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 ...
最新文章
- torch.backends.cudnn.deterministic 生成随机数字设置 每次输出一样的方法
- jvm性能调优实战 - 44Metaspace区域是如何因为类太多而发生内存溢出OOM
- docker 在esx上的网络配置
- 致敬平凡的程序员--《SOD框架“企业级”应用数据架构实战》自序
- 02-线性结构2 一元多项式的乘法与加法运算 (20 分)
- 自己构造公共程序(3)--DataGrid小方法
- 算法竞赛学习资源整理
- MacOS 10.14.5单双面打印设置
- 中望3d快捷键命令大全_史上最全的天正CAD快捷键命令大全:左撇子的也包括了...
- 精益创业实践|企业创新如何克服9大关键挑战
- 靠微信小程序两周获客20万,同城小程序开始爆发
- linux下vi编辑器方向键变成字母的解决方法
- 程序员实用工具网站(原文有图片,本篇只是简单记录)
- 【备忘】真.护眼色 数值
- 性能监控:top命令
- php搭建后台 xampp_运行PHP后台项目:xampp下载,安装,配置,运行PHP的web项目
- 关于一台TL-WR885N 4无线路由器不稳定的分析
- jet mysql连接字符串_数据库连接字符串大全
- SPAD器件仿真(一)器件参数提取和dark下的I-V曲线仿真
- 淡谈自然场景下小样本OCR文字识别
热门文章
- Python实现Fleiss Kappa一致性分析,并计算Z值和p值等相关统计量
- jsp标签自定义属性取值问题
- 2022电工(初级)考试模拟100题及答案
- 计算机考研视频谁的好处,谁的计算机专业考研视频好
- 安富莱v6开发板网口通讯_【安富莱】各种开发板和模块的资料下载汇总贴(2020-04-06)...
- XCode打包静态库文件
- 直驱式永磁同步风力发电系统的仿真模型
- 怎么让Nginx/apache支持shtml格式
- 中国历年出生人口1983至2022及往后预测
- 什么是序列,Python序列详解(包括序列类型和常用操作)