• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

RBF神经网络在铁路货运量预测中的应用

宋苏民 旷文珍 许丽 常峰

宋苏民, 旷文珍, 许丽, 常峰. RBF神经网络在铁路货运量预测中的应用[J]. 铁路计算机应用, 2017, 26(1): 47-51.
引用本文: 宋苏民, 旷文珍, 许丽, 常峰. RBF神经网络在铁路货运量预测中的应用[J]. 铁路计算机应用, 2017, 26(1): 47-51.
SONG Sumin, KUANG Wenzhen, XU Li, CHANG Feng. RBF neural network applied to prediction of railway freight volumes[J]. Railway Computer Application, 2017, 26(1): 47-51.
Citation: SONG Sumin, KUANG Wenzhen, XU Li, CHANG Feng. RBF neural network applied to prediction of railway freight volumes[J]. Railway Computer Application, 2017, 26(1): 47-51.

RBF神经网络在铁路货运量预测中的应用

基金项目: 甘肃省青年基金项目(148RJZA043)。
详细信息
    作者简介:

    宋苏民,在读硕士研究生;旷文珍,副教授。

  • 中图分类号: U294.1:TP39

RBF neural network applied to prediction of railway freight volumes

  • 摘要: 基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法,建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列,并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射,利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验,得出3种预测模型的平均相对误差,分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多,可为铁路货运量预测研究提供方法支撑。
  • [1] 宋光平. 铁路货运量预测方法研究 [D]. 北京:北京交通大学,2007.
    [2] 林晓言, 陈有孝. 基于灰色- 马尔可夫链改进方法的铁路货运量预测研究[J]. 铁道学报,2005,27(3):15-19.
    [3] 刘志杰, 季 令, 叶玉玲, 等. 基于径向基神经网络的铁路货运量预测[J]. 铁道学报,2006,28(5):1-5.
    [4] 李红启, 刘 凯. 基于Rough Set理论的铁路货运量预测[J]. 铁道学报,2004,26(3):1-7.
    [5] 吴华稳. 混沌时间序列分析及在铁路货运量预测中的应用研究[D]. 北京:中国铁道科学研究院,2014.
    [6] D. Broomhead and D, Lowe. Radial basis functions, multivariable interpolation and adaptive networks [J].Royal Signals Radar Est, Malvern,1988,18(1):212-215.
    [7] 吴华稳, 甄 津, 王 宇, 等. 基于径向基神经网络的铁路客货运量预测研究[J]. 铁道科学与工程学报,2014,11(4):109-114.
    [8] 温爱华,李 松. 基于广义回归神经网络的铁路货运量预测[J]. 铁道运输与经济,2011,33(2):88-91.
    [9] Powell M J D. Radial Basis Function Approscimations to Polynomials[J].Proc of the Numerial Analysis Conference, 1987,11(4): 223-241.
出版历程
  • 收稿日期:  2016-09-07
  • 刊出日期:  2017-01-25

目录

    /

    返回文章
    返回