未来智讯 > 神经网络论文 > 基于GRNN神经网络的货运量预测

基于GRNN神经网络的货运量预测

发布时间:2019-04-26 04:43:41 文章来源:未来智讯    
基于货物展望的GRNN神经网络学习作者:未知摘要:历史数据以国家统计局货物为基本数据,考虑影响货运的八大因素,选择GRNN货物模具(总运费,铁路货运量和公路货运量) )预测,局与真实价值相匹配。 无线电通信局已经证明,这种方法可以在预测货运量方面取得更好的效率,特别是当径向基函数扩展率为0.4时。 关键词:货运量; 展望; GRNN神经网络中图分类号:F506文献标识码:A作为交通建设的基本方法,投资计划是根本,货运量在国内预测。 而区域经济增长计划具有非常重要的意义。 货运量的一般预测包括时间序列法,移动滑动法,指数滑动法,回归分析法和灰色预测法。 由这些要素建立的模具不能完全和科学地反映预测的动态数据的内涵。 布局和混乱的功能。 作为并行策略模型,人工神经网络只需要给出对象的输入和输出数据,通过协商网络自身的训练功能就可以达到输入输出的完全匹配。 本文选择GRNN建立货运量预测神经网络模型,并利用统计数据预测货运量(总货运量,铁路货运量和公路货运量),验证神经网络模型的有效性。 1广义回归神经网络(GRNN)1.1 GRNN的布局1.2 GRNN理论的基础知识2问题建模和求解思路根据要解决的问题构建GRNN模型首先分为以下步骤:步骤1 :发生训练集/测试集。 当训练集和测试集发生时,不仅要考虑训练集和测试集样本数,还要考虑异常样本对模具的影响,并且应该消除异常样本。 第2步:创建GRNN神经网络。 使用MATLAB附带的神经网络填充框可以创建GRNN。 第3步:机器的模拟测试。 设置模具后,将测试装置的输入变量输入模具,模具的输出为相应的外观。 第4步:获取游戏并将其与实际值进行比较。 3案例分析3.1基本数据统计1993年至2012年相关货运远期的相关基础数据见表1. 3.2 GRNN期待使用MATLAB软件和神经网络物品盒,窃取函数net = newgrnnP,T, SPREAD,其中P是输入向量矩阵; T是索引分类向量矩阵; SPREAD是径向的基本功能扩展率,默认值为1.基于上面确定的输入和输出,表1中的数据用作网络训练样本,并且通过编程获得2003年至2012年的出货量前景数据。 凭证步骤调试运行游戏。 当SPREAD为0.4时,训练数据更好,如表2所示。解析MATLAB并将outlook数据与实际数据进行比较,如图2至图4所示。从图中可以看出,基于决策 关于GRNN货运量(总货运量,铁路货运量和公路货运量)与实际值相近。 4结论货运量是运输系统的一个重要的基础数据。 它是反映货物运输需求的关键目标。 当对行人货运量的前景有很多要求,但大多数都是基于因果分析和趋势,本文以GRNN神经网络为基础预测货运量,证明了GRNN具有良好的可行性。 货运量预测。 参考文献:[1] Zhao C,Liu K,Li D S.基于GRNN的货运量预测[J]。 中国铁道学会学报,2004,26(1):4- 7. [2]魏金燕,冯汝。 用GRNN模型预测交通量并研究其实现[J]。 长沙交通学院学报,2006(2):10。 [3]罗平,朱莉。 基于多因素,全国铁路货运量的前景[J]。 中国高新技术企业,2007(10):29-30。 [4]李杰,王珂,王航。 基于广义回归神经网络的公路货运量前景[J]。 交通与战略期刊,2007,25(3):131-133。 [5]童玉娟,李晓辉。 基于GRNN Outlook的航运[J]。 福建计算机,2013,28(10):108-109。 [6]易良忠,张超,裴峥。 广义回归神经网络的改进及其在交通前景中的应用[J]。 山东大学学报(工学版),2013,43(1):1-6。
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/86574/
 与本篇相关的热门内容: