《基于grnn神经网络的货运量预测研究》由会员分享，可在线阅读，更多相关《基于grnn神经网络的货运量预测研究（4页珍藏版）》请在金锄头文库上搜索。
1、 基于 G R N N神经网络的货运量预测研究 c l i d距离平方的指数平方 ，即 D 2 =( i ) ( x - x i ) 的指数形式。其 中，式中 X为网络输入变量 ；X i是第 个神经 元 对 应 的 学习 样 本； 求 和 层 是 所 有 模 式 层 神 经 元 输 出 进 行 求 和， 计 算 公 式 为 e x p f 一 ( x - x ) T ( ) j ， 模 式层 与各 神 经 元的 连 接 权值 是1 ， 传递函 数 为S 。 = ； 输出 层中的 神经 元 数目 等于 学习 样 本中 输出向 量的 维数后 ， 各神经元将求和层的 输出 相除， 神经元J 的 输出
2、 对应估计结果 ( ) 的 第 个元素，即y = S 。 ， 其中 j - 1 ， 2 ， ， k 。 1 2 G R N N理论基础 非线性回归分析是 G R N N的理论基础，非独立变量 Y相对于独立变量 的回归分析就是计算具有最大概率的 Y值。假设它们的联合概率密度函数是f ( x ， Y) ，已知 观测值为X，则 Y相对于 的回归如下式 ： = E ( L (X ,y ) a y J ： f (X ,y ) ( 1 ) 其中，矿 表示在输人为X的条件下 y的预测输出。 根据 P a r z e n 非参数估计 ，估计密度函数计算如下： 加 一 窆 唧 1ex p _ 1 (2 ) ，、
3、 D + 1 i =1 【 2 J 【 2 orr J n( 丌 ) ” 式中，X ， Y 为随机变量 和 Y 的样本观测值 ； 是样本容量；P是随机变量 的维数 ；o r 是高斯函数的宽度系 数。 ( ) 代替f ( X ,y ) 代人 ( 2 ) 式， 且 I 彳 e d z = O ， 简化可 得网络的 输出 ( ) 如下： n p 型 丑 l ( ) _ 三 l| L ( 3 ) 。 p - I 估计值 ( ) 是所有样本观测值 Y i 的加权平均 ，每个观测值 Y i 权重因子是相应的样本 X 与X之间 E u c l i d距离 平方的指数。当 非常大的时候 ， ( ) 近似于所有
4、样本因变量的均值。 2 问题建模及求解思路 依据要解决的问题，构建 G R N N模型主要分为以下几步 ： S t e p l ：产生训练集 钡 IJ 试集。在产生训练集及测试集时，不仅要考虑训练集及测试集样本数 ，而且还要考虑异 常样本对模型的影响，对异常样本应进行剔除。 S t e p 2 ：创建 G R N N神经网络。利用 MA T L A B自带的神经网络工具箱可以创建 G R N N 。 S t e p 3 ：计算机仿真测试。模型建立后 ，将测试集的输入变量输入模型，模型的输出就是对应的预测结果。 S t e p 4 ：得出结果并与实际值 比较。 3 案例 分析 3 1 基础数据
5、统计 1 9 9 3 2 0 1 2 年有关货运预测的相关基础数据 ，如表 1 所示。 3 2 G R N N预测结果 利用 M A T L A B软件及神经网络工具箱 ，调用函数 聊 = n n ( 只T , S P R E A D) ，其中，P是输人向量矩阵；T是 目标分类向量矩阵；S P R E A D是径向基函数扩展速度 ，默认值是 1 。根据上面确定的输入和输出，利用表 1 中的数 据作为网络训练样本，编程分别求出 2 0 0 3 2 0 1 2年的货运量预测数据。根据程序调试运行结果可知 ，当 S P R E A D 取 0 4时，训练数据的预测结果较好 ，如表 2 所示。 通过
6、MA T L A B，将预测数据和实际数据进行拟合比较，如图2 一 图 4 所示 。从图中可以看 出，通过基于 G R N N 货运量 ( 总货运量 、铁路货运量和公路货运量)的预测 ，结果近似接近实际值。 I g i s l 沁s S ( 一 l e c l 2 01 4 i ( ) 1 3 9 基于 G R N N神经 网络的货运量预测研究 表 1 1 9 9 3 2 0 1 2年基础数据 Z G l ， 4 s 6 ， 8 年份 ( 万吨) ( 万吨) ( 万吨) ( 亿元) ( 亿元) ( 万公里) ( ) ( 万公里) ( ) ( 辆) ( 万辆) 1 9 9 3 1 1 1 5 9
7、 0 2 l 6 27 9 4 8 4 02 5 6 3 5 3 3 3 9 l 4 l 8 8 0 5 8 6 2 6 6 1 0 8 4 7 5 9 3 9 00 9 7 5 01 1 9 9 4 l 1 8 0 3 9 6 1 6 32 1 6 8 9 491 4 4 8 1 9 7 9 1 94 8 0 7 5 9 0 2 8 7 1 1 1 ， 8 7 7 1 4 1 5 9 1 9 5 6 0 1 9 9 5 1 2 3 4 9 3 8 1 6 5 9 8 2 9 4 0 3 8 7 6 07 9 3 7 2 4 9 5 0 6 6 2 4 3 1 0 1 1 5 7 7 8 7
8、4 3 2 7 3 1 5 8 5 1 9 9 6 1 2 9 8 4 21 l 71 0 2 4 9 8 3 8 6 0 7 1 1 7 6 6 2 94 4 7 6 6 4 9 3 2 5 l 1 8 6 8 0 0 4 4 3 8 9 3 5 7 5 1 9 9 7 1 2 7 8 2 1 8 1 7 2 1 4 9 9 7 6 5 3 6 7 8 9 7 3 0 3 29 2 1 4 6 6 0 3 3 1 1 2 2 6 8 1 I 3 4 3 7 6 8 6 6 01 1 9 9 8 1 2 6 7 4 2 7 1 6 4 3 0 9 9 7 60 0 4 8 44 0 2 3 3
9、 40 1 8 4 6 64 3 4 2 1 2 7 9 8 3 6 4 3 9 3 2 6 6 2 8 1 9 9 9 1 2 9 3 0 0 8 1 6 7 5 5 4 9 9 04 4 4 8 96 7 7 1 3 5 8 6 1 5 6 7 4 3 6 1 1 3 5 2 8 5 6 4 3 62 3 6 6 7 7 2 0 0 0 1 3 5 8 6 8 2 1 7 8 5 8 1 1 0 3 8 8 1 3 9 92 1 4 6 4 00 3 3 6 6 8 7 3 6 5 1 6 8 0 7 8 - 3 4 3 9 9 4 3 7 1 6 2 o 0 1 l 4 01 7 8 6
10、 1 9 3 1 8 9 l 0 5 6 3 1 2 1 0 9 6 5 5 2 4 3 5 8 0 6 7 01 3 8 - 3 1 6 9 8 7 8 7 449 9 2 1 7 6 5 2 0 o 2 1 4 8 3 4 4 7 2 0 49 5 6 l 1 1 6 3 2 4 1 2 0 3 3 2 7 4 74 3 1 3 7 1 9 3 8 7 1 7 6 5 7 8 - 3 4 4 67 0 7 8 l 2 2 0 0 3 1 5 6 4 4 9 2 2 2 42 4 8 1 1 5 9 9 5 7 1 3 5 8 2 2 8 5 49 4 5 5 7 - 3 O 3 9 2 l
11、 81 0 7 9 5 5 0 3 8 6 8 8 5 4 2 0 o 4 1 7 0 6 41 2 2 4 90 1 7 1 2 4 4 9 9 0 1 5 9 8 7 8 3 6 5 2 1 0 0 7 4 4 3 9 1 1 8 7 1 8 1 O 5 2 01 0 1 8 9 3 2 0 0 5 1 8 6 2 0 6 6 2 6 9 2 9 6 1 3 4 1 7 7 8 1 8 4 9 3 7 4 7 7 2 3 0 8 7 5 4 3 9 4 3 3 4 5 4 7 6 5 4 1 8 2 4 9 5 6 2 0 0 6 20 3 7O 6 0 2 8 8 2 2 4 1 4 6
12、 6 3 4 7 2 1 6 3 1 4 4 9 1 3 1 0 9 7 71 3 9 8 3 4 5 7 6 6 0 5 5 84 8 3 9 8 6 2 o 0 7 2 2 7 5 8 2 2 3 l 42 3 7 1 6 3 9 4 3 2 2 6 5 8 1 0 3 1 l O 5 3 4 9 7 8 0 4 0 5 3 5 8 4 7 0 7 5 7 1 0 7 8 1 0 5 4 2 0 o 8 2 5 8 5 9 3 7 3 3 0 3 5 4 1 9 l 6 7 5 9 3 1 4 0 4 5 4 1 3 0 2 6 0 2 7 9 7 41 6 3 7 3 0 7 4 5 5
13、 8 4 9 6 1 1 1 2 6 2 o o 9 2 8 2 5 2 2 2 3 3 3 3 4 8 2 1 2 7 8 3 4 3 4 09 0 2 8 1 3 5 2 3 9 9 8 5 5 4 3 8 3 8 6 1 7 9 2 5 9 4 3 8 8 1 3 6 8 2 0 1 0 3 2 41 8 0 7 3 6 42 7 1 24 4 80 5 2 4 01 5 1 2 8 1 6 0 7 2 2 2 9 1 2 4 4 8 4 0 0 8 8 2 4 6 2 2 2 8 4 1 5 9 7 2 0 1 1 3 6 9 6 9 6 1 3 9 3 2 6 3 2 8 2 0 l
14、 0 0 4 7 3 1 0 4 0 1 8 8 4 7 0 2 9 _ 3 2 4 5 2 4 1 0 6 8 4 1 6 4 4 6 7 7 1 7 8 8 2 0 1 2 40 9 94 0 0 3 9 04 3 8 21 8 84 7 5 5 1 9 4 7 o 0 1 1 9 9 6 7 0 7 9 7 6 4 6 2 4 2 3 8 8 5 2 6 6 4 3 3 3 1 8 9 5 注 ：Z为货运总量 ；T为铁路货运量 ；G为公路货运量 ；X 分别为 国内生产总值、工业总产值 、铁路 运输 线路 长 度、复线里程比重、公路运输线路长度、等级公路比重、铁路货车数量、民用载货汽车数量
15、。 表 2 2 0 0 3 2 0 1 2年货运量预测结果 单位：万吨 年份 2 0 0 3 2 0 0 4 2 0 o 5 2 0 0 6 2 0 0 7 2 O 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 货运总量 1 5 5 9 7 0 0 1 5 8 6 1 0 o 1 7 64 5 0 0 1 9 6 1 5 0 0 2 2 7 8 8 0 0 24 7 5 7 0 0 27 8 5 9 0 0 3 0 2 5 2 0 0 3 5 4 1 8 0 0 3 9 8 5 9 0 0 铁路货运量 2 1 5 2 0 0 2 3 7 5 0 0 2 6 9 7 o 0 2 7 9 2 0 0 3 1 0 2 0 0 3 2 4 2 0 0 3 3 0 4 0 0 3 5 3 3 0 0 3 8 4 3 0 0 3 8 2 6 0 0 公路货运量 1 1 4 2 6 0 o 1 1 7 2 5 0 0 1 2 6 5 2 0 0 1 3 4 1 4 0 0 1 6 1 7 6 0 0 1 8 3 9 4 0 0 l 9 1 6 8 0 0 2 3 2
