谈神经网络基于混合智能算法铁路运量预测
最后更新时间:2024-03-08
作者:用户投稿本站原创
点赞:32025
浏览:146124
论文导读:44.1.2基于IPSO-BP神经网络的预测模型实现34-354.2基于IPSO-BP神经网络在铁路客运量预测中的运用35-424.2.1数据准备35-364.2.2实验各模型参数选择和实现36-414.2.3仿真结果对比41-424.3基于IPSO-BP神经网络在铁路货运量预测中的运用42-474.3.1数据准备42-434.3.2实验各模型参数选择和实现43-454.3.3仿真结果对比45
摘要:近年来随着我国经济持续快速增长,铁路事业得到了跨越式进展,在建的铁路项目很多,还有很多的项目即将陆续开工。运量预测是铁路建设项目前期工作的核心内容之一,运量预测的水平和质量将直接影响到项目决策的科学性,而运量预测水平和质量在很大程度上取决于采取的预测办法。由此分析铁路运量的预测办法,探讨如何提升预测的准确性和科学性是十分必要的。本论文旨在将人工神经网络、改善粒子群优化算法组合的混合智能算法引入铁路运量预测领域中,并从预测精度为目标,探讨上面陈述的人工智能算法在铁路运量预测中的运用。论文的主要内容如下:论文首先分析了铁路运量预测的重要量,总结了目前铁路运量预测的常用办法,并分析了各种办法的利用范围和优缺点。在此基础上提出分别从BP神经网络、灰色神经网络与改善的粒子群优化算法融合的两种混合智能算法进行铁路运量预测的思想。其次分别叙述了BP神经网络、灰色神经网络(GNN)的结构极为学习算法历程。接着探讨了标准粒子群优化算法(PSO),在此基础上提出一种基于非线性权重变化的改善粒子群优化算法(IPSO),从四个标准测试函数验证了其有效性。然后通过采取IPSO算法优化BP神经网络连接权值,建立基于IPSO-BP神经网络的铁路运量预测模型,并从某阶段全国铁路客运量和货运量实际状况为探讨背景进行了仿真探讨与比较分析,仿真探讨结果验证了此办法是有效可行的。另外进一步探讨了铁路运量在信息问题条件下利用GNN建立预测模型的办法。在此基础上采取IPSO算法对GNN的白化参数进行优化改善了其问题,保证了预测结果的精度;同时使用灰色关联分析法,计算了铁路运量和其影响因素间的关联度,通过选用最主要的几个关联因素,建立了基于IPSO-GNN的铁路运量预测模型,并进行了仿真探讨与比较分析,仿真探讨结果表明了此办法是有效可行的。最后,对全文进行了概括性总结,提出了几点需要完善的探讨工作,并指出了在铁路运量预测方面论述和运用上有待进一步探讨的不足。关键词:铁路运量预测论文混合智能算法论文粒子群优化算法论文BP神经网络论文灰色神经网络论文灰色关联分析法论文
本论文由www.7ctime.com,需要可从关系人员哦。摘要4-5
Abstract5-9
1 绪论9-15
3.
4 基于IPSO-BP神经网络的铁路运量预测探讨34-48
4.
4.
5 基于IPSO-GNN的铁路运量预测探讨48-63
法的铁路客运量影响因素分析51-53
5.
结论与展望63-65
致谢65-66
参考文献66-69
附录A 部分程序计算代码69-88
A1 第3章仿真程序69-71
A2 第4章仿真程序71-75
A3 第5章仿真程序75-88
攻读学位期间的探讨成果88
摘要:近年来随着我国经济持续快速增长,铁路事业得到了跨越式进展,在建的铁路项目很多,还有很多的项目即将陆续开工。运量预测是铁路建设项目前期工作的核心内容之一,运量预测的水平和质量将直接影响到项目决策的科学性,而运量预测水平和质量在很大程度上取决于采取的预测办法。由此分析铁路运量的预测办法,探讨如何提升预测的准确性和科学性是十分必要的。本论文旨在将人工神经网络、改善粒子群优化算法组合的混合智能算法引入铁路运量预测领域中,并从预测精度为目标,探讨上面陈述的人工智能算法在铁路运量预测中的运用。论文的主要内容如下:论文首先分析了铁路运量预测的重要量,总结了目前铁路运量预测的常用办法,并分析了各种办法的利用范围和优缺点。在此基础上提出分别从BP神经网络、灰色神经网络与改善的粒子群优化算法融合的两种混合智能算法进行铁路运量预测的思想。其次分别叙述了BP神经网络、灰色神经网络(GNN)的结构极为学习算法历程。接着探讨了标准粒子群优化算法(PSO),在此基础上提出一种基于非线性权重变化的改善粒子群优化算法(IPSO),从四个标准测试函数验证了其有效性。然后通过采取IPSO算法优化BP神经网络连接权值,建立基于IPSO-BP神经网络的铁路运量预测模型,并从某阶段全国铁路客运量和货运量实际状况为探讨背景进行了仿真探讨与比较分析,仿真探讨结果验证了此办法是有效可行的。另外进一步探讨了铁路运量在信息问题条件下利用GNN建立预测模型的办法。在此基础上采取IPSO算法对GNN的白化参数进行优化改善了其问题,保证了预测结果的精度;同时使用灰色关联分析法,计算了铁路运量和其影响因素间的关联度,通过选用最主要的几个关联因素,建立了基于IPSO-GNN的铁路运量预测模型,并进行了仿真探讨与比较分析,仿真探讨结果表明了此办法是有效可行的。最后,对全文进行了概括性总结,提出了几点需要完善的探讨工作,并指出了在铁路运量预测方面论述和运用上有待进一步探讨的不足。关键词:铁路运量预测论文混合智能算法论文粒子群优化算法论文BP神经网络论文灰色神经网络论文灰色关联分析法论文
本论文由www.7ctime.com,需要可从关系人员哦。摘要4-5
Abstract5-9
1 绪论9-15
1.1 论文选题背景及探讨作用9
1.2 铁路运量预测的探讨近况9-13
1.3 论文主要内容与技术路线13-15
2 BP人工神经网络和灰色神经网络15-232.1 BP神经网络15-17
2.1.1 BP神经网络结构15-16
2.1.2 BP网络的学习历程16-17
2.2 灰色神经网络17-222.1 灰色模型论述17-19
2.2 灰色神经网络19-22
2.3 小结22-23
3 粒子群优化算法极为改善算法23-343.1 粒子群优化算法23-26
3.1.1 算法原理23
3.1.2 粒子群优化算法流程23-25
3.1.3 粒子群优化算法参数设置25-26
3.2 改善的粒子群优化算法26-333.
2.1 算法描述26-27
3.2.2 算法在函数中的测试27-33
3.3 小结33-344 基于IPSO-BP神经网络的铁路运量预测探讨34-48
4.1 基于IPSO-BP神经网络的预测模型34-35
4.1.1 IPSO和BP网络结合的可行性34
4.1.2 基于IPSO-BP神经网络的预测模型实现34-35
4.2 基于IPSO-BP神经网络在铁路客运量预测中的运用35-424.
2.1 数据准备35-36
4.2.2 实验各模型参数选择和实现36-41
4.2.3 仿真结果对比41-42
4.3 基于IPSO-BP神经网络在铁路货运量预测中的运用42-474.
3.1 数据准备42-43
4.3.2 实验各模型参数选择和实现43-45
4.3.3 仿真结果对比45-47
4.4 小结47-485 基于IPSO-GNN的铁路运量预测探讨48-63
5.1 基于IPSO-GNN的预测模型48-49
5.2 基于灰色关联分析法的铁路运量影响因素分析49-53
5.2.1 灰色关联分析法49-50
5.2.2 基于灰色关联分析法的铁路货运量影响因素分析50-51
5.2.3 基于灰色关联分析论文导读:型参数选择和实现54-565.3.3仿真结果对比56-585.4基于IPSO-GNN在铁路客运量预测中的运用58-625.4.1数据准备58-595.4.2实验各模型参数选择和实现59-615.4.3仿真结果对比61-625.5小结62-63结论与展望63-65致谢65-66参考文献66-69附录A部分程序计算代码69-88A1第3章仿真程序69-71A2第4章仿真程序71-75A3第5章仿真程序法的铁路客运量影响因素分析51-53
5.3 基于IPSO-GNN在铁路货运量预测中的运用53-58
5.3.1 数据准备53-54
5.3.2 实验各模型参数选择和实现54-56
5.3.3 仿真结果对比56-58
5.4 基于IPSO-GNN在铁路客运量预测中的运用58-625.
4.1 数据准备58-59
5.4.2 实验各模型参数选择和实现59-61
5.4.3 仿真结果对比61-62
5.5 小结62-63结论与展望63-65
致谢65-66
参考文献66-69
附录A 部分程序计算代码69-88
A1 第3章仿真程序69-71
A2 第4章仿真程序71-75
A3 第5章仿真程序75-88
攻读学位期间的探讨成果88