基于主成分分析和RBF神经网络公路货运量预测模型

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.

公路客运量和货运量预测是一个复杂的非线性问题,由于影响因素较多,难以用普通的数学方法建模,而建立bp神经网络可以表达这些非线性问题。根据公路客运量货运量历史数据及其相关影响因素数据建立了bp神经网络预测模型。利用实际数据确定网络输入与输出样本,对bp神经网络预测系统进行训练和预测。通过对网络输出预测结果与实际数据的分析,验证了bp神经网络预测系统的精确性和方便性,提高了公路客运货运预测的精确性。

基于主成分分析法,运用matlab7.0软件中的bp神经网络工具箱对1985~2007年我国的能源供需安全状况进行了训练及测试。测试结果表明,主成分分析与bp神经网络的结果较吻合,bp神经网络运用于能源安全领域可行、有效。同时,得出自1985年以来我国能源供需安全状况大体上逐年提高,从2005年开始大幅提高,但仍未摆脱较差的境地,未来前景不容乐观。

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于bp神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明：bp神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。

在分析公路货运量的影响因素和预测特点的基础上,将pso算法的全局搜索能力和rbf神经网络局部优化相结合,建立了基于改进pso算法和rbf神经网络的公路货运量预测模型(mpso-rbf)。利用某城市的历史数据对预测模型进行了训练、测试与仿真,同时将仿真结果与回归分析法、灰色理论法、bp神经网络和rbf神经网络预测的结果进行了比较,结果表明文中提出的预测方法精度较高,对于公路货运量预测具有一定的可行性和有效性。

负荷预测是实现电力系统优化运行的基础,对于电力系统的安全性、可靠性和经济性都有着显著的影响。rbf是一种三层前馈神经网络,具有良好的函数逼近性能,已被广泛应用到电力负荷预测中,并取得良好的效果。本文主要整理并介绍当前基于rfb神经网的负荷预测方法,对存在的问题进行了分析,并对未来的发展进行了展望。

负荷预测是实现电力系统优化运行的基础，对于电力系统的安全性、可靠性和经济性都有着显著的影响。rbf是一种三层前馈神经网络，具有良好的函数逼近性能，已被广泛应用到电力负荷预测中，并取得良好的效果。本文主要整理并介绍当前基于rfb神经网的负荷预测方法，对存在的问题进行了分析，并对未来的发展进行了展望。

基于rbf神经网络的软基沉降预测研究——将神经网络理论引入软基沉降预测领域．借助自控领域信号处理的思想，应用改进后的径向基函数神经网络的映射模式进行软基沉降的短期预测；软基沉降的长期预测实质上为基于神经网络的多维欧氏空间的曲面拟合问题，将地基压...

针对建筑工程特点,提出了基于rbf神经网络的建筑工程投标报价方法,建立建筑工程投标报价标高率数学模型。应用matlab计算软件,以实例验证了该模型的正确性及实用性。

建立了基于主成分分析和rbf神经网络的水电工程造价估算模型,并运用mtlab语言程序将其实现。实例表明,该方法可以使工程项目初期造价估算更合理、准确,给企业和决策者提供一种智能的估价方法。

采用定性分析方法确定物流货运量的影响因素,基于线性回归方法建立数学模型。采集延安市货运量相关数据,根据2001-2008年数据确定模糊回归系数a,对2009-2012年公路物流货运量进行计算,并采用实际数据与其他三种预测方法进行验证。结果表明:线性回归数学模型对物流货运量进行预测精确度高,误差较小。

电力系统短期负荷对电力企业的经济效益和社会效益都有一定影响。因此文中建立了基于rbf神经网络的电力系统短期负荷模型。用历史负荷数据作为训练样本,用训练好的神经网络进行电力系统短期负荷预测,并与bp神经网络进行对比。rbf神经网络的平均误差为2.09%,最大误差为4.77%,相比于bp神经网络精确度较高,有利于电力系统合理地进行调度规划工作。

基于rbf神经网络的建筑逐时空调负荷预测模型——分别用径向基函数(rbf)神经网络模型和bp神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测，发现rbf神经网络模型预测的均方根误差和平均相对误差都仅是bp神经网络方法的64％...

分别用径向基函数(rbf)神经网络模型和bp神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现rbf神经网络模型预测的均方根误差和平均相对误差都仅是bp神经网络方法的64%左右.仿真结果表明,rbf神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于rbf神经网络的建筑逐时空调负荷智能预测软件系统.

基于rbf神经网络的建筑逐时空调负荷预测模型——在简单介绍变风量空调(vav)系统的基础上，通过多元线性回归原理建立机组部分的静态模型，并对静态模型进行验证；最后用最小二乘法建立动态模型。

建筑物沉降的因素多种多样，因此，采用变形监测技术对沉降量进行监测，利用精度较高的预测模型进行沉降量预测预警很有意义。为了提高建筑物变形监测的精度以及变形监测预警的准确性，针对gm（1，1）模型和rbf神经网络进行分析，提出灰色rbf神经网络模型。通过对某建筑物的沉降监测数据进行实例计算，结果显示灰色rbf神经网络模型具有较高的预测精度。

地基沉降是一种危害很大的环境灾害。地基沉降的监测数据经常受降雨及工程施工等诸多外界因素的干扰,故而在沉降曲线中存在许多数据突变点。为此,提出基于小波分析与rbf神经网络相结合的新的地基沉降预测方法,首先采用小波分析对对原始监测数据进行数据去噪处理,进而得到反映实际变化的地基沉降曲线,然后采用径向基函数(rbf)神经网络方法对其进行预测,为工程设计提供依据。最后结合工程实例分析,通过多种小波去噪与预测结果的对比研究,表明3次b样条小波的去噪及预测效果最好,与实测值能较好地吻合,具有较好的工程应用前景。

针对建筑工料(工日)估算问题,本文首先利用主成分分析得到一组新的输入变量,相对于原始输入变量,有效降低了输入维数,且消除了各输入分量之间的相关性。然后以新的输入变量作为改进型bp网络的输入进行训练与估算,得到了一种新工料(工日)估算方法。仿真结果表明与直接利用bp网络训练估算相比较,采用本文的方法,估算结果更加准确。

基于人工神经网络理论,提出了根据前期沉降观测资料进行沉降预测的人工神经网络模型,并用于汕汾高速公路预压荷载卸荷时间预报.研究表明,所建议的模型较传统沉降预测模型具有显著的优越性,应用前景广阔.

文章对高速公路的工程特征进行全面的分析和筛选,确定了7个对公路工程造价影响较大的工程特征,使其作为神经网络预测模型的输入向量,随之构建了基于bp神经网络的高速公路工程造价预测模型,最后结合matlab神经网络工具箱对程序进行设计,并选取已完工程为实例.通过对模型的训练、修正以及实例验证,证明bp神经网络可以有效提高预测的精确度,具有较强的实用价值.

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.