基于灰色模型与神经网络的铁路货运量预测

颜保凡

摘要：准确把握铁路货运量的变化规律，对于优化货运组织提高货运效率具有重要意义。对此，提出了一种基于灰色模型与神经网络的铁路货运量预测算法，先用传统灰色预测模型对铁路货运量数据进行初步预测，然后用BP神经网络对初步预测值进行修正。结果表明，该预测算法与实际铁路货运量的相对平均误差可控制在5%以内，预测精度高于单一算法，可应用于货运决策中广泛存在的铁路货运量趋势分析问题。

关键词：铁路货运量；灰色模型；神经网络；预测

中图分类号：U294.1+3 文献标识码：A 文章编号：1007-9416（2017）11-0113-01

准确把握铁路货运量的发展趋势，对于国家经济发展与区域经济规划具有重要意义。铁路货运量成因众多，一般包含经济因素，运输系统因素，政策因素等[1-4]。因此需要选用合适的预测方法。

当前常用的预测方法主要包含三大类：（1）曲线拟合法；（2）灰色预测法；（3）神经网络法。由于曲线拟合法只适用于存在明显规律的数据预测，因而不宜将其用于铁路货运量预测。而单一采用灰色预测法或神经网络法也往往容易造成预测精度不高的后果，因此，本文考虑将两种算法组合起来，先用传统灰色预测模型对铁路货运量数据进行初步预测，然后用BP神经网络对初步预测值进行修正，旨在提高铁路货运量数据的预测精度。

1 灰色预测模型

根据华中科技大学邓聚龙教授的理论，灰色预测指的是将一组时间序列样本数据进行累加，并对累加序列进行最小二乘逼近，根据逼近后的数学模型建立的一種区间外序列的预测方法。若值存在一组一一对应的数据样本（货运量与时间），则该模型称为GM（1，1）模型，该模型的基本描述如下：

4 算例分析

利用本文的模型对我国2004～2014年间的铁路货运数据（数据来源：国家统计局网站http：//data.stats.gov.cn/）进行预测，以前9组数据为训练样本，后2组数据为预测样本进行预测，结果如图2和 表2所示。

结果表明，才有用本文预测模型对铁路货运量的预测误差均值为2.36%，预测效果良好。

5 结语

（1）建立了一种基于灰色模型和BP神经网络的组合预测算法。

（2）通过对铁路货运量进行预测，结果精度较高，表明该算法有较高的可靠度。

参考文献

[1]张岄.铁路货运量预测及影响因素研究[D].北京交通大学，2016.

[2]汪挺松，李曼.新亚欧大陆桥连霍段铁路货运量预测研究[J].铁道货运，2017（8）：24-28.

[3]袁胜强，鲍学英，王起才.基于马尔科夫-Verhulst模型的铁路货运量预测研究[J].铁道标准设计，2016， 60（10）：27-30.

[4]汪挺松，李曼.新亚欧大陆桥连霍段铁路货运量预测研究[J].铁道货运，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