準確的客流量預測在國家交通規劃與管理中具有重要意義,預測方法的選擇直接影響到預測的精度?？瓦\量的預測具有小樣本和非線性的特點。結合灰色理論和rbf神經網絡的特點形成灰色-rbf神經網絡模型,并采用客流運量分擔率的方式對擬建鐵路客流量進行預測。通過灰色理論對原始數據進行生成處理,將無規律的原始數據變為較有規律的生成數列,再利用rbf神經網絡的超強適應能力和學習能力,大大加快學習速度并避免出現局部極小問題對生成數列進行預測,再將模型運用到客運量的預測中。最后結合新建蘭州至中川機場鐵路項目及調查數據進行客流量的預測研究,得出灰色-rbf神經網絡模型對客流量具有很好的預測性。

準確的客流量預測在國家交通規劃與管理中具有重要意義,預測方法的選擇直接影響到預測的精度。客運量的預測具有小樣本和非線性的特點。結合灰色理論和rbf神經網絡的特點形成灰色-rbf神經網絡模型,并采用客流運量分擔率的方式對擬建鐵路客流量進行預測。通過灰色理論對原始數據進行生成處理,將無規律的原始數據變為較有規律的生成數列,再利用rbf神經網絡的超強適應能力和學習能力,大大加快學習速度并避免出現局部極小問題對生成數列進行預測,再將模型運用到客運量的預測中。最后結合新建蘭州至中川機場鐵路項目及調查數據進行客流量的預測研究,得出灰色-rbf神經網絡模型對客流量具有很好的預測性。

為了預測高速公路路基最終沉降量,首先依據影響軟土路基沉降的因素選取參數建立了bp神經網絡預測最終沉降量模型.結合成都-南充高速公路沉降實測資料及其它文獻中大量路基沉降資料,利用bp神經網絡預測了其各自最終沉降量.通過檢驗樣本驗證,預測精度較高,能夠滿足實際需要.并對bp神經網絡在公路建設中的應用提出了一些注意事項.

建筑節能是當今城市建設和社會發展的前沿和研究熱點,對建筑的能耗現狀進行綜合分析與評估是進行節能改造或節能設計的前提和基礎,而建立反映能耗變化的預測模型是從宏觀尺度上分析認識建筑能耗變化與發展特性、為公共建筑節能工作提供決策依據的有效途徑和重要手段。研究針對常規bp網絡算法收斂速度慢、易陷入局部最小點的缺點,采用了具有較快收斂速度及穩定性的lm算法進行預測,構造了基于bp神經網絡的建筑物用電量預測模型。以某市公共建筑原始用電能耗統計數據作為樣本,并采用matlab對預測模型進行了仿真預測。結果顯示:誤差在允許范圍內。

根據盾構施工引起地表沉降的具體問題,結合廣州地鐵三號線某區間地質資料,建立了地表沉降預測的bp神經網絡模型,并對網絡進行了訓練和測試,測試結果表明,利用神經網絡進行盾構隧道施工的地表沉降預測是可行的,可用于工程實踐。

短時交通流預測是現代智能交通系統的核心內容,針對城市道路被占所造成的城市交通擁堵排隊問題,以路段視頻統計為例,利用bp神經網絡方法就實際通行能力、具體車輛數、事故持續時間與排隊最長長度之間的關系進行預測分析,從實驗模擬結果來看,該方法能有效地解決交通流實時和可靠性預測。

本文結合住宅房地產的價格理論和相關網站上的數據,科學地選取影響商品住宅價格的影響指標為人均gdp、人均可支配收入、人口數量、房地產開發投資額和商品住宅建筑面積,并以此建立hedonic商品住宅價格影響因素模型。依照bp神經網絡預測的實現步驟,探索bp神經網絡在預測?？谑猩唐纷≌瑑r格的應用,得到2018年6月-2019年5月商品住宅價格預測值,對?？谑猩唐纷≌瑑r格的研究具有一定的指導作用。

利用matlab建立bp神經網絡,將影響建筑能耗的18個因素作為網絡的輸入,進行學習訓練,最后通過測試樣本點數據預測建筑能耗,與dest-h模擬計算得到的結果比較,發現相對誤差在3.5%以內,并通過實例驗證了該網絡模型的準確性。該方法使建筑人員在設計階段就能快速且準確地獲得設計建筑的能耗。

進度控制作為項目管理的主要內容，如何對施工進度進行有效的預測將有重要的現實意義，應用bp神經網絡技術對工程進度進行預測，得到的預測值比線性方法更準確，精度更高。

基坑工程施工中,需要根據現場實際情況、周圍環境、建筑安全等級等對變形進行嚴格控制。通過對基坑實測變形數據進行整理和分析,對未來變形量作出預測,保證基坑安全。結合bp神經網絡的高度非線性映射能力,提出了一種基于bp神經網絡的基坑變形時間序列預測方法。在基坑開挖過程中,采取滾動預測的方法,不斷利用前期已有實測數據建模預測后期變形量,以實現信息化施工和動態控制。實例分析表明,bp神經網絡模型具有較高的預測精度,并能獲得滿意的預測結果。

隨著社會發展,汽車已經成為家庭的重要出行工具.汽車運行時間越長,故障發生率越高,不利于人們的生命健康安全.因此,利用現代模式識別、機器學習等技術構建一個汽車故障率預測模型,及時發現汽車運行故障,以便能夠保證汽車以及乘用人的生命安全.本文詳細地分析了bp神經網絡的基本理論和概念,同時將其應用到汽車故障率預測中,可以提高故障率預測的準確度.

為了分析深基坑的沉降規律,以某實際工程為例,利用bp神經網絡對該工程的深基坑沉降數據進行擬合和預測分析,采用c語言編寫程序進行預測。結果表明,利用bp神經網絡方法的預測結果合理,誤差在允許范圍內,滿足工程要求,并且對類似的工程施工具有指導作用。

針對邊坡變形中非平穩和非線性的數據處理問題,提出一種基于集合經驗模態分解(eemd)和bp神經網絡相結合的邊坡變形預測新算法(eemd-bp)。該算法先對邊坡變形序列進行eemd分解,有效分離出隱含在時序中具有不同尺度特征的子序列,進而對各子序列建立bp神經網絡預測模型,最后疊加各子序列預測值得到邊坡變形最終預測結果。與gm(1,1)和bp神經網絡模型對比分析表明,該算法預測精度較高,在邊坡變形波動劇烈時段,也能保證較優的局部預測值和較好的全局預測精度。

電力系統短期負荷預測是能量管理系統的重要組成部分，不但為電力系統的安全、經濟運行提供保障，也是電力市場環境下編排調度計劃、供電計劃、交易計劃的基礎。因此，短期負荷預測方法的研究一直為人們所重視。

電力系統短期負荷預測是能量管理系統的重要組成部分，不但為電力系統的安全、經濟運行提供保障，也是電力市場環境下編排調度計劃、供電計劃、交易計劃的基礎。因此，短期負荷預測方法的研究一直為人們所重視。

交通事故的發生因受隨機因素的影響而呈現出不確定性和非線性的特點.在分析交通事故與人口、車輛、道路、經濟發展等因素關系的基礎上,綜合考慮影響交通事故的多種因素,建立了bp神經網絡.進而,選取總人口、機動車駕駛員人數、公路密度、民用車輛、人均gdp作為交通事故預測模型的輸入向量,以交通事故的四項指標作為輸出向量,利用lm算法或galm算法優化的bp神經網絡模型對交通事故進行預測.實驗表明,galm算法優化的bp神經網絡模型與bp神經網絡或lm算法優化的bp神經網絡相比,具有較高的精度和較快的收斂速度,能更好地適用于交通事故預測.

電力系統負荷預測的重要性、分類和主要預測方法,bp神經網絡算法的基本理論和預測過程,建立基于bp神經網絡的短期負荷預測模型,以加州24h的電力負荷預測為例進行matlab仿真,結果顯示預測精度符合電力系統要求。

負荷預測是電力規劃的基礎,傳統的神經網絡預測方法存在對初始網絡權值設置敏感、收斂的速度慢、容易陷入局部極小值等缺點。文中引入遺傳算法先對神經網絡的初始值進行優化,再通過神經網絡進行學習和訓練,得出的結果再經bagging方法集成,目的是提高其準確率。通過matlab仿真進行實驗,結果表明,基于bagging算法集成遺傳神經網絡,能夠克服傳統bp神經網絡的缺點,可較快收斂又不易陷入到局部極值中,具有較強的泛化能力,同時也大大提高了網絡的預測精度。

本文分析了影響房價的多種因素;運用灰色gm(1,1)模型預測這些因素的數據走勢,利用bp神經網絡以歷史數據為依據運用matlab進行仿真,得出我國未來五年房價預測值。結果表明,采用神經網絡結合灰色gm(1,1)預測而得的各影響因素預測值,預測未來房價,具有很強的實用性。

公路貨運量受多種因素影響,各因素的作用機制通常不能準確地用數學語言進行描述。采用廣義回歸神經網絡(grnn)對貨運量進行分析及預測。通過對1995~2003年南京市公路運量的歷史數據進行分析和處理,對網絡進行訓練和擬合,用2004~2005年的實際數據進行模型檢驗,結果證明了grnn用于貨運量預測的有效性。

通過對公路貨運量的預測方法進行研究比較,并根據公路貨運量形成的復雜和非線性等特點,建立bp神經網絡預測模型.利用黑龍江省公路貨運量及其相關影響因素的實際數據,確定網絡輸入與輸出樣本,并對bp神經網絡預測系統進行訓練和預測.通過對網絡輸出的誤差曲線圖的分析,驗證bp神經網絡預測系統的精確性和簡單方便性,提高了公路貨運量預測的精確性.

bp神經網絡是分析處理復雜非線性問題的一種有效方法,是目前廣泛應用的一種神經網絡,已被逐漸應用于對宏觀經濟問題的研究中。本文有機地整合了計量經濟學與bp神經網絡,建立了基于因果關系理論來確定bp網絡的輸入變量,基于協整理論來分析bp網絡系統的可靠性,基于學習率可變的動量bp算法的用于研究經濟領域問題的改進bp神經網絡預測模型,加強了網絡模型的理論基礎,提高了網絡模型的質量,并將其應用于西北建筑業的預測和控制中,取得了令人滿意的效果。