规划 根据我县交通运输的实际状况，公路运输是我县目前唯一的交通运输形式，因此综合交通建设规划要以公路建设为中心进行，规划建设的铁路、水路为辅的干支衔接、畅通便捷的综合交通运输网络。公路交通建设按照建立大网络、建设主骨架、完善城市交通体系的要求，形成以县城为中心、华埠镇和马金镇为节点的干支衔接、畅通便捷的公路交通运输网络。 (1) 铁路建设 “西拓”：建设向江西拓展的九景衢铁路（九江~景德镇~衢州），提高开化出省的运输能力，并开发沿线的资源通道。
(2) 公路网建设 ●构筑高效、快捷的公路网主骨架 加快一纵一横高速公路建设，建立高效、快速的公路交通网，从根本上改变开化在经济、交通、地形条件上的劣势，使地处黄山、钱江源、千岛湖三角黄金旅游区的开化得以充分发挥地理优势。建设联系纵横高速公路之间的互通连接线，使开化成为浙西连通东部沿海地区与内陆的重要公路交通联系点。 ●加大国省道改造的力度 17省道华白线已于2002年完成了全线改造；205国道开化境内路段界首至开化路段改建工程也已于2003年完成，开化至西坑口段改建工程正在实施，将于2005年完成。通过对国省道的改造工程，改善路面质量，进一步提高出县通道的公路等级，从而在促进地方经济发展中发挥不可替代的积极作用。 ●加快县乡公路和农村公路建设 继续开展交通扶贫工作，加快县乡公路建设步伐，2005年完成县道硬化目标，并加快通向行政村特别是中心村等级公路的建设进程。 ●重视公路客货站场建设 规划形成“一个中心、两个交通节点、三个客运网点”的公路运输站场总体布局。 (3) 水路建设 ●加快航道整治，建设华埠港
设计题目：上海公路客运量需求预测与分析 课程名称：运输统计与分析 学院：交通运输工程学院 专业：交通运输 班级： 学生姓名： 学号： 指导教师： ==== 2011 /2012学年第二学期==== 1
课程设计（学年论文）任务书 课程名称：运输统计与分析 适用对象：交通运输工程 一、课程设计（论文）目的 《运输统计与分析》课程设计作为独立的教学环节，是交通运输本科专业的必修课。其目的是，通过本课程设计实践，培养学生理论联系实际思想，加深统计分析基本理论与基本知识的理解，学会收集或调查行业统计数据，切实掌握各种统计分析方法，并能灵活运用统计软件在计算机上实现，正确解释和分析运行结果，培养运用各种统计分析方法解决交通运输领域内实际问题的能力。 二、课程设计（论文）题目与内容 本课程设计（论文）主要任务为：针对交通运输领域内某一主题，设计调查表调查或查询相关统计数据，根据本课程讲授内容选择一种或多种合适的统计分析方法，运用SPSS建立模型分析问题。题目自拟，但题名一般要包含主题与统计方法。且必须与交通运输相关，选题主题主要包括： 1.运输市场定位研究 2.运输需求分析与预测 3.政策或技术方法实施效果评价 4.交通行为选择 5.影响因素分析 6.聚类分析 7.服务质量评价 8. 自选 三、课程设计（论文）基本要求 2
报告内容原则上不少于8000字，其正文至少包括如下几个方面的内容： 1.问题背景（问题的提出、必要性与意义，该问题目前常用的分析手段与 方法，本设计采用的方法） 2.数据采集 （含数据采集方式、描述性分析、统计图表） 说明：调查分析则必须包含调查方案，其它数据原则上必须说明出处。 3.统计模型与分析 （包含模型原理、SPSS操作步骤、输出结果及分析） 4.总结 5.附录数据清单 四、课程设计（论文）时间及进度安排 1.时间:两周：2011-2012学年第二学期第十九、二十周 2.进度安排： 确定主题；调查、收集数据：2天 数据分析与预处理、描述性统计分析：2天 分析方法原理及选择：3天 SPSS操作及结果分析：4天 解决实际问题或建议：2天 撰写报告、总结：1天 （此部分同学们可以按照自己设计具体内容，详细安排） 3.成果提交： 要求独立完成，每人需提交1份打印的设计报告（A4）、word电子文档、数据文件（sav格式）。电子文档文件名为：学号后四位+姓名+题目，先发电子文档给指导老师，经许可后方可打印。最终成果（打印稿1份、电子文档1份）统一交班长汇总并转交指导老师；最终成果提交截止时间为第20周周五。 五、成绩评定 3
高速公路交通量预测方法研究 发表时间：2018-05-18T11:18:01.283Z 来源：《基层建设》2018年第3期作者：杨芳1 丛啸2 [导读] 摘要：本文简要阐述目前国内外高速公路交通量预测方法研究现状，并介绍了基于非集计模型的交通量预测方法，以及对未来研究的简要展望。 云南省交通规划设计研究院 摘要：本文简要阐述目前国内外高速公路交通量预测方法研究现状，并介绍了基于非集计模型的交通量预测方法，以及对未来研究的简要展望。 关键词：高速公路；交通量预测；非集计模型 0引言 随改革开放以来，我国基础建设大力发展，高速公路不断修建，人们对道路的要求也越来越高，尤其是在接受国外时间就是金钱的观念后。因此人们不论是在出行还是网上购物都希望速度能越快越好，对交通运输的方式也更倾向于高速的航空、高铁以及高速路等。而随着现代社会经济不断发展，国内车辆数不断增长，交通堵塞问题日益凸显，例如北上广大城市早已要求单双号出行，对此做好相关合理的交通规划是首要解决方案，而对于高速公路段在高速行驶下更需要做好交通规划。其中，作为交通规划建设项目的首要研究内容，交通量预测直接影响到高速公路的一系列建设，其是确定道路建设技术等级、道路等级、工程规模以及经济评价的最主要和最基础指标，是对修建道路的交通状况评价、全方面考虑分析具体道路项目修建的必要性和可行性的前提，准确的交通量预测将直接影响项目方案的科学合理性。目前国内外应用最多的交通量预测方法为四阶段法，但随着实际工程的不断应用，其设计上的缺陷不断凸显，其中主要问题有：数据采集中的总计数不准确、需要大量的处理调查数据完成精确预测以及小区域划分不明确等。在此背景下，对高速公路的交通量预测方法的研究十分必要，也迫在眉睫。 1国内外研究现状 国外专家学者主要研究了高速公路交通量预测的方法和具体应用办法，Park，Bunky在《模糊神经网络在短期高速公路交通量预测中的应用》研究中将模糊神经网络模型分为RBF神经网络和FCM方法，与以前的动态线性模型比较，采用此种模型方法可较好的解决预测时间后滞问题；Iskander，Wafik在《美国高速公路交通量预测》中提出将聚类分析与多元线性回归方法相结合，且其模型中将社会经济学因素考虑其中；之后最具有代表意义的非集计模型在上世纪60年代被开发出来，其模型的提出主要参考经济学理论基础，十年后美国麻省理工学院Mcfdden等人将其改进，并将改进非集计模型的研究推向具体工程实践阶段，其应用十分广泛（表1），包括：车辆使用寿命问题、城市间货运需求预测、车辆需求预测、城市公共客运方式、交通方式选择等。 表1 美日对非集计模型应用领域 国内对高速公路交通量预测方法也进行了大量研究，李峰等人针对国内复杂的铁路、高速公路、低等级道路、山区道路，在《高速公路需求预测方法》中预测了我国未来公路交通交通量以及提出相应方法；赵朋宾等人针对高速公路的自身特点，应用区域经济学分区理论方法，研究了其在具体建设项目中的可行性； 罗莉采用风险分析方法，通过识别并分类交通量的风险因素，具体解释交通量风险产生的原因以及特征，并估计各类风险的发生概率，为今后高速公路建设规模的合理计算与制定投资决策提供可靠依据；最近几年，随着国外对非集计模型的大量研究，其作为集计模型的代替及补充者，在国内也已开始大量应用。关宏志在其书《非集计模型交通行为分析的工具》中主要介绍非集计模型的基础理论以及相应的应用方法。 2基于非集计模型的交通量预测方法 非集计模型又叫非集计行为模型、个人选择模型或离散模型，主要为强调其与集计模型的不同而命名。集计模型采用交通小区将个体的交通活动范围进行数据统计计算并分析而得到相应模型；非集计模型则以个体的实际交通活动为单位，不采用交通小区建模。具体差别如表2。 表2 非集计模型与集计模型差别比较 通过以上比较得非集计模型优点如下： （1）具有明确的行为假说基础，且逻辑性较强； （2）在较少的样本下就可计算出模型系数，并可检验参数所用统计学方法； （3）允许以与个人决策相关性的多个因素作为自变量，以便于对多种类型的交通规划、交通政策进行效果评价；（4）具有较好的地区、时间转移性； （5）使用者对项目评价方便快捷。
国内物流需求预测方法文献综述 (河北工程大学管理科学与工程阮俊虎） 物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、半成品和成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求，涉及运输、库存、包装、装卸搬运、流通加工以及与之相关的信息需求等物流活动的诸方面[1]。物流需求的度量可以采用价值量和实物量两种度量体系。实物量意义上的物流需求主要表现为不同环节和功能的具体作业量，如货运量、库存量、加工量、配送量等；价值量意义上的物流需求是所有物流环节全部服务价值构成的综合反映，如物流成本、物流收入、供应链增值等[2]。 物流需求预测是根据物流市场过去和现在的需求状况，以及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。国内外许多专家和学者都对物流需求的预测进行了研究，提出不同的预测方法和手段。物流预测方法可以分为定性预测方法（如德尔菲法和业务人员评估法等）和定量预测方法，但多数是定量预测方法，因此，本文主要是对国内物流需求定量预测方法进行综述，归为时间序列预测方法、因果关系预测方法、组合预测方法等三类。 1．时间序列预测方法综述 时间序列预测方法是依据从历史数据组成的时间序列中找出预测对象的发展变化规律，以此作为预测依据。常用的时间序列预测模型有增长率法、移动平均法、指数平滑法、随机时间序列模型、灰色模型、以及在经济领域已经被广泛应用的混沌与分形等。 增长率法指根据预测对象在过去的统计期内的平均增长率，类推未来某期预测值的一种简便算法。该预测方法一般用于增长率变化不大，或预计过去的增长趋势在预测期内仍将继续的场合。刘劲等[3]（2002）在利用增长率系
第3章交通量分析及预测 3.1公路交通调查及分析 3.1.1调查综述 3.1.1.1调查内容 按照交通规划的研究对象，本项目分别对公路客货运输量、年平均交通流量进行 调查。按照调查的方式，又大致分为以道路上的车辆为对象的实测调查和为明确人的 活动和货物的移动性质而进行的问卷调查。前者的调查有道路交通量调查和运行车速 调查，具体的调查事项及观测方法，因表示交通流特性所采用的要素不同而有所不同， 通过它可掌握汽车行驶状态有关的各种特性，为道路上实现畅通交通流而进行适当的 交通控制及建立交通规划发挥作用。后者的调查有居民出行调查、机动车OD调查和物 流调查。 3.1.1.2调查方法 交通调查是公路建设项目可行性研究的一个重要环节，是采集所需基础数据的最基本手段。其目的是了解项目影响区域公路交通运输的特性、构成以及客货运输的流量、流向，使后续的交通量预测建立在客观、可靠的基础上，为公路建设项目的计划、建设规模、建设标准等提供科学的依据。 (1)交通量调查点的布设 交通量调查点的选择，对调查数据、区域路网流量分析、拟建项目交通量预测有 着直接的影响，是整个交通量调查的关键。本报告交通量调查路段及其地点的选择， 主要考虑了以下因素： 1) 根据拟建项目特点及其区域路网交通流特性，选择有代表性的路段布点； 2) 调查点远离城镇，尽量避免城镇内部交通及短途交通的影响； 3) 调查点选择在路基较宽、视距远的路段上，同时要保证上行与下行调查点之间留有不少于150m的距离，以免造成交通阻塞； 4) 附近有收费站的，尽量将调查点设在收费站中，以减少对车辆通行的影响。 由于交通流量观测是在具体的某一天进行的，有的是24小时流量观测点，有的是12小时流量观测点，所以在交通流量分析时根据各流量观测点所在路段历年交通量观 测资料对其进行年月、周日、昼夜不均匀性调整，并以次推算出年均日交通量。调整 公式如下： Q ijk＝q ijk·αi·βi·γi
神经网络在公路运量中的预测 1.问题的描述 公路运量主要包括公路客运量和公路货运量两个方面。据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表1中给出了某地区20年的公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量的单位为万辆，公路面积的单位为万平方千米，公路货运量单位为万吨。 根据相关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积将分别为0.9880和1.0268万平方千米。我们将利用BP神经网络预测该地区2010年和2011年的公路客运量和公路货运量。 2.BP神经网络求解过程 表1 某地区20年公路运量数据
具体程序如下： clc %yuanshishuju %renshu a=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 35.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63]; %jidongcheshu b=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1]; %gonglumianji c=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79]; %gonglukeyunliang d=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462]; %gongluhuoyunliang e=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804]; p=[a;b;c]; t=[d;e]; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);
一、意义 1、设计铁路能力的依据。客运量是选定铁路主要技术标准的依据，而主要技术标准又决定着运输装备的能力，它不应小于调查或预测的客运量，以满足国家要求的运输任务； 2、是评价铁路经济效益的基础。客运量决定铁路的运营收入、运输成本等经济效益指标。客运量大，则收入多、成本低； 3、是影响线路方案取舍的重要因素。铁路选线中，出现大量的线路方案比较。若运量大，则投资大的方案中选，运营支出小。 总之，若调查或预测的客运量偏大，则铁路标准偏高，技术装备能力也偏高，因而投资较大。但运营后发现实际运量偏小，则会造成铁路能力闲置，投资浪费，由于运营收入少，铁路的经济效益必然降低；若调查或预测的客运量偏小，虽初期投资省，但运营后能力很快就会饱和，从而过早的引起铁路改扩建，追加投资增大，也不经济。 二、影响客运量的因素 直通吸引范围：等距离原则划定（“哪边近走哪边”），上下行分别勾画； 地方吸引范围：运价最低（运距最低）原则确定（“哪边花钱少走哪边”）。 随着社会经济的不断发展，客运量也在不断增加，因此，只有把握住影响客运量增长的因素，才能更好地预测出客运量的大小。影响因素主要有： 1、国家的政治、经济形势，国民经济的增长速度与发展战略，运价政策和旅客对运费的承受能力，这些因素，在预测远期运量时需加以考虑； 2、设计线在路网中的地位和作用，以及邻接铁路的布局和能力，都将影响直通客运量； 3、设计线沿线的资源情况，工矿、电力等大型企业的发展规划，农林牧副渔和乡镇企业的发展情况，以及城乡人口、人均收入的增长情况，也将影响地方客运量； 4、设计线沿线的公路、水运等交通状况和发展规划，将影响设计线分担客运量的比重； 5、突发事件的影响：疾病、自然灾害等。 三、客运量预测方法 定性预测方法是主要以预测人员的经验判断为依据而进行的预测。预测者根据自己掌握的实际情况、实践经验、专业水平，对未来货运发展前景的性质、方向和程度做出判断。其特点为:需要的数据少，能考虑无法定量的因素，比较简便可行。 定性预测方法：经济调查法（直接估算法：根据规划线吸引范围内的经济、人口、人均收入等情况，比照邻接铁路每天开行的旅客列车对数，直接估计规划线运营初期每天需要开行的列车对数，远期可按每隔若干年增加一对估算）、德尔菲法（专家调查法）、类推法（时间类推和局部类推）、头脑风暴法等。但这种方法往往在很大程度上取决于参加预测的人员的经验、专业理论水平以及所掌握的实际情况，因此存在片面性，准确性不高的缺点。 定量预测方法则是以历史统计资料和有关信息为依据，运用各种数学方法来预测未来客运市场需求情况，即未来的运量。定量预测方法最大的优点就是客观性，这类方法的预测精度和可靠性在很大程度上取决于数据的准确性和预测方法的科学性。 定量预测方法：时间序列法（移动平均法、指数平滑法、季节指数法、自回归分析、趋势外推法、灰色预测法）、影响因素分析法（回归分析法、系数法：乘车系数和产值系数）、四阶段法（交通生成、交通分布、交通方式划分、交通流分配）。 时间序列分析预测法是一种依据客运量的历史变化趋势，找出其随时间变化的规律，并通过数学模型来表示，然后根据模型来进行预测的方法。这种方法的主要优点是需要数据少、简便，只要所研究的运量时间序列的趋势没有大的波动，预测效果较好。这类方法的缺点是无法反映出运量变化的原因，对于影响运量变化的外部因素变化，如调整经济政策和发展速度而引起的运输需求的变动无法反映。 影响总运输需求的主要因素有很多，但具体的预测目标类型、范围是不同的，必须细致地分析其最
设计题目：基于SPSS的我国公路货运量预测课程名称：运输统计与分析 学院：交通运输工程学院 专业：交通运输 班级：交通运输1001班 学生姓名：余雅佩 学号：201030010101 指导教师：此处先不填写 ==== 2011 /2012学年第二学期====
课程设计（学年论文）任务书 课程名称：运输统计与分析 适用对象：交通运输工程 一、课程设计（论文）目的 《运输统计与分析》课程设计作为独立的教学环节，是交通运输本科专业的必修课。其目的是，通过本课程设计实践，培养学生理论联系实际思想，加深统计分析基本理论与基本知识的理解，学会收集或调查行业统计数据，切实掌握各种统计分析方法，并能灵活运用统计软件在计算机上实现，正确解释和分析运行结果，培养运用各种统计分析方法解决交通运输领域内实际问题的能力。 二、课程设计（论文）题目与内容 本课程设计（论文）主要任务为：针对交通运输领域内某一主题，设计调查表调查或查询相关统计数据，根据本课程讲授内容选择一种或多种合适的统计分析方法，运用SPSS建立模型分析问题。题目自拟，但题名一般要包含主题与统计方法。且必须与交通运输相关，选题主题主要包括： 1.运输市场定位研究 2.运输需求分析与预测 3.政策或技术方法实施效果评价 4.交通行为选择 5.影响因素分析 6.聚类分析 7.服务质量评价 8. 自选 三、课程设计（论文）基本要求 报告内容原则上不少于8000字，其正文至少包括如下几个方面的内容： 1.问题背景（问题的提出、必要性与意义，该问题目前常用的分析手段与方法，本设 计采用的方法） 2.数据采集 （含数据采集方式、描述性分析、统计图表） 说明：调查分析则必须包含调查方案，其它数据原则上必须说明出处。 3.统计模型与分析 （包含模型原理、SPSS操作步骤、输出结果及分析）