北京公路里程变化BP神经网络预测模型研究
基于BP神经网络的组合预测模型及其在公路运输量预测中的应用
Ｚ Ｏ Ｓ ｕ ｚｉＴ Ａ ｈ ｎ ｚ ｏ ｇ Ｚ ＮＧ Ｓ ｕ ｓ ａ ，ＪＮ Ｊ ｎ Ｗ ＨＡ ｈ —ｈ ， Ｉ Ｎ Ｚ ｅ —ｈ ｎ ， ＨＡ ｈ —ｈ ｎ Ｉ ｕ — Ｕ
Ｖｏ ． Ｎｏ． １６ ４ Ａｕ ｕ ｔ ２ ０６ ｇ ｓ ０
文 章 编号 ：１０．７４ （０６ ０ ．１８０ ０９６４ ２０ ） ４０ ０．５
基于 Ｂ Ｐ神 经 网络 的组 合预 测模 型及 其在 公 路 运 输 量 预 测 中的应 用
赵淑芝， 田振中， 山， 张树 金俊武
（ 林 大 学 交 通 学 院 ， 春 １０ ２ ） 吉 长 ３０ ５
维普资讯
第６ 第４ 卷 期
２ ０ 年 ８月 ０６
交通 运输 系统 工程 与信 息
Ｊ ｕ ｎ ｌ ｆ ｒｎ ｐ ｒ ｔ ｎ Ｓ ｓ ｍｓＥ ｇｎ ｅｉ ｇ ａ ｄ Ｉｆｒ ｔ ｎ Ｔ ｃ ｎ ｌｇ ｏ ｒ ａ ａ ｓ ｏｔ ｉ ｙ ｔ ｎ ｉ ｅ ｒ ｎ ｎｏｍａｉ ｅ ｈ ｏｏ ｙ ｏＴ ａｏ ｅ ｎ ｏ
ｃ ｍｂｎ ｄ ｍｏ ｅ ｓｐ ｏ ｅ ｙ ｍａｈ ｍａｉ ｔｔ ｔ ｓ ｈｅ ｆａ ｉｉ ｔ ａ ｄ ａ ｐｉａ ｉｔ ｆｔ ｉ ｃ ｍｂ ｎ ｄ ｍｏ ｅ ａ ｅ ｏ ｉｅ ｄ ｌｉ ｒｖ ｄ ｂ ｔ ｅ ｔ ａ ｓ ｉ ｉ ，ｔ ｅ ｓｂｌ ｙ ｎ ｐ ｌ ｂ ｌ ｏ ｓ ｏ ｉｅ ｄ ｌ ｒ ｃ ｌ ａｓｃ ｉ ｃ ｉ ｙ ｈ
ｐｏ ｅ ｙ ｓ ｉｔｃ ｎ ｙ ｉ ｄ ｐａ ｔ ｅ．１ ｉ ｄ ｌｆｒｆｒ ｃ ｓｉｇｈｇ ｗａ ａ ｐ ｒａｉｎ ｖ ｌ ｍｅｉ ｆ ｃｉｅ ａ ｄ ｒ ｖ ｄ ｂ ｔ ｓｉａ ａ ａ ｓｓａ ｒｃｉ ａｔ ｌ ｌ ｎ ｃ ＇ ｓｍｏ ｅ ｏ ｏｅ ａｔｎ ｉｈ ｙ ｔ ｎｓ ｏｔｔ ｏｕ ｓｅ ｅ ｔ ｎ ｈ ｒ ｏ ｖ ｆａ ｉｌ ｅ ｓｂｅ． Ｋ ｅ ｒ ｓ： ｃ ｍｂｎ ｔ ｎ ｆｒ ｃ ｓ ；ｈｇ ｗａ ｒｎｓ ｒａｉｎ ｖ ｌ ｙ ｗｏ ｄ ｏ ｉａｉ ｏｅ ａｔ ｉｈ ｙ ｔａ ｐ ｔ ｔｏ ｏｕｍｅ ＢＰ ｎ ｕ ａ ｅｗｏ ｋ；ｍｏ ｅ ｏ ｏ ； ｅ ｒ ｎ ｔ ｒ ｌ ｄｌ
基于神经网络的高速公路路况预测技术研究
基于神经网络的高速公路路况预测技术研究随着城市化进程的加速，汽车的普及率越来越高，高速公路的重要性也日益凸显。
它是连接城市、地区乃至国家的重要通道，同时也是物流、旅游等产业的重要支撑。
因此，高速公路的安全和效率都是关系到人民群众的切身利益的大问题。
本文将介绍基于神经网络的高速公路路况预测技术，探究其实现原理和优势。
一、高速公路的路况预测技术现状在传统的高速公路管理中，作为基础设施的道路主要是由人工进行管理维护，而路况预测主要是通过观察天气情况和事故故障发生情况的历史记录来预测。
这种做法的缺点是效率低下，容易出现误报和漏报等问题。
为了解决这一难题，高速公路路况预测技术逐渐走向了智能化发展。
目前，高速公路路况预测技术主要有三种：传统方法、模型方法和深度学习方法。
传统方法就是基于统计学原理，通过计算历史数据来预测未来路况。
模型方法是基于现有的数据建立数学模型，通过模拟能够实时预测路况。
而深度学习方法则是将神经网络应用于路况预测领域，通过大量数据的训练，让机器自己学习路况预测。
二、基于神经网络的高速公路路况预测技术原理基于神经网络的高速公路路况预测技术是一种深度学习方法，其重点是建立一个多层的神经网络模型。
这种模型可以学习历史数据并预测未来的路况，然后适时调整和优化，使其更加准确地反映实际情况。
在神经网络模型中，首先需要构建一个输入层，用来接收实时性和精准度最高的数据信息，例如温度、湿度、风力、道路拥堵情况等，这些数据可以通过传感器等设备进行实时采集。
然后构建一个隐藏层，隐层接收输入层输入的数据，通过激活函数（如sigmoid函数）把大量输入数据映射到一个输出范围内，实现非线性转换。
最后是输出层，将经过处理和计算的数据转化为有效的路况预测结果，如阻塞、拥堵、顺畅等。
在神经网络的训练过程中，首先需要设定一个目标函数（如均方误差函数），用来衡量预测结果与实际结果之间的偏差。
然后，通过误差反向传播算法，不断优化网络权重和阈值，从而逐渐提高神经网络的准确性和精度。
基于BP神经网络的公路客运量和货运量预测方法研究
基于BP神经网络的公路客运量和货运量预测方法研究作者：包勇 陈燕璇来源：《软件导刊》2016年第04期摘要：公路客运量和货运量预测是一个复杂的非线性问题，由于影响因素较多，难以用普通的数学方法建模，而建立BP神经网络可以表达这些非线性问题。
根据公路客运量货运量历史数据及其相关影响因素数据建立了BP神经网络预测模型。
利用实际数据确定网络输入与输出样本，对BP神经网络预测系统进行训练和预测。
通过对网络输出预测结果与实际数据的分析，验证了BP神经网络预测系统的精确性和方便性，提高了公路客运货运预测的精确性。
关键词关键词：客运量；货运量；BP神经网络；预测中图分类号：TP319 文献标识码：A 文章编号：1672-7800（2016）004-0129-030引言交通运输在国民经济和社会发展中起着重要作用，公路客运量和货运量的预测备受重视。
公路客运量和货运量受到多方影响，有系统内部因素也有系统外部因素[1]。
准确预测需求量，既有利于公路等基础设施建设投资计划、货运枢纽规划合理布局以及运输生产组织高效管理，又能完善综合交通系统的规划、评价，是制定和检查运输生产计划、研究运输发展规模和速度的重要指标，对公路客运量和货运量需求的准确预测和分析具有很强的现实意义。
公路客运量和货运量常见的预测方法有灰色预测法、回归分析法、指数平滑法等[2]。
这些方法虽各有优点，但都对非线性问题及一些不确定影响因素的处理不理想，可能导致误差较大、信息量丢失的问题。
笔者在前人研究的基础上，采用BP神经网络对我国客运量和货运量进行了预测。
实验数取自1992-2011年中国统计年鉴。
根据公路客运和货运具有较强的复杂性和非线性特点，本文选取了居民人口、公路运输长度、民用车拥有量3个指标进行预测，利用BP神经网络建立预测模型进行训练，并把结果与实际结果进行比较分析。
实践证明，运用神经网络对未来数据进行预测可行性高。
1BP神经网络BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。
BP神经网络在公路路面性能预测中的应用
Ｂ Ｐ阿络的学习 ， ４ 过程 组成： 由 个 输入模 式 由
维普资讯
总第 １ ６期 １
Ｈ ｉｈ ｙ ｇ ｗａ ｓ＆ Ａｕ ｏ ｔｖ ｐ ｉａ ｉｎ ｔｍｏ ｉ ｅ Ａｐ ｌｃ ｔｏ ｓ
和指标 为 １ ～３ ０ 。
公 路 与 汽 运
（ 称神经 元 ） 泛地 互相 连接 而形成 的复杂 网络 系 或 广
统， 它反 映 了人 脑功 能 的许 多基本 特性 ， 一个 高度 是
复杂 的非线 性动 力学 系统 。神经 网络 具 有大规模 并 行、 分布式存 储 和处 理 、 自组 织 、 自适 应 和 自学 习 能
图 １ ３பைடு நூலகம் Ｂ Ｐ网 络 结 构
易 陷入 局部 极 小 。为 方便 起 见 ， 误 差 逆传 播 网 络 把
简称 为 Ｂ Ｐ网络 （ ａｋＰ ｏ ａ ａｉｎ 。 Ｂ ｃ ｒｐ ｇ ｔ ） ｏ
数 据对其 中的规律进 行 总结并对 复杂 问题 提供 实时 的解答 ， 测 时 不 需 要 专 家 的 介 入 或 专 门的 知 识 。 预
王 银 虎
（ 南 高 速 公路 发 展 有 限 公 司 ， 南 郑 州 河 河 ４０５） ５０ ２
摘
要 ： 面 性 能 预 测 是 路 面养 护 管 理 的 重 要 组 成 部 分 ， 路 一般 较 难 考 虑 自然 环 境 对 路 面 性 能
的 影 响 ， 已知 信 息 的 利 用 效 率 不 高 ， 成 预 测 误 差 。 文 中 以 桌 高速 公 路 路 面 性 能预 测 为例 ， 细 对 造 详 说明了Ｂ Ｐ神 经 网络技 术在 路 面 性 能 预 测 中的 作 用 ， 求 推 广 计 算 机 辅 助 的人 工 神 经 网 络 在 路 面 力
基于BP神经网络的公路工程投资估算模型
的 神 经 网 络 关 系 模 型 ， 利 用 实 际 数 据 进 行 验 证 ， 明 了 这 一 新 的模 型 优 于 现 有 模 型 ． 而 为 公 路 并 证 从
１ １常 用 投 资 估 算 模 型 ．
其 它费 用 投资 ： 五 步汇 总 求 出总 投资 。 第
１２ 模 型 间 的 分 析 与 比 较 ，
以 上 四 种 投 资 预 测 模 型 ， 有 其 优 缺 点 。单 位 面 积 模 型 要 各
目 前 ． 我 国 进 行 公 路 工 程 造 价 主 要 采 用 扩 大 指 标 估 算 求 调 整 时 间 的 、 量 的 和 数 量 的 调 节 系 数 ， 何 两 个 人 ， 果 质 任 如
维普资讯 程 投 资 估 算 模 型
◆ 文 ／ 王 磊 王 运 霞
【 要 】 通 过 对现 有 的 公路 工程 投 资预 测 模 型 加 以 比较 和 分 析 。得 出有 必要 利 用人 工 神 经 网络 摘
公 路 的 建 设 等 级 和 里 程 要 求 越 来 越 高 。 但 是 ，与 公 路 建 设 快 设 备 投 资 乘 以 设 备 安 装 费 系 数 得 到 设 备 安 装 费 ；第 三 步 设 备 速 增 长 相 对 应 的 是 我 国 的 公 路 建 设 工 程 的 投 资 失 控 现 象 越 来 与 设 备 安 装 之 和 分 别 乘 以 建 筑 与 公 用 设 施 投 资 系 数 、 控 制 仪 越 严 重 。 其 中 最 为 主 要 的 原 因 是 ： 资 预 测 的 准 确 程 度 不 够 。 表 投 资 系 数 ， 得 建 筑 及 公 用 设 施 投 资 和 控 制 系 统 投 资 ： 四 投 求 第
神经网络在公路运量中的预测
神经网络在公路运量中的预测1.问题的描述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1中给出了某地区20年的公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量的单位为万辆，公路面积的单位为万平方千米，公路货运量单位为万吨。
根据相关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积将分别为0.9880和1.0268万平方千米。
我们将利用BP神经网络预测该地区2010年和2011年的公路客运量和公路货运量。
2.BP神经网络求解过程表1 某地区20年公路运量数据具体程序如下：clc%yuanshishuju%renshua=[20.55 22.44 25.37 27.13 29.45 30.10 30.96 34.06 35.42 38.09 39.13 39.99 41.93 44.59 47.30 52.89 55.73 56.76 59.17 60.63];%jidongcheshub=[0.6 0.75 0.85 0.9 1.05 1.35 1.45 1.6 1.7 1.85 2.15 2.2 2.25 2.35 2.5 2.6 2.7 2.85 2.95 3.1];%gonglumianjic=[0.09 0.11 0.11 0.14 0.20 0.23 0.23 0.32 0.32 0.34 0.36 0.36 0.38 0.49 0.56 0.59 0.59 0.67 0.69 0.79];%gonglukeyunliangd=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];%gongluhuoyunliange=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];p=[a;b;c];t=[d;e];[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%%上面那个函数的意思：对数据进行预处理，进行归一化处理[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);函数作用：数据归一化到[-1,+1]区间（默认时）。
基于BP神经网络的公路运量预测课件
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
w 输入层与中间层的连接权值: i h
隐含层与输出层的连接权值: who
隐含层各神经元的阈值: bh
输出层各神经元的阈值: bo
样本数据个数: k1,2,Lm
激活函数: f ( )
误差函数： e12oq1(do(k)yoo(k))2
BPNN的MATLAB实现 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
BPNN的训练：学习算法的选择
MATLAB神经网络工具箱对常规BP算法进行改进,提供了一系列快 速算法,以满足不同问题的需要
学习算法 适用问题类型 收敛性能
trainlm
函数拟合
收敛快,误差小
p
yio(k) w hohoh(k) bo o1 ,2,Lq h 1
y o o (k ) f(y io (k )) o 1 ,2 ,L q
BPNN的标准学习算法 文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
• 第四步，利用网络期望输出和实际输出，计算 误差函数对输出层的各神经元的偏导数 o ( k ) 。
年份 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
文档仅供参考，不能作为科学依据，请勿模仿；如有不当之处，请联系网站或本人删除。
人口数量 机动车数量 公路面积 公路客运量 公路货运量
39.99
2.20
0.36
19490
11203
41.93 44.59 47.30
e e yio w ho y io w ho
基于BP神经网络的高速公路动态交通流预测
度为零时的等价速度; cr 为 临界密度, 表 示交通流
稳定与不稳定的分界点; 为时间常数; ∀i 为高速公 路路段 i 的车道数; & 为期望系数; # 为入口匝道常
数; ∋ 为修正系数; %为加权系数, 取值与 i 、 i- 1 有
关, 在实际中可以取为接近于 1 的常数。
2 基于 BP 神经网络交通流模型的建立 增加 BP 网络层数可以进一步降低误差和提高
Expressway Dynamic Traffic Flow Prediction Based on BP Neural Network
Wang Jun1,2 , Xu H ongke1 Cai Xiaof eng 3 , Sun Lei 1
Abstract: This paper takes expressway traffic flow prediction as object of study, and sets up a traffic flow prediction model based on dynamic parameter correction of BP neural network. It takes the expressway macro dynamic traffic flow model as prototype and analyzes the characteristics of expressway traffic flow with Segment Identification Method . It also carries out detail researches on determination of BP neural network levels and neural elements, as well as optimization of transition functions, and it gives modeling method based on BP neural network traffic flow prediction model. It carries out real data collect ion from traffic flow at Xi! an- Baoji Expressway, modeling and emulation. Through comparison emulation result and actual result, this model is proved to be highly reliable. Key words: expressway; traffic flow prediction; BP neural network
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
北京公路里程预测研究摘要：公路里程设置的合理性作为“和谐交通”的一个重要方面，不仅影响着城市交通主体的需求能否得到真正的满足，而且影响着和谐交通的建设。
本文收集了北京1989年——2010年的交通数据，在对交通数据进行背景分析的基础上，从交通需求和交通供给的角度，运用回归理论和神经网络理论分别建立了北京公路里程多元线性回归预测模型和BP神经网络预测模型，对2011年北京市公路里程进行了预测，论证了2011年北京公路里程预测数据的合理性。
北京公路里程的预测提高了道路规划的准确性，对于解决北京城市交通拥堵具有重要意义。
希望通过本文的研究，使路网规模更加合理，出行者的需求得到更好的满足。
关键字：公路里程；BP神经网络；多元线性回归The Research on Prediction of Beijing Highway Mileage Abstract: As the very important aspect of harmonious transportation, not only does the rationality of the highway mileage setting not affects that the principal demand of city transportation whether can be met or not, but also influences the construction of harmonious traffic. This paper collects the traffic data of Beijing between 1989 and 2010, and analyzes the background of data, and establishes multivariate linear regression forecasting model and the BP neural network model using regression theory and neural network theory from the view of traffic demand and traffic supply, and predicts highway mileage of Beijing in 2011, and demonstrates the rationality of the highway mileage of Settings. The prediction of Beijing highway mileage improves the accuracy of road planning and has a significant importance to solve the situation of congestion. This study can make road network more reasonable, demand can be meet more convenient.Keyword: Highway mileage; BP Neural Network ; Multiple linear regression0 引言公路里程的确定是公路规划和预测的重要内容。
众所周知，北京市城市交通部门在道路交通里程设置方面必须考虑多种因素，使城市道路里程既能满足交通需求又不造成过多的浪费，从而使北京市城市交通达到和谐，为和谐的北京城市建设贡献力量。
国内外相关学者对公路里程的预测研究提出了多种研究方法。
根据研究思路的不同可以分为时间序列法、因素分析法等。
时间序列法是根据某个区域公路里程的历史资料，以时间t为自变量建立模型对未来的公路里程进行合理的预测和规划[1]。
如增长率法、移动平均法、指数平滑法、趋势曲线预测法(包括指数、对数、多项式、Logistic 曲线等) 、灰色预测GM (1 , 1) 法等等。
该预测方法仅从交通供给的角度考虑，没有考虑交通需求的因素对公路里程的影响。
因素分析法是通过建立公路里程和影响因素之间的关系式，预测影响因素的发展趋势，确定相关参数，得到未来公路里程的合理规模。
该方法的关键在于选择合适的影响因素和分析方法，如果因素选择不当会造成预测失准。
本文在分析北京市1989年到2009年常住人口、北京市国民生产总值、公路里程、民用汽车拥有量、轨道交通里程、公路交通旅客周转量等数据的基础上，从交通供给和交通需求的角度，综合运用时间序列法和因素分析法建立了北京公路里程的多元回归预测模型和BP神经网络预测模型，希望能改变两种方法预测的弊端，提高预测的准确性。
1 数据背景分析本文采用的数据来自2010年北京市统计局统计年鉴，包括1989年到2010年的常住人口、地区生产总值、公路里程、民用汽车拥有量、轨道交通里程、公路交通旅客周转量等6个指标的数据（如表1-1）。
表1-1 北京市交通数据1Table 1-1 The Transportation Data of Beijing年份常住人口（万人）地区生产总值（亿元）公路里程（公里）民用汽车拥有量（辆）轨道交通里程（公里）公路旅客周转量（万人公里）19891075456921824750340.1122435 199********.8964827065540.1132350 199********.91025929698540.1139041 199********.11082734101541.6161735 199********.21124241604741.6127461 199411251145.31153248127941.6180030 19951251.11507.71181158940841.6234540 19961259.41789.21208462184741.6250488 199712402075.61230678430241.6261204 19981245.623761249889847341.6304592 19991257.22677.61282595138853.7400597 20001363.6316113597104115954527645 20011385.13710.513891114473454529776 20021423.24330.414359133934575603510 20031456.45023.8144531630704114693100 20041492.76060.31463018713061141582441 200515386886.31469621457721141873754 200615817861205032441359114791947 200716339353.320754277786914214742491数据来源于北京市2010年统计年鉴20081695104882034031807982002409604 2009 1755 11865.9 20755 3721000 228 2677144 2010 1961.2 13777.9 21021 4529000 336 28710001.1 公路里程数据相关性分析散点图是表示两个变量之间关系的图。
通过做散点图可对数据相关性进行直观观察，不但可以得出定性的结论，而且可以通过观察剔除异常数据，从而提高对相关程度计算的准确性。
对于多个变量，利用矩阵散点图来区分变量之间关系的图，又称相关图，下面我们就用矩阵散点图来说明北京市常住人口、地区生产总值GDP、公路里程、民用汽车拥有量、轨道交通里程、公路旅客周转量六者之间的关系。
通过图1-1矩阵散点图分析可得公路里程与常住人口、地区生产总值、民用汽车拥有量、轨道交通里程、公路旅客周转量存在较强的相关关系。
除此之外，民用汽车拥有量和国民生产总值、国民生产总值和常住人口、国民生产总值和公路里程之间也存在较强具有相关关系。
图1-1 散点图Fig 1-1 Scatter Diagram1.2 公路里程数据趋势分析图1-2 北京公路里程图Fig 1-2 Beijing Highway Mileage Chart通过表1-1的公路里程数据和图1-2可以得到：（1）北京市公路里程一直呈增长状态。
（2）2005年以前公路里程增长较平均，斜率基本不变，通过计算几何比例值得到2005年以前的公路里程的几何比例值都大于1，并且在1.3附近。
（3）2005—2006年度，北京公路里程增长迅速，增长幅度超过5000公里，这其中与2008年的北京奥运会有很大关系。
为了迎接2008年北京奥运会，改善北京交通状况，实现“科技奥运”、“人文奥运”“绿色奥运”的目标，北京市政府从2005年开始通过增加公路里程改善北京交通状况，提高北京交通的通达性和可达性。
（4）2007年之后北京公路里程呈平衡发展状态，北京市公路里程呈小范围的上升状态，这其中与城市发展规模有很大关系，北京公路网基本形成并逐步完善。
2 公路里程预测模型设计2.1 公路里程多元线性回归模型设计与一元线性回归分析一样，多元线性回归模型仍是根据观测样本数据估计模型中的各个参数，对估计参数及回归方程进行统计检验，从而利用回归模型进行经济预测和分析。
在专家访谈和散点图分析的基础上，确定北京公路里程的影响因素主要是北京市常住人口、地区生产总值GDP 、民用汽车拥有量、轨道交通里程、公路旅客周转量等。
定义自变量常住人口为1x ，国民生产总值GDP 为2x ，民用汽车拥有量为3x ，轨道交通里程为4x ，公路交通旅客周转量为5x ，因变量为公路里程y ，建立多元线性回归模型如下：01122334455y x x x x x ββββββε=++++++ （公式2-1）其中015, βββ⋯⋯是未知参数，ε 是随机误差项，反映了除125,....x x x 对y 的线性关系之外的随机因素对是不能由125,....x x x 与y 之间的线性关系所解释。
此外，在做显著性检验等许多情况下，我们对误差项作如下假定：2~(0,)N εσ且相互独立。
这种假定意味着，对于自变量的一组特定值，误差项与任意一组其他值所对应的误差项不相关，且对应的因变量y 也是一个服从正态分布的随机变量。
2.2 公路里程BP 神经网络模型设计BP(Back Propagation)神经网络是Rumelhart ，Hinton 和Williams 提出的一种人工神经网络的误差反向传播训练算法(简称BP 算法)，系统地解决了多层网络中隐含单元的联接权的学习问题。