基于灰色模型與神經網絡的鐵路貨運量預測

顏保凡

摘要：準確把握鐵路貨運量的變化規律，對于優化貨運組織提高貨運效率具有重要意義。對此，提出了一種基于灰色模型與神經網絡的鐵路貨運量預測算法，先用傳統灰色預測模型對鐵路貨運量數據進行初步預測，然后用BP神經網絡對初步預測值進行修正。結果表明，該預測算法與實際鐵路貨運量的相對平均誤差可控制在5%以內，預測精度高于單一算法，可應用于貨運決策中廣泛存在的鐵路貨運量趨勢分析問題。

關鍵詞：鐵路貨運量；灰色模型；神經網絡；預測

中圖分類號：U294.1+3 文獻標識碼：A 文章編號：1007-9416（2017）11-0113-01

準確把握鐵路貨運量的發展趨勢，對于國家經濟發展與區域經濟規劃具有重要意義。鐵路貨運量成因眾多，一般包含經濟因素，運輸系統因素，政策因素等[1-4]。因此需要選用合適的預測方法。

當前常用的預測方法主要包含三大類：（1）曲線擬合法；（2）灰色預測法；（3）神經網絡法。由于曲線擬合法只適用于存在明顯規律的數據預測，因而不宜將其用于鐵路貨運量預測。而單一采用灰色預測法或神經網絡法也往往容易造成預測精度不高的后果，因此，本文考慮將兩種算法組合起來，先用傳統灰色預測模型對鐵路貨運量數據進行初步預測，然后用BP神經網絡對初步預測值進行修正，旨在提高鐵路貨運量數據的預測精度。

1 灰色預測模型

根據華中科技大學鄧聚龍教授的理論，灰色預測指的是將一組時間序列樣本數據進行累加，并對累加序列進行最小二乘逼近，根據逼近后的數學模型建立的一種區間外序列的預測方法。若值存在一組一一對應的數據樣本（貨運量與時間），則該模型稱為GM（1，1）模型，該模型的基本描述如下：

4 算例分析

利用本文的模型對我國2004～2014年間的鐵路貨運數據（數據來源：國家統計局網站http：//data.stats.gov.cn/）進行預測，以前9組數據為訓練樣本，后2組數據為預測樣本進行預測，結果如圖2和 表2所示。

結果表明，才有用本文預測模型對鐵路貨運量的預測誤差均值為2.36%，預測效果良好。

5 結語

（1）建立了一種基于灰色模型和BP神經網絡的組合預測算法。

（2）通過對鐵路貨運量進行預測，結果精度較高，表明該算法有較高的可靠度。

參考文獻

[1]張岄.鐵路貨運量預測及影響因素研究[D].北京交通大學，2016.

[2]汪挺松，李曼.新亞歐大陸橋連霍段鐵路貨運量預測研究[J].鐵道貨運，2017（8）：24-28.

[3]袁勝強，鮑學英，王起才.基于馬爾科夫-Verhulst模型的鐵路貨運量預測研究[J].鐵道標準設計，2016， 60（10）：27-30.

[4]汪挺松，李曼.新亞歐大陸橋連霍段鐵路貨運量預測研究[J].鐵道貨運，2017（8）：24-28.

Abstract：Accurate grasp of the change law of railway freight volume is of great significance for optimizing freight organization and improving freight transport efficiency. In this regard， a railway freight volume forecasting algorithm based on grey model and neural network is proposed. Firstly， the traditional grey prediction model is used to predict the railway freight volume data， and then the BP neural network is used to revise the preliminary prediction value. The results show that the relative average error between the prediction algorithm and the actual railway freight volume can be controlled within 5%， and the prediction accuracy is higher than the single algorithm. It can be applied to the trend analysis of railway freight volume which is widely existed in freight transportation decision-making.

Keywords： railway freight volume；grey model；neural network；predictionendprint