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

RBF神经网络在铁路货运量预测中的应用

1.
兰州交通大学光电技术与智能控制教育部重点实验室,兰州 730070;
2.
兰州交通大学自动化与电气工程学院,兰州 730070

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
计量
- 文章访问数: 173
- HTML全文浏览量: 0
- PDF下载量: 28
出版历程
- 收稿日期: 2016-09-06
- 刊出日期: 2017-01-24

RBF neural network applied to prediction of railway freight volumes

1.
Key Laboratory of Opto-Technology and Intelligent Control Ministry of Education, Lanzhou Jiaotong University, Lanzhou 730070, China;
2.
School of Automation & Electrical Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China

摘要

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。
- 时间序列 /
- 灰色模型 /
- BP神经网络 /
- RBF /
- 货运量预测
Abstract: Based on the prediction methods of regression model, times series model, as well as the commonly used prediction methods of grey model and BP neural network, RBF neural network model was established in this case to analysis and predict the national railway freight volume in detail. The original data of railway freight volume was used to construct times series, analyze and deal with the times series. The processed data were constructed as a nonlinear mapping. RBF neural network was used to approach it. The grey model, BP neural network model and RBF neural network model were simulated by using Matlab. It was concluded that average relative errors of the three kinds of prediction model were 7.67%, 4.79% and 1.31% respectively. The results showed that the prediction method based on RBF neural network was better than other, could provide support for railway freight volume forecasting.
- times series /
- grey model /
- BP neural network /
- RBF /
- freight volume forecast

HTML全文

参考文献(9)

[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.

施引文献(19)

期刊类型引用(9)

1.	薛锋，吴林鸿，汪雯文，周琳. 基于MI-PSO-RBF神经网络的铁路客货运量预测研究. 铁道运输与经济. 2024(09): 123-135 . 百度学术
2.	崔淑华，侯慧君，武慧荣. 利用标准差赋权组合模型预测大宗货物运输需求. 交通科技与经济. 2022(06): 31-38 . 百度学术
3.	徐菲，任爽. 基于分解—集成的铁路货运需求预测研究. 运筹与管理. 2021(08): 133-138 . 百度学术
4.	刘金芳，向万里，王璐璐. 基于VMD-BAS-BP的铁路货运量预测研究. 青海交通科技. 2021(06): 50-56+68 . 百度学术
5.	徐文文，彭建平，邱春蓉. 基于支持向量回归的地铁受电弓滑板磨耗趋势预测模型研究. 铁路计算机应用. 2020(01): 77-81 . 本站查看
6.	杨基宏，陈浩林，徐刚，余澄庆，刘辉. 基于ELM的城市轨道交通系统建设成本估算研究. 铁路计算机应用. 2020(04): 1-4 . 本站查看
7.	谭雪，张小强. 基于GRU深度网络的铁路短期货运量预测. 铁道学报. 2020(12): 28-35 . 百度学术
8.	张蕾，孙德山，张文政，王玥. 基于灰色关联分析的支持向量机的铁路货运量预测研究. 经济数学. 2018(02): 58-61 . 百度学术
9.	任巧丽，马乾. PCA-RBF神经网络对兰州市日平均气温的预测. 宜宾学院学报. 2018(12): 111-115 . 百度学术