基于灰色理论与BP神经网络交通运输量组合预测

组合预测方法与单一预测方法相比可以提高预测的精度和稳定性,因此得到广泛的应用.本文首先概述了组合预测的基本思想,然后介绍了基于bp神经网络的组合预测模型,并以吉林省公路货运量为例给出计算实例,实例的预测结果非常理想,同时也用数理统计的方法证明了此模型的适用性.统计分析和实践都证明此模型的可行性和适用性,说明将此模型用于公路交通运输量预测是有效可行的.

本文分析了影响房价的多种因素;运用灰色gm(1,1)模型预测这些因素的数据走势,利用bp神经网络以历史数据为依据运用matlab进行仿真,得出我国未来五年房价预测值。结果表明,采用神经网络结合灰色gm(1,1)预测而得的各影响因素预测值,预测未来房价,具有很强的实用性。

利用智能方法对边坡形变进行预测,进而对矿区安全进行评估近年来成为研究的热点。针对边坡形变数据小样本、贫信息、高非线性等特点,本文将灰色理论与神经网络方法相结合构建灰色神经网络,充分利用灰色模型处理小样本和神经网络处理非线性的能力,对矿区边坡形变进行预测。实验分析表明,利用灰色神经网络进行形变预测是正确有效的,预测精度取得了较好的效果。

以福建省公路旅客周转量和货物周转量的统计资料为基础,结合神经网络技术原理,应用bp神经网络方法建立3维输入、单输出、隐层单元数为15的3层神经网络模型,分别对福建省公路旅客周转量和货物周转量进行预测.结果表明,各月的旅客周转量和货物量预测值的最大相对误差的绝对值分别为0.4890%和0.4495%.该模型具有简便实用、预测精度高的优点.

文章根据组合预测的理论和bp神经网络对非线性数据良好的逼近特性,提出了基于bp神经网络的灰色预测、多项式回归模型的民用汽车运力组合预测模型。此模型综合了各单一模型的有效信息,能够比较客观地反映地区民用汽车运力的发展趋势,为相关部门提供决策依据。

在深基坑工程施工过程中，基坑周围地表的沉降对周围建筑物、地下管线和支护体系的安全都会造成很大的影响，如何利用对影响基坑周围地表沉降的关联因素的研究并结合基坑周围地表沉降的监测数据来分析得到基坑周围地表沉降量的走势，已成为城市建设中的一个重要的安全课题．以天津市某换乘车站为例，分析影响该基坑周围地表沉降的关联因素，建立灰色预测和bp神经网络组合模型，在“小样本、贫信息”的情况下，得到的预测结果与实际监测值吻合度较高．利用该预测模型可对一些在开挖过程中监测天数相对较少的深基坑工程进行可靠而准确的预测．

gm模型在预测中对历史数据作不同取舍时,其预测值并不相同,即这种预测结果将是一个预测值的区间,这就给预测人员的取舍带来一定困难。利用gm模型少数据建模和人工神经网络非线性逼近的优点把两种模型结合起来,用对历史数据作不同取舍的gm模型的预测值和纯神经网络的预测值作为组合神经网络的输入,由人工神经网络确定这些不同gm模型和纯bp网络的组合,实例验证得出更为准确的预测值,从而证明这一模型的可行性和有效性。

短时交通流预测是现代智能交通系统的核心内容,针对城市道路被占所造成的城市交通拥堵排队问题,以路段视频统计为例,利用bp神经网络方法就实际通行能力、具体车辆数、事故持续时间与排队最长长度之间的关系进行预测分析,从实验模拟结果来看,该方法能有效地解决交通流实时和可靠性预测。

交通事故的发生因受随机因素的影响而呈现出不确定性和非线性的特点.在分析交通事故与人口、车辆、道路、经济发展等因素关系的基础上,综合考虑影响交通事故的多种因素,建立了bp神经网络.进而,选取总人口、机动车驾驶员人数、公路密度、民用车辆、人均gdp作为交通事故预测模型的输入向量,以交通事故的四项指标作为输出向量,利用lm算法或galm算法优化的bp神经网络模型对交通事故进行预测.实验表明,galm算法优化的bp神经网络模型与bp神经网络或lm算法优化的bp神经网络相比,具有较高的精度和较快的收敛速度,能更好地适用于交通事故预测.

bp神经网络-灰色系统联合模型预测软基沉降量——目前软基沉降预测多采用指数曲线和双曲线延伸法，其结果不够理想，神经网络在此方面的运用也存在一定的局限，虽然gm(1，1)模型在软基沉降预测领域已得到运用，但在已有的案例中所使用的等时距模型都没有明确说明...

结合灰色模型和bp神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法。以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律。

本文以动态交通控制理论为基础,应用神经网络理论和matlab仿真软件,建立交通流量预测模型。给出了基于改进bp算法的交通流动态时序的预测算法仿真实验,并利用试验得到的结果对该算法的适用性和局限性进行了验证。

以黄土高原区土壤为研究对象,通过土壤基本理化参数与土壤水分特征曲线的系列试验,获得了van-genuchten模型参数的数据样本。运用灰色理论对土壤基本理化参数进行了灰色关联度分析,建立了以土壤基本理化参数为输入变量,土壤水分特征曲线van-genuchten模型参数为输出变量的bp神经网络预测模型。研究结果表明:以土壤黏粒含量、粉粒含量、容重、有机质含量、全盐量为输入变量,运用bp神经网络方法对土壤水分特征曲线van-genuchten模型参数进行预测是可行的。所建立的灰色bp神经网络预测模型下,van-genuchten模型参数α与参数n的预测值与检验值平均相对误差都小于5%,建模样本和检验样本都具有较高的精确度。研究成果一方面有助于丰富黄土水力参数的理论研究,另一方面为土壤水分特征曲线的获取提供技术支撑。

针对建筑能耗受局地气候多因素影响的特点,为了客观准确地对建筑能耗进行预测,本文引入了气象热舒适度来综合分析气候对建筑能耗的影响,并以该指数预测值、建筑能耗原始数据和日期类型作为输入层,进行复合灰色神经网络模型预测建筑能耗。该方法不仅克服了灰色模型和神经网络存在的预测缺陷,同时还考虑了气象因素对建筑能耗的影响。通过对北京某大厦的实例应用分析,取得了较高精度的预测结果,证实了该方法的合理可靠,为建筑能耗预测提供了新途径,其预测结果也将为大型建筑空调系统的再优化设计和改造提供参考。

准确的客流量预测在国家交通规划与管理中具有重要意义,预测方法的选择直接影响到预测的精度。客运量的预测具有小样本和非线性的特点。结合灰色理论和rbf神经网络的特点形成灰色-rbf神经网络模型,并采用客流运量分担率的方式对拟建铁路客流量进行预测。通过灰色理论对原始数据进行生成处理,将无规律的原始数据变为较有规律的生成数列,再利用rbf神经网络的超强适应能力和学习能力,大大加快学习速度并避免出现局部极小问题对生成数列进行预测,再将模型运用到客运量的预测中。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,得出灰色-rbf神经网络模型对客流量具有很好的预测性。

准确的客流量预测在国家交通规划与管理中具有重要意义,预测方法的选择直接影响到预测的精度。客运量的预测具有小样本和非线性的特点。结合灰色理论和rbf神经网络的特点形成灰色-rbf神经网络模型,并采用客流运量分担率的方式对拟建铁路客流量进行预测。通过灰色理论对原始数据进行生成处理,将无规律的原始数据变为较有规律的生成数列,再利用rbf神经网络的超强适应能力和学习能力,大大加快学习速度并避免出现局部极小问题对生成数列进行预测,再将模型运用到客运量的预测中。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,得出灰色-rbf神经网络模型对客流量具有很好的预测性。

为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(backpropagation,bp)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.

提出了一种基于灰色模型和神经网络组合的短期负荷预测方法。首先利用频域分解消除负荷序列的周期性,然后利用灰色模型计算负荷序列的历史拟合值和未来预测值,将其作为神经网络的输入。在历史数据中选择一天作为基准日,以该基准日的量为参照,以负荷的灰色模型拟合值相对基准日的变化量,以及温度变化量为bp神经网络的输入,实际负荷变化量为输出,训练神经网络并预测待预测日负荷的变化量,加上基准日负荷后得到预测负荷。该方法综合了灰色模型方法和神经网络方法的优点,仿真结果验证了方法的有效性。

针对电力日最高负荷受多种因素影响,变化趋势复杂,难以通过建立准确的数学模型进行预测的问题,提出灰色动态模型对电力日最高负荷进行预测,在此基础上构造了灰色神经网络组合预测模型。该模型避免了变权组合预测模型的主观与繁琐,能有效地将灰色预测弱化数据序列波动性的优点和神经网络较强的非线性适应能力相融合。算例结果表明该方法的可行性和有效性,预测精度也得到了改善。

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比gm(1,1)预测模型小;与bp预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与bp预测相结合的方法进行预测。

本文结合住宅房地产的价格理论和相关网站上的数据,科学地选取影响商品住宅价格的影响指标为人均gdp、人均可支配收入、人口数量、房地产开发投资额和商品住宅建筑面积,并以此建立hedonic商品住宅价格影响因素模型。依照bp神经网络预测的实现步骤,探索bp神经网络在预测海口市商品住宅价格的应用,得到2018年6月-2019年5月商品住宅价格预测值,对海口市商品住宅价格的研究具有一定的指导作用。

利用matlab建立bp神经网络,将影响建筑能耗的18个因素作为网络的输入,进行学习训练,最后通过测试样本点数据预测建筑能耗,与dest-h模拟计算得到的结果比较,发现相对误差在3.5%以内,并通过实例验证了该网络模型的准确性。该方法使建筑人员在设计阶段就能快速且准确地获得设计建筑的能耗。