基于主成分分析和RBF神經網絡公路貨運量預測模型

公路貨運量受多種因素影響,各因素的作用機制通常不能準確地用數學語言進行描述。采用廣義回歸神經網絡(grnn)對貨運量進行分析及預測。通過對1995~2003年南京市公路運量的歷史數據進行分析和處理,對網絡進行訓練和擬合,用2004~2005年的實際數據進行模型檢驗,結果證明了grnn用于貨運量預測的有效性。

通過對公路貨運量的預測方法進行研究比較,并根據公路貨運量形成的復雜和非線性等特點,建立bp神經網絡預測模型.利用黑龍江省公路貨運量及其相關影響因素的實際數據,確定網絡輸入與輸出樣本,并對bp神經網絡預測系統(tǒng)進行訓練和預測.通過對網絡輸出的誤差曲線圖的分析,驗證bp神經網絡預測系統(tǒng)的精確性和簡單方便性,提高了公路貨運量預測的精確性.

公路客運量和貨運量預測是一個復雜的非線性問題,由于影響因素較多,難以用普通的數學方法建模,而建立bp神經網絡可以表達這些非線性問題。根據公路客運量貨運量歷史數據及其相關影響因素數據建立了bp神經網絡預測模型。利用實際數據確定網絡輸入與輸出樣本,對bp神經網絡預測系統(tǒng)進行訓練和預測。通過對網絡輸出預測結果與實際數據的分析,驗證了bp神經網絡預測系統(tǒng)的精確性和方便性,提高了公路客運貨運預測的精確性。

基于主成分分析法,運用matlab7.0軟件中的bp神經網絡工具箱對1985~2007年我國的能源供需安全狀況進行了訓練及測試。測試結果表明,主成分分析與bp神經網絡的結果較吻合,bp神經網絡運用于能源安全領域可行、有效。同時,得出自1985年以來我國能源供需安全狀況大體上逐年提高,從2005年開始大幅提高,但仍未擺脫較差的境地,未來前景不容樂觀。

為提高鐵路貨運量的預測準確性,運用灰色關聯(lián)分析法,計算分析了與鐵路貨運量相關的主要社會指標,確定鐵路貨運量的影響因子分別為鐵路運營里程、鐵路電氣化里程、鐵路復線比重、公路運營里程、固定資產投資總額和鋼材產量。將所確定的因子作為鐵路貨運量的預測指標,建立基于bp神經網絡的鐵路貨運量預測模型,并對模型進行了應用測試。結果表明：bp神經網絡模型具有較高的精度,最大相對誤差為3.7%,平均相對誤差為2.3%。該方法具有較快的收斂速度和較高的預測精度,可為我國鐵路貨運量的預測研究提供方法支撐。

在分析公路貨運量的影響因素和預測特點的基礎上,將pso算法的全局搜索能力和rbf神經網絡局部優(yōu)化相結合,建立了基于改進pso算法和rbf神經網絡的公路貨運量預測模型(mpso-rbf)。利用某城市的歷史數據對預測模型進行了訓練、測試與仿真,同時將仿真結果與回歸分析法、灰色理論法、bp神經網絡和rbf神經網絡預測的結果進行了比較,結果表明文中提出的預測方法精度較高,對于公路貨運量預測具有一定的可行性和有效性。

負荷預測是實現電力系統(tǒng)優(yōu)化運行的基礎,對于電力系統(tǒng)的安全性、可靠性和經濟性都有著顯著的影響。rbf是一種三層前饋神經網絡,具有良好的函數逼近性能,已被廣泛應用到電力負荷預測中,并取得良好的效果。本文主要整理并介紹當前基于rfb神經網的負荷預測方法,對存在的問題進行了分析,并對未來的發(fā)展進行了展望。

負荷預測是實現電力系統(tǒng)優(yōu)化運行的基礎，對于電力系統(tǒng)的安全性、可靠性和經濟性都有著顯著的影響。rbf是一種三層前饋神經網絡，具有良好的函數逼近性能，已被廣泛應用到電力負荷預測中，并取得良好的效果。本文主要整理并介紹當前基于rfb神經網的負荷預測方法，對存在的問題進行了分析，并對未來的發(fā)展進行了展望。

基于rbf神經網絡的軟基沉降預測研究——將神經網絡理論引入軟基沉降預測領域．借助自控領域信號處理的思想，應用改進后的徑向基函數神經網絡的映射模式進行軟基沉降的短期預測；軟基沉降的長期預測實質上為基于神經網絡的多維歐氏空間的曲面擬合問題，將地基壓...

針對建筑工程特點,提出了基于rbf神經網絡的建筑工程投標報價方法,建立建筑工程投標報價標高率數學模型。應用matlab計算軟件,以實例驗證了該模型的正確性及實用性。

建立了基于主成分分析和rbf神經網絡的水電工程造價估算模型,并運用mtlab語言程序將其實現。實例表明,該方法可以使工程項目初期造價估算更合理、準確,給企業(yè)和決策者提供一種智能的估價方法。

采用定性分析方法確定物流貨運量的影響因素,基于線性回歸方法建立數學模型。采集延安市貨運量相關數據,根據2001-2008年數據確定模糊回歸系數a,對2009-2012年公路物流貨運量進行計算,并采用實際數據與其他三種預測方法進行驗證。結果表明:線性回歸數學模型對物流貨運量進行預測精確度高,誤差較小。

電力系統(tǒng)短期負荷對電力企業(yè)的經濟效益和社會效益都有一定影響。因此文中建立了基于rbf神經網絡的電力系統(tǒng)短期負荷模型。用歷史負荷數據作為訓練樣本,用訓練好的神經網絡進行電力系統(tǒng)短期負荷預測,并與bp神經網絡進行對比。rbf神經網絡的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經網絡精確度較高,有利于電力系統(tǒng)合理地進行調度規(guī)劃工作。

基于rbf神經網絡的建筑逐時空調負荷預測模型——分別用徑向基函數(rbf)神經網絡模型和bp神經網絡模型對廣州市一棟辦公樓和一棟圖書館在夏季不同月份的逐時冷負荷進行訓練和預測，發(fā)現rbf神經網絡模型預測的均方根誤差和平均相對誤差都僅是bp神經網絡方法的64％...

分別用徑向基函數(rbf)神經網絡模型和bp神經網絡模型對廣州市一棟辦公樓和一棟圖書館在夏季不同月份的逐時冷負荷進行訓練和預測,發(fā)現rbf神經網絡模型預測的均方根誤差和平均相對誤差都僅是bp神經網絡方法的64%左右.仿真結果表明,rbf神經網絡具有更高的預測精度及更好的泛化能力,是建筑空調負荷預測的一種有效方法.在此基礎上,構建了基于rbf神經網絡的建筑逐時空調負荷智能預測軟件系統(tǒng).

基于rbf神經網絡的建筑逐時空調負荷預測模型——在簡單介紹變風量空調(vav)系統(tǒng)的基礎上，通過多元線性回歸原理建立機組部分的靜態(tài)模型，并對靜態(tài)模型進行驗證；最后用最小二乘法建立動態(tài)模型。

建筑物沉降的因素多種多樣，因此，采用變形監(jiān)測技術對沉降量進行監(jiān)測，利用精度較高的預測模型進行沉降量預測預警很有意義。為了提高建筑物變形監(jiān)測的精度以及變形監(jiān)測預警的準確性，針對gm（1，1）模型和rbf神經網絡進行分析，提出灰色rbf神經網絡模型。通過對某建筑物的沉降監(jiān)測數據進行實例計算，結果顯示灰色rbf神經網絡模型具有較高的預測精度。

地基沉降是一種危害很大的環(huán)境災害。地基沉降的監(jiān)測數據經常受降雨及工程施工等諸多外界因素的干擾,故而在沉降曲線中存在許多數據突變點。為此,提出基于小波分析與rbf神經網絡相結合的新的地基沉降預測方法,首先采用小波分析對對原始監(jiān)測數據進行數據去噪處理,進而得到反映實際變化的地基沉降曲線,然后采用徑向基函數(rbf)神經網絡方法對其進行預測,為工程設計提供依據。最后結合工程實例分析,通過多種小波去噪與預測結果的對比研究,表明3次b樣條小波的去噪及預測效果最好,與實測值能較好地吻合,具有較好的工程應用前景。

針對建筑工料(工日)估算問題,本文首先利用主成分分析得到一組新的輸入變量,相對于原始輸入變量,有效降低了輸入維數,且消除了各輸入分量之間的相關性。然后以新的輸入變量作為改進型bp網絡的輸入進行訓練與估算,得到了一種新工料(工日)估算方法。仿真結果表明與直接利用bp網絡訓練估算相比較,采用本文的方法,估算結果更加準確。

基于人工神經網絡理論,提出了根據前期沉降觀測資料進行沉降預測的人工神經網絡模型,并用于汕汾高速公路預壓荷載卸荷時間預報.研究表明,所建議的模型較傳統(tǒng)沉降預測模型具有顯著的優(yōu)越性,應用前景廣闊.

文章對高速公路的工程特征進行全面的分析和篩選,確定了7個對公路工程造價影響較大的工程特征,使其作為神經網絡預測模型的輸入向量,隨之構建了基于bp神經網絡的高速公路工程造價預測模型,最后結合matlab神經網絡工具箱對程序進行設計,并選取已完工程為實例.通過對模型的訓練、修正以及實例驗證,證明bp神經網絡可以有效提高預測的精確度,具有較強的實用價值.

以福建省公路旅客周轉量和貨物周轉量的統(tǒng)計資料為基礎,結合神經網絡技術原理,應用bp神經網絡方法建立3維輸入、單輸出、隱層單元數為15的3層神經網絡模型,分別對福建省公路旅客周轉量和貨物周轉量進行預測.結果表明,各月的旅客周轉量和貨物量預測值的最大相對誤差的絕對值分別為0.4890%和0.4495%.該模型具有簡便實用、預測精度高的優(yōu)點.