利用BP神经网络进行公路客运货运量的预测

公路运量主要包括公路客运量和公路货运量两个方面。据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表中给出了某地区20年的公路运量相关数据。

根据相关部门数据，该地区2021年和2022年的人数分别为73.39万和75.55万人，机动车数量分别为3.9635万和4.0975万辆，公路面积将分别为0.9880万和1.0268万平方千米。请对该地区2021年和2022年的公路客运量和公路货运量进行预测。

年份	人口数量/万人	机动车数量/万辆	公路面积/万平方千米	公路客运量/万人	公路货运量/万吨
2001	20.55	0.6	0.09	5126	1237
2002	22.44	0.75	0.11	6217	1379
2003	25.37	0.85	0.11	7730	1385
2004	27.13	0.9	0.14	9145	1399
2005	29.45	1.05	0.2	10460	1663
2006	30.1	1.35	0.23	11387	1714
2007	30.96	1.45	0.23	12353	1834
2008	34.06	1.6	0.32	15750	4322
2009	36.42	1.7	0.32	18304	8132
2010	38.09	1.85	0.34	19386	8936
2011	39.13	2.15	0.36	21024	11099
2012	39.99	2.2	0.36	19490	11203
2013	41.93	2.25	0.38	20433	10524
2014	44.59	2.35	0.49	22598	11115
2015	47.3	2.5	0.56	25107	13320
2016	52.89	2.6	0.59	33442	16762
2017	55.73	2.7	0.59	36836	18637
2018	56.76	2.85	0.67	40548	20724
2019	59.17	2.95	0.69	42927	20803
2020	60.63	3.1	0.79	43462	21804

代码如下

rs=xlsread('C:\Users\86135\Desktop\matlab\back propagation','B2:B21')
jdcs=xlsread('C:\Users\86135\Desktop\matlab\back propagation','C2:C21')
glmj=xlsread('C:\Users\86135\Desktop\matlab\back propagation','D2:D21')
glkyl=xlsread('C:\Users\86135\Desktopmatlab\\back propagation','E2:E21')
glhyl=xlsread('C:\Users\86135\Desktop\matlab\back propagation','F2:F21')
p=[rs';jdcs';glmj']    %输入数据矩阵
t=[glkyl';glhyl']    %目标数据矩阵
[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)    %利用premnmx函数对数据归一化
dx=[-1,1;-1,1;-1,1]    %归一化处理后最小值为-1，最大值为1
net=newff(dx,[3,7,2],{'tansig','tansig','purelin'},'traingdx')    %建立模型，并用梯度下降法训练
net.trainParam.show=1000    %1000轮回显示一次结果
net.trainParam.Lr=0.05    %学习速度为0.05
net.trainParam.epochs=50000    %最大训练轮回为50000次
net.trainParam.goal=0.65*10^(-3)    %均方误差
net=train(net,pn,tn)    %开始训练，其中pn,tn分别为输入输出样本
an=sim(net,pn)    %用训练好的模型进行仿真
a=postmnmx(an,mint,maxt)    %把仿真得到的数据还原为原始的数量级
x=2001:2020
newk=a(1,:)
newh=a(2,:)
figure(2)
subplot(2,1,1)    %绘制公路客运量对比图
plot(x,newk,'r-o',x,glkyl,'b--+')
legend('网络输出客运量','实际客运量')
xlabel('年份')
subplot(2,1,2)    %绘制公路货运量对比图
plot(x,newh,'r-o',x,glhyl,'b--+')
legend('网络输出货运量','实际货运量')
xlabel('年份')
ylabel('货运量/万吨')
pnew=[73.59,75.55;3.9635,4.0975;0.9880,1.0268]
pnewn=tramnmx(pnew,minp,maxp)    %利用原始输入数据的归一化参数对新数据进行归一化
anewn=sim(net,pnewn)    %利用归一化后的数据进行仿真
anew=postmnmx(anewn,mint,maxt)    %把仿真得到的数据还原为原始的数量级

运行结果如图

可以得到anew的值为[43790,43785;21704,21705]。也就是说，2021年和2022年的公路客运量分别达到43790万人和43785万人，公路货运量分别为21704万吨和21705万吨。由于样本数量较少，再次运行时得到的结果可能会有不同。

材料来源：中法核威斯布鲁柯

利用BP神经网络进行公路客运货运量的预测相关推荐

利用BP神经网络预测水道浅滩演变
论文 <基于现代技术的河道浅滩演变研究> 利用BP神经网络来预测浅滩演变 BP输出因子:浅滩的年平均淤积厚度以及浅滩上最小水深,是反映浅滩变化的两个基本指标,是确定浅滩航道尺度能否满足航行 ...
运用自回归滑动平均模型、灰色预测模型、BP神经网络三种模型分别预测全球平均气温，并进行预测精度对比（附代码、数据）
大家好,我是带我去滑雪,每天教你一个小技巧!全球变暖是近十年来,人们关注度最高的话题.2022年夏天,蔓延全球40℃以上的极端天气不断刷新人们对于高温的认知,人们再也不会像从前那样认为全球变暖离我们遥 ...
MATLAB基于BP神经网络的光伏发电太阳辐照度预测（源码链接在文末）
光伏发电功率主要受太阳辐照度影响,所以准确预测太阳辐照度对光伏功率预测十分重要.程序采用小波分解先对辐照度数据进行分解,然后再用bp神经网络对分解的辐照度数据分别预测,再组合作为最后的预测结果. 人工 ...
基于BP神经网络实现气凝胶加气混凝土抗压强度预测（附代码）
目录前言 1. 背景 1.1 什么是加气混凝土 1.2 传统AAC抗压强度测试方法 1.3 为什么选择BP神经网络 2. MATLAB算法实现 2.1 训练集数据编辑 2.2 数据导入与整理 2.3 ...
利用BP神经网络教计算机进行非线函数拟合
利用BP神经网络教计算机进行非线函数拟合本图文已经更新,详细地址如下: http://blog.csdn.net/lsgo_myp/article/details/54425751
利用BP神经网络教计算机进行非线函数拟合（代码部分多层）
利用BP神经网络教计算机进行非线函数拟合(代码部分多层) 本图文已经更新,详细地址如下: http://blog.csdn.net/lsgo_myp/article/details/54425751
系统辨识实例（2）——利用BP神经网络进行基本非线性函数辨识
下面通过一个简单的实例介绍利用BP神经网络进行基本非线性函数辨识. 目录一.实例介绍二.程序设计三.运行结果一.实例介绍利用BP神经网络对非线性函数--正弦函数进行辨识逼近. 二.程序设计 ...
大数据挖掘建模案例分析：利用BP神经网络算法进行用户行为分析（一）
泰迪智能科技(数据挖掘平台:TipDM数据挖掘平台)最新推出的数据挖掘实战专栏专栏将数据挖掘理论与项目案例实践相结合,可以让大家获得真实的数据挖掘学习与实践环境,更快.更好的学习数据挖掘知识与积累职 ...
基于BP神经网络的电力系统短期负荷预测，简单实用
基于BP神经网络的电力系统短期负荷预测,包含30日的负荷数据和气象特征数据,对31日负荷进行预测,同时与实际负荷进行对比,观察误差. %创建一个新的BP前向神经网络 %newff-生成一个新的BP前向 ...

利用BP神经网络进行公路客运货运量的预测

利用BP神经网络进行公路客运货运量的预测相关推荐

最新文章

热门文章