当前位置：文档之家 › 基于MATLAB的公路货运量预测案例分析报告

基于MATLAB的公路货运量预测案例分析报告

  • 格式：pdf
  • 大小：282.96 KB
  • 文档页数：12

下载文档原格式

  / 12

合集下载

MATLAB软件在物流运输定量分析中的应用

MATLAB软件在物流运输定量分析中的应用
Ｘ＝ ｌｉｎｐｒｏｇ （Ｃ，Ａ，Ｂ） ［Ｘ，ｆｖａｌ，ｅｘｉｔｆｌａｇ，ｏｕｔｐｕｔ，ｌａｍｂｄａ］ ＝ ｌｉｎｐｒｏｇ （Ｃ，Ａ，Ｂ，Ａｅｑ，Ｂｅｑ，ＬＢ，ＵＢ，Ｘ０，ｏｐｔｉｏｎｓ）， 式中， 等号左边是运算的
返回值， 其中 Ｘ 是使目标函数取得最小值的一组变量的值； ｆｖａｌ 是优化结束后得到的目标函数值； 返回值 ｏｕｔｐｕｔ 有 ３ 个分量， ｉｔｅｒａｔｉｏｎｓ 表示优化过程的迭代次数， ｃｇｉｔｅｒａｔｉｏｎｓ 表示 ＰＣＧ 迭代次数， ａｌｇｏｒｉｔｈｍ 表示优
一、物流运输定量分析问题
在所有的物流功能中， 运输是一个最基本的功能， 是物流的核心问题。人们提到物流， 首先想到的便 是运输。物资从甲地运到乙地可以产生地点或场所转换的功效， 产生这种功效的就是运输。因此， 为了降 低物流成本， 我们有必要研究物流运输中如何组织物资调运才能使总运输成本最少这一重要问题。研究物 资运输过程中最优的运输方案， 需要在满足各种资源限制的条件下， 找到使运输总成本最少的调运方案。 实践中通常是通过建立数学模型， 用定量分析的方法来解决这一问题。但由于此类问题所涉及的条件变量 较多， 一般的数学方法运算难度较大， 结果不容易求出。而线性规划法则是众多解决方法中较为有效的一 种， 线性规划是运筹学的一个分支， 它是最优化问题领域中最简单、最基本和使用最广泛的方法， 常应用 于工农业、军事、交通运输、决策管理与规划、科学实验等领域。
式中， 等号的右边括号中， Ｃ 为由目标函数系数构成的矩阵； Ａ 是一个矩阵， Ｂ 是一个矩阵。矩阵 Ａ 和 Ｂ 构成了线性规划的不等式约束条件 ＡＸ≤Ｂ。
Ａｅｑ 是一个矩阵， Ｂｅｑ 也是一个矩阵， Ａｅｑ 和 Ｂｅｑ 构成了线性规划的等式约束条件 Ａｅｑ·Ｘ＝ Ｂｅｑ。

Matlab技术在交通流量预测中的应用案例分享

Matlab技术在交通流量预测中的应用案例分享

Matlab技术在交通流量预测中的应用案例分享交通流量对于城市的交通管理至关重要。

无论是改善交通拥堵，优化信号配时，还是规划交通基础设施，准确的交通流量预测都是必要的。

而近年来，随着计算机和数学建模技术的快速发展，Matlab作为一种强大的科学计算工具，在交通流量预测中的应用也日益受到重视。

一、交通流量预测的意义交通拥堵是城市发展面临的一大挑战。

交通流量预测能够为城市交通管理者提供重要的决策支持。

通过准确预测交通流量，可以及时调整信号配时，优化交通路线，甚至规划新的交通基础设施。

这些都有助于减少拥堵，提高交通效率，提升居民出行品质。

二、数据获取与预处理交通流量预测需要大量的交通数据支持。

一般来说，交通数据可以通过传感器、摄像头或其他监测设备收集得到。

在数据收集过程中，需要考虑数据的时空分布特点，并确保数据的可靠性和完整性。

此外，还需要对收集到的原始数据进行预处理，包括数据清洗、特征提取等步骤。

Matlab作为一种强大的数据分析和处理工具，可以帮助我们高效地完成这些任务。

三、基于时间序列的交通流量预测模型时间序列分析是交通流量预测中常用的方法之一。

它通过对历史交通数据进行分析，建立起交通流量与时间的关系模型，从而进行未来交通流量的预测。

Matlab提供了丰富的时间序列分析工具箱，如ARMA、ARIMA、GARCH等模型。

这些工具可以帮助我们方便地进行时序数据建模和预测。

四、基于机器学习的交通流量预测模型近年来，机器学习技术在交通流量预测中的应用也越来越广泛。

机器学习算法可以通过对大量交通数据的学习和训练，建立起交通流量与其他因素之间的非线性关系模型。

Matlab作为一种流行的科学计算工具，集成了各种机器学习算法，如决策树、支持向量机、神经网络等。

这些算法可以帮助我们构建出特定场景下的交通流量预测模型。

五、城市交通流量预测案例分析在实际应用中，Matlab技术已经成功地应用于各种城市交通流量预测项目中。

MATLAB在交通与物流优化中的技术实践案例

MATLAB在交通与物流优化中的技术实践案例

MATLAB在交通与物流优化中的技术实践案例随着城市化进程的加快，交通与物流成为现代社会不可或缺的重要组成部分。

为了提高交通运输系统的效率和可持续性，并满足不断增长的物流需求，利用先进的技术手段进行优化和管理变得尤为重要。

在这方面，MATLAB作为一种功能强大、广泛应用的科学计算软件，为交通与物流领域的优化问题提供了有效的解决方案。

本文将以实际案例的形式，介绍MATLAB在交通与物流优化中的技术实践。

一、交通流量预测与优化交通流量预测是交通优化的基础。

利用MATLAB的数据处理与统计分析功能，可以对历史交通数据进行分析，提取特征，并建立合适的预测模型。

以城市交通拥堵为例，可以通过收集历史的交通流量、天气状况、节假日等数据，利用MATLAB进行数据处理和特征提取，构建基于时间序列或机器学习的预测模型。

这些模型可以进行未来交通流量的预测，为交通管理部门提供决策依据。

同时，通过对预测结果进行优化分析，也可以制定相应的出行策略，减少交通拥堵问题。

二、路径选择与规划优化在实际的物流运输中，选择最优路径和规划车辆行驶路线可以显著降低成本并提高效率。

MATLAB提供了强大的优化工具，可以通过建立数学模型，采用线性规划、整数规划或者动态规划等方法，求解最优路径选择和车辆调度问题。

这个过程中，需考虑不同路径的距离、道路拥堵情况、运输成本等因素，并权衡各种约束条件，最大限度地提高物流的效益。

利用MATLAB进行路径规划优化，可以实现最优路径的选择和车辆调度策略的制定，从而提高物流配送效率，并减少运输成本。

三、停车场管理与优化停车位紧缺和停车管理是城市交通中的常见问题。

利用MATLAB可以对停车位的使用情况进行数据分析，并结合城市交通特征，构建停车场管理与调度模型。

例如，可以通过MATLAB对停车位的使用率、车辆流量等数据进行分析，预测停车需求。

并通过建立合理的停车场管理模型，制定最佳停车策略，如区域停车分布、停车费用调整等。

Matlab与物流管理实验(2)

Matlab与物流管理实验(2)

1、求下列联立方程的解
3x+4y-7z-12w=4
5x-7y+4z+ 2w=-3
x +8z- 5w=9
-6x+5y-2z+10w=-8
（1）求系数矩阵的秩；（2）求系数矩阵的行列式；
（3）求出方程组的解。

3
在上述cell矩阵中，每一横行代表一笔数据，我们要用不同的方法来排序：（1）请按歌星名字内码来排序，产生新的cell矩阵B
（2）请按年代来排序，产生新的cell矩阵C
4、请修改下面的程序，让他们没有for循环语句！A=[1 2 3; 4 5 6; 7 8 9];
[r c]=size(A);
for i=1:1:r
for j=1:1:c
if (A(i,j)>8 | A(i,j)<2)
A(i,j)=0;
end
end
end
5、编写一个函数，使其能够产生如下的分段函数：
⎪⎩⎪⎨⎧≤≤<-≤=x x x x x x f 65.06
20.251.525.0)(，，，，
并调用此函数，绘制在x =[0,2]范围的f (x )*f (x +2)曲线。

6、应用Matlab求解设施选址：某物流园区每年需要从A地运来铸铁,从B地运来煤炭,从C地运来各种造型材料,从D地运来钢材,各地与该城市中心的距离和每年的材料运量如下表所示,求设置该物流园区的参考位置的坐标M(x,y)。

Matlab在交通流量预测与优化中的应用实践

Matlab在交通流量预测与优化中的应用实践

Matlab在交通流量预测与优化中的应用实践交通流量预测与优化是现代城市交通管理的重要组成部分。

随着城市化进程的加速，交通拥堵问题日益严重，如何准确地预测交通流量并优化交通系统成为了亟待解决的难题。

在这一领域中，Matlab作为一种功能强大的计算工具，被广泛应用于交通流量的预测和优化研究中。

首先，Matlab在交通流量预测中的应用可利用其强大的数学建模和计算能力。

通过利用历史交通流量数据和相关变量，可以建立起交通流量的预测模型。

以时间序列分析为例，Matlab可以利用其内置的函数和工具箱来分析并预测未来的交通流量。

根据历史数据的趋势和周期性变化，可以利用ARIMA模型来进行预测并给出可靠的结果。

同时，通过搭建神经网络模型，Matlab还可以实现非线性交通流量预测，提供更加准确的结果。

其次，Matlab在交通流量优化中的应用主要体现在交通信号控制方面。

通过对路口交通信号灯的优化调度，可以有效地减少交通拥堵和排队长度。

借助Matlab 的优化算法和仿真平台，可以实现对交通信号时序的自动优化。

在此过程中，基于交通流量数据的收集和模拟，在Matlab中可以构建各种优化模型，以最小化交通拥堵指标或最大化交通效率指标为目标，并找到最优的信号时序策略。

此外，Matlab在交通流量预测与优化中还可以应用于交通网络建模和仿真。

通过将交通网络抽象成图模型，利用Matlab中的图论算法和网络分析方法，可以对交通网络进行分析、优化和仿真。

例如，通过构建交通网络拓扑结构和节点间的连通关系，可以利用最短路径算法来确定交通路径选择和优化。

而在交通仿真方面，Matlab中的仿真模型和工具箱可以模拟不同交通情景下的交通流动，并通过对交通流量参数的调整，进一步优化交通流量的效率。

综上所述，Matlab在交通流量预测与优化中具有广泛的应用潜力。

它的数学建模和计算能力，以及丰富的优化算法和仿真平台，使其成为处理交通流量相关问题的有力工具。

MATLAB编程（运筹学之运输问题）

MATLAB编程（运筹学之运输问题）

MATLAB编程（运筹学之运输问题）运筹学与最优化MATLAB编程使⽤MATLAB求解：1、某公司经销甲产品。

它下设三个加⼯⼚。

每⽇的产量分别是：A1位7吨，A2为4吨，A3为9吨。

该公司把这些产品分别运往4个销售点。

各销售点的每⽇销量分别为：B1为3吨，B2为6吨，B3为5吨，B4为6吨，已知运价如下表所⽰，问该公司如何调⽤产品，在满⾜各销地需求量的前提下，使总运费最少。

运价表加⼯⼚销地B1B2B3B4A1311310A21928A374105解：设x ij为第i加⼯⼚运往第j销地的产品则min Z=3x11+11x12+3x13+10x14+x21+9x22+2x23+8x24+7x31+4x32+10x33+5x34根据合同要求，需满⾜x11+x12+x13+x14=7x21+x22+x23+x24=4x31+x32+x33+x34=9x11+x21+x31=3x12+x22+x32=6x13+x23+x33=5x14+x24+x34=6M⽂件如下：c=[3,11,3,10,1,9,2,8,7,4,10,5]；Aeq=[1,1,1,1,0,0,0,0,0,0,0,0;0,0,0,0,1,1,1,1,0,0,0,0;0,0,0,0,0,0,0,0,1,1,1,1;1,0,0,0,1,0,0,0,1,0,0,0;0,1,0,0,0,1,0,0,0,1,0,0;0,0,1,0,0,0,1,0,0,0,1,0;0,0,0,1,0,0,0,1,0,0,0,1]；beq=[7;4;9;3;6;5;6]；lb=[0;0;0;0;0;0;0;0;0;0;0;0]；ub=[Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf;Inf]；[x,fval]=linprog(c,[],[],Aeq,beq,lb,ub)2、某⼚按合同规定须于当年每个季度末分别提供10,15,25,20台同⼀格的柴油机。

matlab实验范例

学年第学期《几何与代数》数学实验报告姓名：学号：得分：_________实验一.交通网络流量分析问题【实验目的】1. 建立确定每条道路流量的线性方程组. 利用MATLAB进行矩阵转换，分析哪些流量数据是多余的.2. 为了唯一确定未知流量, 分析需要增添哪几条道路的流量统计【已知条件】1. 某城市单行线车流量（如上图）2. 每条道路都是单行线3. 每个交叉路口进入和离开的车辆数目相等.【实验原理】利用求非齐次线性方程组的解的方法，通过对确定的线性方程组所得的增广矩阵进行初等行变换，得到行最简型矩阵。

当r(系数矩阵)=r(增广矩阵)=解的个数时，方程有唯一解，此时各单行线的车流量均可求出；当r(系数矩阵)=r(增广矩阵)<解的个数时，方程有无数多个解，此时可分析出多余数据及需要增添的数据。

【实验步骤】1. 建立确定每条道路流量的线性方程组，如下x1+x7=220+180 1x1+x9=x2+300 2x2+100=x11+300 3x3+x7=x8+350 4x4+x10=x3+x9 5x11+500=x4+x12 6x5+x8=160+150 7x6+400=x5+x10 8x12+150=x6+290 92.在MATLAB命令窗口中输入如下命令：>>a=[1,0,0,0,0,0,1,0,0,0,0,0;0,1,0,0,0,0,0,0,0,0,-1,0;0,0,0,0,1,0,0,1,0,0,0,0;0,0,0,0,0,1,0,0,0,0,0,-1;1,-1,0,0,0,0,0,0,1,0,0,0;0,0,1,0,0,0,1,-1,0,0,0,0;0,0,0,0,1,-1,0,0,0,1,0,0;0,0,0,1,0,0,0,0,0,0,-1,1;0,0,1,-1,0,0,0,0,1,-1,0,0]%线性方程组的系数矩阵。

3. 在MATLAB命令窗口中输入如下命令:>> c=[400;200;310;-140;300;350;400;500;0];A=[a,c]%A为线性方程组的增广矩阵。

基于MATLAB的公路货运量预测案例分析报告

目录：目录： (1)摘要 (2)1、引言 (2)2、常用的基于MATLAB的公路货运量预测模型的简介 (3)2.1、一次指数平滑模型 (3)2.2．灰色Verhulst模型 (3)3、BP神经网络组合预测模型 (4)3.1．BP神经网络组合预测模型背景介绍 (4)3.2．MATLAB应用于BP神经网络的货运量组合预测模型 (5)3．2．1 数据预处理 (5)3．2．2 确定网络结构，初始化权重 (5)3．2．3 网络训练 (6)3．2．4 对训练好的网络进行检验，判断是否具有良好的泛化功能 (6)3．2．5 用训练好的网络进行模拟预测，得到所要的预测值 (6)3.3 运用BP网络建模应用实例 (6)4．对于该案例的结论与总结 (9)4.1 结论 (9)4.2 总结 (10)参考文献 (11)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。

本文涉及了基于MATLAB 的多种公路货运量方法，包括BP神经网络组合预测模型、一次指数平滑法公路货运量预测模型、灰色Verhulst模型的公路货运量预测模型，并在此着重介绍BP神经网络建立公路运量组合预测的理论模型，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，并借助于先进的数学计算软件进行简单的编程大大降低模型的计算难度。

实例证明该方法具有很高的预测精度。

关键词：MATLAB；公路货运量；组合预测；BP神经网络1、引言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，目前，常用的预测方法可分为单项预测方法和组合预测方法，可以根据不同的情况选择不同的预测模型。

基于MATLAB的BP神经网络组合预测模型在公路货运量预测中的应用


果综 合起 来 ，以改善模 型 的拟 合能力 并 提高 预测 精 度 。 但 是 ，传 统 的 组 合 预 测 方 法 具 有 一 定 的 局 限
性。
济 意义 。可 见 ，公路 货运 量 的预测 举 足轻 重 ，可 靠
ＹＡＮＧ Ｙｕ ｃ ｏ，Ｗ Ｕ Ｆｅ ， ＹＵＡＮ Ｚｈ ｎ— ｈｏ ｎ— ｈａ ｉ ｅ ｚ ｕ
（ Ｅ ｅ Ｌ ｂ ｒｔ ｙ ｆｒ Ｕ ｂ ｎ Ｔ ａ ｓ ｏｔ ｉｎ ｏ ｐ ｅ Ｓ ｓ ｍ ｈ ｏ ａ ｄ Ｔ ｃ ｎ ｌｇ ，Ｂ ｉｎ ｉ ｔｎ ｎｖ ｒ ｔ ， ＭＯ Ｋ ｙ ａ ｏａ ｒ ｏ ｒ ａ ｒｎｐ ｒ ｔ Ｃ ｍ ｌｘ ｙｔ ｓ Ｔ ｅ ｒ ｎ ｅ ｈ ｏｏ ｙ ｅ ｉｇ Ｊａ ｏ ｇ Ｕ ｉｅｓ ｙ ｏ ａｏ ｅ ｙ ｊ ｏ ｉ Ｂ ｉｎ １ ０ ４ ，Ｃ ｉａ ｅ ｉ ０ ４ ｈｎ ） ｊｇ ０
或某 几个 方 面 ，反 映 了部分 因素 的影 响 。但公 路 货 运量 受到 多种 因素 的影 响 ，为 了最 大限 度地 反映 实 际情 况 ，可 采用组 合 预测 的方 法将各 种 单项 预测 结
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
关 键 词 ：ＢＰ 经 网络 ：货 运 量 ：ＭＡＴ ＡＢ；组 合 预 测 神 Ｌ 中图 分 类 号 ：Ｕ４ １】 ３ ９ ．１ 文 献标 识码 ：Ａ 文章 编 号 ： １ ０ — ７ ６ ２ ０） ４ ０ ０ — ３ ０ ２ ４ ８ （ ０１ ０ — ２ ７ ０
ＤｏＩ １ ３ ６ ／ １ ０ — ７ ６２ １ ．４０ ３ ： ０．８ ９ｉ ０ ２ ４ ８ ．０ ００ ．６ ．

基于 MATLAB的运输问题求解


Байду номын сангаас
初始方案下总运费 Ｓ ＝ １ × １ ０ ＋ １ × ９ ０ ＋ １ × ２ ０ ＋ １ ×８ ０ ＋ ０．５×４０＋１×７０＋０．５×５０＋１×６０＋０．５×３ ０ ＋ ２ × ６ ０ ＋ １ ． ５ ×８ ０ ＋ １ × ４ ０ ＝ ６ ７ ０元。
方案优化：针对上述案例，首先构建数学模型,建 立线性方程组。假设产地 A1 ， A2， A3向销地B1 ， B2 ， B3 ， B4配送的运输量分别是 X1, X2，……X12.
ＭＡＴＬＡＢ的 基于 ＭＡＴＬＡＢ的运 问题求解方 输问题求解方法
MATLAB在运输问题中的 MATLAB在运输问题中的 应用
Example：某食品公司下属的 Ａ １ ， Ａ ２ ， Ａ ３ ， ３个厂生产方便食 品， 要运输到 Ｂ １ ， Ｂ ２ ， Ｂ ３ ， Ｂ ４ ， ４个销售点； 公司的初始运 输方案如表 １所示； ３个厂到各销 售点每吨方便食品的运价如表 ２所示。 问该食品公司在满足各销售点销售量 的情况下如何安排运输使得总运费最 小。
MATLAB代码： 代码： 代码
F = [10 90 20 80 40 70 50 60 30 60 80 40]; m = [1 1 1 1 0 0 0 0 0 0 0 0 000011110000 000000001111 100010001000 010001000100 001000100010 0 0 0 1 0 0 0 1 0 0 0 1]; n = [4 3 5 2 4 3 3 ]; M = [0 0 0 0 0 0 0 0 0 0 0 0]; [v, e] = linprog(F, [], [], m, n, M); x = reshape(v, 4, 3); x = x';
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

其中：
解白化方程可得：
对上式计算出来的一次累加序列进行还原，得到各时段的预测值为：xˆ(0) (k +1)
= xˆ(1) (k +1) − xˆ(1) (k)模型精度检验：设原始序列：x(0) =(x(0) (1),x(0) (2),
,x(0)
(n))，灰色Verhulst模型预测序列为xˆ(0) =(xˆ(0)(1),xˆ(0)(2), ,xˆ(0)(n))计算残
3．2．1 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。
3．2．2 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
2.2．灰色Verhulst模型
设有n个原始数据样本序列x(0) = (x(0) (1), x(0) (2),…, x(0) (n))，对此数列 进行一阶累加生成一次累加序列1-AGO： x(1) ：x(1) = (x(1) (1), x(1) (2), , x(1) (n)) 。 其 中 ： x(1) (1) = x(0) (1) ，
差： ε (0) (n) = x(0) (n) − xˆ(0) (n)计算相对误差：
,计算x(0)的均值、
方差：
,计算ε (0) (n)的均值、方差：
，计算均方差比值
。
3、BP 神经网络组合预测模型
3.1．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。
3．2．1 数据预处理........................................................................................................ 5 3．2．2 确定网络结构，初始化权重............................................................................ 5 3．2．3 网络训练............................................................................................................ 6 3．2．4 对训练好的网络进行检验， 判断是否具有良好的泛化功能......................6 3．2．5 用训练好的网络进行模拟预测， 得到所要的预测值..................................6 3.3 运用 BP 网络建模 应用实例........................................................................................6 4．对于该案例的结论与总结.......................................................................................................... 9 4.1 结论.................................................................................................................................... 9 4.2 总结.................................................................................................................................. 10 参考文献...........................................................................................................................................11
3.2．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。
2.1、一次指数平滑模型...........................................................................................................3 2.2．灰色 Verhulst 模型........................................................................................................ 3 3、BP 神经网络组合预测模型......................................................................................................... 4 3.1．BP 神经网络组合预测模型背景介绍.............................................................................4 3.2．MATLAB 应用于 BP 神经网络的货运量组合预测模型.................................................. 5
2、常用的基于 MATLAB 的公路货运量预测模型的简介
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。单独采 用某一种模型往往有其局限性。因此，为了利用各种预测方法所提供的信息，规 避单一模型的局限性，从而尽可能地提高预测精度，我们采用组合预测的方法。 下面将提供几种常用基于MATLAB的公路货运量预测模型。
目录：
目录：.................................................................................................................................................1 摘要.....................................................................................................................................................2 1、引言...............................................................................................................................................2 2、常用的基于 MATLAB 的公路货运量预测模型的简介................................................................ 3
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
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
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。本文涉及了基于 MATLAB 的多种公路货运量方法，包括 BP 神经网络组合预测模型、一次指数平滑法公路 货运量预测模型、灰色 Verhulst 模型的公路货运量预测模型，并在此着重介绍 BP 神经网络建立公路运量组合预测的理论模型，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，并借助于先进的数学计算软件 进行简单的编程大大降低模型的计算难度。实例证明该方法具有很高的预测精 度。
关键词：MATLAB；公路货运量；组合预测；BP 神经网络
1、引言
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，目前，常用的预测方法可分为单项预测方法 和组合预测方法，可以根据不同的情况选择不同的预测模型。本文将介绍将包括 BP神经网络组合预测模型、一次指数平滑法公路货运量预测模型、灰色Verhulst 模型在内的几种公路货运量预测方法，其中着重介绍BP神经网络建立公路运量组 合预测的理论模型，并以实例加以解释阐述起基本原理。