ABC和BP神经网络的铁路货运成本预测

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。

为了预测高速公路路基最终沉降量,首先依据影响软土路基沉降的因素选取参数建立了bp神经网络预测最终沉降量模型.结合成都-南充高速公路沉降实测资料及其它文献中大量路基沉降资料,利用bp神经网络预测了其各自最终沉降量.通过检验样本验证,预测精度较高,能够满足实际需要.并对bp神经网络在公路建设中的应用提出了一些注意事项.

建筑节能是当今城市建设和社会发展的前沿和研究热点,对建筑的能耗现状进行综合分析与评估是进行节能改造或节能设计的前提和基础,而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性、为公共建筑节能工作提供决策依据的有效途径和重要手段。研究针对常规bp网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的lm算法进行预测,构造了基于bp神经网络的建筑物用电量预测模型。以某市公共建筑原始用电能耗统计数据作为样本,并采用matlab对预测模型进行了仿真预测。结果显示:误差在允许范围内。

根据盾构施工引起地表沉降的具体问题,结合广州地铁三号线某区间地质资料,建立了地表沉降预测的bp神经网络模型,并对网络进行了训练和测试,测试结果表明,利用神经网络进行盾构隧道施工的地表沉降预测是可行的,可用于工程实践。

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。

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。

进度控制作为项目管理的主要内容，如何对施工进度进行有效的预测将有重要的现实意义，应用bp神经网络技术对工程进度进行预测，得到的预测值比线性方法更准确，精度更高。

基坑工程施工中,需要根据现场实际情况、周围环境、建筑安全等级等对变形进行严格控制。通过对基坑实测变形数据进行整理和分析,对未来变形量作出预测,保证基坑安全。结合bp神经网络的高度非线性映射能力,提出了一种基于bp神经网络的基坑变形时间序列预测方法。在基坑开挖过程中,采取滚动预测的方法,不断利用前期已有实测数据建模预测后期变形量,以实现信息化施工和动态控制。实例分析表明,bp神经网络模型具有较高的预测精度,并能获得满意的预测结果。

随着社会发展,汽车已经成为家庭的重要出行工具.汽车运行时间越长,故障发生率越高,不利于人们的生命健康安全.因此,利用现代模式识别、机器学习等技术构建一个汽车故障率预测模型,及时发现汽车运行故障,以便能够保证汽车以及乘用人的生命安全.本文详细地分析了bp神经网络的基本理论和概念,同时将其应用到汽车故障率预测中,可以提高故障率预测的准确度.

为了分析深基坑的沉降规律,以某实际工程为例,利用bp神经网络对该工程的深基坑沉降数据进行拟合和预测分析,采用c语言编写程序进行预测。结果表明,利用bp神经网络方法的预测结果合理,误差在允许范围内,满足工程要求,并且对类似的工程施工具有指导作用。

针对边坡变形中非平稳和非线性的数据处理问题,提出一种基于集合经验模态分解(eemd)和bp神经网络相结合的边坡变形预测新算法(eemd-bp)。该算法先对边坡变形序列进行eemd分解,有效分离出隐含在时序中具有不同尺度特征的子序列,进而对各子序列建立bp神经网络预测模型,最后叠加各子序列预测值得到边坡变形最终预测结果。与gm(1,1)和bp神经网络模型对比分析表明,该算法预测精度较高,在边坡变形波动剧烈时段,也能保证较优的局部预测值和较好的全局预测精度。

电力系统短期负荷预测是能量管理系统的重要组成部分，不但为电力系统的安全、经济运行提供保障，也是电力市场环境下编排调度计划、供电计划、交易计划的基础。因此，短期负荷预测方法的研究一直为人们所重视。

电力系统短期负荷预测是能量管理系统的重要组成部分，不但为电力系统的安全、经济运行提供保障，也是电力市场环境下编排调度计划、供电计划、交易计划的基础。因此，短期负荷预测方法的研究一直为人们所重视。

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.

电力系统负荷预测的重要性、分类和主要预测方法,bp神经网络算法的基本理论和预测过程,建立基于bp神经网络的短期负荷预测模型,以加州24h的电力负荷预测为例进行matlab仿真,结果显示预测精度符合电力系统要求。

负荷预测是电力规划的基础,传统的神经网络预测方法存在对初始网络权值设置敏感、收敛的速度慢、容易陷入局部极小值等缺点。文中引入遗传算法先对神经网络的初始值进行优化,再通过神经网络进行学习和训练,得出的结果再经bagging方法集成,目的是提高其准确率。通过matlab仿真进行实验,结果表明,基于bagging算法集成遗传神经网络,能够克服传统bp神经网络的缺点,可较快收敛又不易陷入到局部极值中,具有较强的泛化能力,同时也大大提高了网络的预测精度。

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。

公路货运量受多种因素影响,各因素的作用机制通常不能准确地用数学语言进行描述。采用广义回归神经网络(grnn)对货运量进行分析及预测。通过对1995~2003年南京市公路运量的历史数据进行分析和处理,对网络进行训练和拟合,用2004~2005年的实际数据进行模型检验,结果证明了grnn用于货运量预测的有效性。

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立bp神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对bp神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证bp神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.

bp神经网络是分析处理复杂非线性问题的一种有效方法,是目前广泛应用的一种神经网络,已被逐渐应用于对宏观经济问题的研究中。本文有机地整合了计量经济学与bp神经网络,建立了基于因果关系理论来确定bp网络的输入变量,基于协整理论来分析bp网络系统的可靠性,基于学习率可变的动量bp算法的用于研究经济领域问题的改进bp神经网络预测模型,加强了网络模型的理论基础,提高了网络模型的质量,并将其应用于西北建筑业的预测和控制中,取得了令人满意的效果。