公路运量预测模板
道路交通量预测案例
第四章道路交通量预测
4.1交通构成分析及初年流量确定
根据3号路的功能及沿线土地利用规划，将其未来交通流量主要是以沿线用地为起止点的交通流；因其主要服务于安置区，所以交通流的构成以生活出行为主，根据一般居住区的交通出行量，可假设3号路初年2013年交通流量为400pcu/h，对应国家及云南省相应经济发展速度，设头五年的年增长率为10％，以后各年为6%，计算期20年，各特征年交通流量见下表：
4.2道路通行能力
4.2.1道路设计通行能力
N＝No*r*n*n*s
No……单向路段通行能力（pcu/h）
（设计车速30km/h,一个车道设计通行能力No＝1300）
r…………自行车影响修正系数（r＝1）
n…………车道宽度影响修正系数（n＝1）
n…………车道数修正系数[两车道n＝（1＋0.85）＝1.85] s…………交叉口影响修正系数（s＝0.46）
N＝1106（pcu/h）
道路双向高峰小时通行能力为2213（pcu/h）
4.2.2道路服务水平评价
当道路服务15年时
道路饱和度S＝Nk/（2N）＝0.52
服务水平为C级，满足功能要求。
当道路服务20年时
道路饱和度S＝Nk/（2N）＝0.70
服务水平为C级，基本满足功能要求。
基于ARIMA的全国公路货运量短期预测
基于 ARIMA的全国公路货运量短期预测摘要：公路运输作为主要的交通运输方式，在国民经济中占据重要地位。
本文通过建立一种时间序列模型—ARIMA模型对我国公路货运量短期进行了短期预测，预测效果良好。
预测结果显示未来三年我国公路货运量将在300亿吨左右波动，基于此短期趋势，建议国家加快偏远地区公路网络建设、大力推进多式联运。
关键词：中国公路货运量；ARIMA模型；预测中图分类号: F552.7 文献标识码: A公路货物运输具有机动灵活、快捷方便的特点，近年来，车货匹配平台的崛起和电商物流的迅速发展使我国公路货运市场拥有了前所未有的规模[1]。
公路货运量是衡量人民生活和国家经济效益的重要标准，掌握公路货运量的发展趋势和规律可以对行业发展和运输系统规划提供一定的指导，因此货运量的预测显得十分重要。
1.理论基础1.方法的选择和模型的介绍有很多学者基于不同的方法进行过公路货运量预测的研究，盖春英、裴玉龙[2]采用了灰色模型—马尔可夫链预测方法；许银甲[3]通过系统动力学模型对公路货运量进行预测。
预测方法的选取直接影响着预测结果，单积自回归移动平均（ARIMA）模型，在上个世纪70年代由美国统计学家Box和Jenkins 首次提出，是一种精度较高的短期时间序列预测方法。
1.1.数据选择以1968—2019年我国公路货运量的年度资料为观察序列（见表1），表中所有数据均来源于中国国民经济与社会发展公报。
公路年货运量记作Y，共有52个观测值，对序列Y建立ARIMA模型。
表1 1968—2019年我国公路货运量1. 实证分析对表1中的公路货运量序列Y 进行差分处理，处理后的序列趋势已基本消除，选用ARIMA(p ，d ，q)模型，接下来观察差分后的序列偏相关分析图，对模型进行ARMA(p ，q)拟合，此处可建立多个模型比较拟合效果。
综合考虑，可供选择的（p ，q ）组合有（0，5），（0，6），（1，5），（5，1），（6，0）。
可行性研究报告第3章 交通量预测
第三章交通量预测3.1项目所在地区社会经济特征3.1.1河南省社会经济概况一、综合初步核算，全年生产总值22942.68亿元，比上年增长12.2%。
其中：第一产业增加值3263.20亿元，增长4.5%；第二产业增加值13226.84亿元，增长14.8%；第三产业增加值6452.64亿元，增长10.5%。
三次产业结构为14.2：57.7：28.1。
全年居民消费价格比上年上涨3.5%，其中，食品类价格上涨7.9%。
商品零售价格上涨3.7%。
工业品出厂价格上涨7.8%。
原材料、燃料、动力购进价格上涨10.2%。
固定资产投资价格上涨3.5%。
农业生产资料价格上涨3.1%。
年末从业人员6025万人。
全年城镇新增就业人员132.1万人；下岗失业人员实现再就业38.2万人，困难人员再就业17.6万人。
新增农村劳动力转移就业105万人。
全年全省地方财政总收入2293.37亿元，增长19.3%。
地方财政一般预算收入1381.01亿元，比上年增长22.6%，其中：税收收入1016.55亿元，增长23.7%，税收占地方财政一般预算收入的比重为73.6%，比上年提高0.6个百分点。
地方财政一般预算支出3413.22亿元，增长17.5%，其中：教育支出增长15.3%，社会保障与就业支出增长25.5%，医疗卫生支出增长20.5%。
全省108个县(市)中，有5个县(市)地方财政一般预算收入超15亿元，有14个县(市)超10亿元。
二、农业全年粮食种植面积9740.17千公顷，比上年增长0.6%，其中：小麦种植面积5280.00千公顷，增长0.3%；棉花种植面积467.30千公顷，下降13.0%；油料种植面积1564.12千公顷，增长1.5%；蔬菜种植面积1704.06千公顷，下降0.7%。
年末农业机械总动力10195.88万千瓦，比上年增长3.8 %；农用拖拉机386.05万台，下降1.1%；农用运输车219.55万辆，增长1.8%；农村用电量269.41亿千瓦小时，增长4.5%。
公路货运量预测
提高公路运输行业的管理水 平，为设计、修建货运场站 或现代物流主要以 定性预测方法为主，如 专家调查法、专家预测 法、德尔菲法等
定量预测方法 定量预测方法主要是基 于数理统计、微积分以 及人工智能等理论的较 为复杂的、精度较高的 预测方法，如回归分析 法、时间序列预测法、 灰色理论预测、人工神 经网络以及组合预测模 型等
定性预测方法
定量预测方法
偏重于数量方面的分析，重视预测对象的变化 程度，能作出变化程度在数量上的准确描述； 它主要把历史统计数据和客观实际资料作为预 测的依据，运用数学方法进行处理分析，受主 观因素的影响较少；它可以利用现代化的计算 方法，来进行大量的计算工作和数据处理，求 出适应工程进展的最佳数据曲线。缺点是比较 机械，不易灵活掌握，对信息资料质量要求较 高。
公路货运量预测的意义
根据国民经济和社会发展对 运输的需求，就未来的旅客 和货物运输量作定性和定量 的计算和分析。它是研究分 析未来运输业需要担负的任 务，寻求发展运输能力的目 标和途径，研究各种运输方 式之间运输量的合理分配和 综合运输网建设，以形成合 理的运输业结构的依据。做 好运输量预测对于保证运输 业适应国民经济的发展和人 民物质文化生活水平的提高 有重要意义。
采用通常的预测理论与方法得到的预测结果可信 度仍偏低， 究其原因主要是： （1） 过去货运量统计资料缺乏， 而高等级道路 要求货运量预测期又较长（中远期）； （2） 当以国民经济增长作货运量预测的相关依 据时， 对国民经济指标缺少深入的分解和相关性 分析； （3） 对诱增货运量的增长缺乏经验， 难以准确 判断； （4） 货运量调查资料的可靠性存在疑问等。
公路货运量预测
小组成员 ：
公路交通量预测
公路交通量预测区域公路交通量预测是利用采集到的历史及现状公路交通相关数据，对区域未来交通需求做出合理逻辑的定量预测，它是进行公路网规划、公路工程可行性研究的共同基础。
公路交通量预测包括综合交通需求发展预测、公路交通需求发展预测、公路交通分布预测及公路交通分配预测四部分。
1总体思路区域公路交通量预测将对各交通小区之间未来年的客运、货交通量进行预测，通过交通分配模型，将未来年预测得到的OD交通流数据分配到现状路网上，对现状路网进行评价，找出道路拥挤程度高、服务水平低的道路，为公路网布局优化提供技术支持。
具体研究思路如图1所示。
图1 公路网交通量预测总体研究思路2交通小区划分区域公路交通发展规划交通小区的划分主要基于行政区划，小区划分的详细清单如表1所示。
表1小区划分详细清单3综合客运量预测1）唐海市客运量预测在分析唐海市社会经济以及交通运输发展的基础上，对唐海地区综合客运量进行预测，在选用时间序列法、因素分析法、弹性系数法和等多种定量预测方法的基础上，利用综合分析法得到唐海市未来综合客运量的推荐取值。
1. 指数平滑法α=,得序列值如表2。
采用二次指数平滑方法，令0.3表2 指数平滑值序列表预测模型为：y2007+T =a+bT (1)2. 弹性系数法弹性系数法的计算步骤较为简便，其关键在于选择合适的弹性系数。
随着经济的增长，人们的出行活跃，出行次数增多，同时对交通工具的选择上也趋向于小型化、舒适化。
根据前述的年均经济增长率及历年客运量增长率，取适当的经济增长率见表3。
3、因素分析法通过对唐海历年数据进行分析，发现×××相关性较大（R>9.4）。
建立回归方程如下。
y = a+bx1+cx2(2)其中：综合唐海区域发展规划，得到唐海市域规划年综合客运量推荐取值，见表4-6。
表5 唐海市综合客运量预测结果（单位：万人）4综合货运量预测唐海市货运量预测总的来说，唐海市货运需求随经济增长呈先增后降的趋势。
神经网络作业：预测公路运量
预测公路运量公路运量主要包括公路的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给出了20年得公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量单位为万两，公路面积的单位为万平方千米，公路货运量单位为万吨。
根据有关部门数据，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1.0268万平方米。
1.请利用BP神经网络预测该地区2010年2011年得公路客运量和公路货运量。
2.请利用其他方法预测该地区2010年2011年得公路客运量和公路货运量。
3.比较两种方法的优缺点。
某地区20年公路运量数据某地区20年公路运量数据年份人口数量机动车数量公路面积公路客运量公路货运量199020.55 0.6 0.09 5126 1237 199122.44 0.75 0.11 6217 1379 199225.37 0.85 0.11 7730 1385 199327.13 0.90 0.14 9145 1399 199429.45 1.05 0.20 10460 1663 199530.1 1.35 0.23 11387 1714 199630.96 1.45 0.23 12353 1834 199734.06 1.60 0.32 15750 4322 199836.42 1.70 0.32 18304 8132 199938.09 1.85 0.34 19836 8936 200039.13 2.15 0.36 21024 11099 200139.99 2.20 0.36 19490 11203 200241.93 2.25 0.38 20433 10524 200344.59 2.35 0.49 22598 11115 200447.30 2.50 0.56 25107 13320 200552.89 2.60 0.59 33442 16762 200655.73 2.70 0.59 36836 18673 200756.76 2.85 0.67 40548 20724 200859.17 2.95 0.69 42927 20803 200960.63 3.10 0.79 43462 21804。
公路货物运输量灰色马尔可夫预测模型
公路 货物运 输量 预测 既是道路 运输业 发展 调
研 的重要 内容 ， 又事 关 全 国和 区域 道 路运 输 长远
Ｖｏ ． ５ Ｎｏ ４ １３ ．
Ａｕｇ． ２ ０１１
公 路 货物 运 输 量灰 色 马 尔可 夫 预测 模 型 ＊
张 文 会 崔 淑 华 邓 红 星
（ 北 林业 大学 交 通 学 院 哈 尔 滨 １ ０ ４ ） 东 ５ Ｏ ０
摘 要 ： 了提 高公 路 货 物 运 输 量 的 预 测 精度 ， 合 灰 色 系统 和 马 尔 可 夫 链 的特 点 ， 立 公 路 货 物 运 为 结 建 输 量 灰 色 马 尔 可 夫 预 测模 型． 实 例应 用 中 ， 立 运输 量 ＧＭ（ ，） 色 预 测 模 型 ， 获 得 预 测值 和 在 建 １ １灰 在 残 差 检 验 的 基 础 上 ， 原 始 数 据 序 列划 分 为 ４个 状 态 ， 算 状 态 转 移 概 率 ， 用 灰 区 间 中位 数 建 立 将 计 利
第 ４期
张 文 会 ， ： 路 货 物 运 输 量 灰 色 马 尔 可 夫 预 测 模 型 等 公
・ ５ ・ ６ ９
稳过程 的局 限性． ２ １ 状 态 划 分 ．
当系统 满 足 稳 定 性 假 设 时 ， ｋ步 状 态 转 移 概
率 为
Ｐ ‘ 一 Ｐ （ １ １）
第 ３ ５卷 第 ４ 期
２１ ０ １年 ８月
武 汉理 工大学学 报 （ 通 科学 与工 程版） 交
交通量分析及预测
第三章交通量分析及预测3.1 公路交通调查与分析公路交通量是社会经济发展对公路交通需求的反映，其发生和发展与沿线的社会经济状况密切相关。
交通量的分析与预测是公路建设项目可行性研究的重要内容，是确定公路建设项目的技术等级、工程设施规模以及经济评价的基础。
本次调查充分考虑项目所在区域内的车辆车型和货类的多样性，为了本报告的编制更加精确与合理，结合项目所在运输通道交通流的特点，在车型上更加详细，按照车辆的客货以及大中小型对调查车辆进行了分类。
表3-1 交通量观测车型与车辆折算系数表由于本项目部分路段与现有XX国道平行，并与XX国道、XX西路相连，因此本项目交通量将主要来源于现有道路交通量的增长，及XX国道的分流，为了准确把握现有相关道路的交通状况，合理预测本项目交通量，本此调查收集了与本项目直接相关道路的历年交通量统计数据。
相关道路历年年平均交通量统计数据见表3-2。
表3-2 相关道路现状交通量单位pcu/d从相关道路现状来看，XX西路、XX国道及XX公路的交通量均出现一定幅度增长，年均增长率分别为4.8%，4.7%，7.0%。
随着区域经济的不断发展，XX国道面临的交通压力将进一步增大，为适应区域经济的发展需要，进一步完善区域路网，合理分流现有道路的交通量是十分必要的。
3.2 预测思路与方法依据绍兴市现状路网可知，本项目起点位于XX路，顺接XX路，终点位于XX西路，总体走向与XX国道、XX公路（XX国道）平行，本项目建设必然会对相关道路产生一定的分流作用，分流交通量也将是本项目交通量的主要来源。
同时本项目的建设也将进一步带动沿线区域的经济发展，加快区域开发的进程，而区域的开发也必然会产生部分交通量，即诱增交通量。
本项目属于区域道路，对铁路、水路运输基本不会产生影响，因此本次预测中不考虑其它运输方式的转移交通量。
根据本项目未来交通量组成分析，本次预测将分别对本项目的趋势交通量、诱增交通量进行预测，具体的预测思路及方法如下：针对本项目趋势交通量，本次预测将以区域路网及相关道路的现状交通调查为依据，然后依据XX市国内生产总值与相关道路交通量之间的弹性关系，采用弹性系数法对相关道路的趋势交通量进行预测，并通过交通分配获得本项目不同路段的趋势交通量。
- 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)。
基于预测公路运量的模型求解摘要科学准确地预测公路货运量是制定公路网规划的基础。
公路货运量的预测方法有很多，可以根据不同的情况选择不同的预测模型。
首先运用MATLAB的 BP神经网络组合预测模型，灵活利用神经网络通过自适应自学习能够拟合任意非线性函数的功能，有效克服传统的组合预测方法，在实际应用中把数据间的关系强加给某一类函数的不足，并借助于数学计算软件进行编程，大大降低模型的计算难度，预测出2010年和2011年的公路客运量和公路货运量。
实例证明该方法具有很高的预测精度。
本次基于预测公路运量的问题，根据往年20年的数据，主要从人口数量、机动车数量、公路面积这几个方面考虑，先借助于matlab软件，从神经网络组合预测模型入手，预测出2010年和2011年的公路客运量和公路货运量。
然后根据回归的知识，运用excel的强大功能预测出的2010年和2011年的公路客运量和公路货运量。
最后两者进行对比，列出各自的优缺点。
预测结果如下：用BP神经网络预测结果：2010年和2011年的公路客运量分别为 43370万人和43372万人；货运量分别为21770万吨和21771万吨。
用线性回归预测结果：2010年和2011年的公路客运量分别为 51011.91603万人和53092.16135万人；货运量分别为26050.09655万吨和28545.83948万吨万吨。
关键词：MATLAB；组合预测；BP神经网络；excel统计分析1、问题重述1.1基本情况公路运量主要包括公路的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给出了20年得公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量单位为万两，公路面积的单位为万平方千米，公路货运量单位为万吨。
根据有关部门数据，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1.0268万平方米。
1.2、相关信息（见附件）附件1：某地区20年公路运量数据1.3、需要解决的问题1.请利用BP神经网络预测该地区2010年2011年得公路客运量和公路货运量。
2.请利用其他方法预测该地区2010年2011年得公路客运量和公路货运量。
3.比较两种方法的优缺点。
2、符号约定Wi (i=1,2,3,4) 依次表示由人口数量，机动车数量，公路面积，年份预测出的公路客运量。
Zi （i=1,2,3,4）依次表示由人口数量，机动车数量，公路面积，年份预测出的公路客运量。
ai （i=1,2,3,4）依次表示人口数量，机动车数量，公路面积，2010年Bi （i=1,2,3,4）依次表示人口数量，机动车数量，公路面积，2011年3、问题分析运输需求预测是公路网规划、区域发展规划、基础建设投资决策及运输生产组织管理的基础，对交通运输需求的预测分析具有重大的社会意义和经济意义。
可见，公路货运量的预测举足轻重，可靠的预测结果是进行规划的前提，决定着整个规划的成功。
公路货运量的预测方法有很多，由于不同的预测模型的预测机理不同，往往能提供不同的有用信息，反而单独采用某一种模型往往有其局限性，因此可以根据不同的情况选择不同的预测模型。
本文将运用BP神经网络组合预测模型、excel中的线性回归解决公路货运量的预测。
并进行比较两种方法的优势与缺陷。
4、基本假设1)公路运量主要与人数、机动车数量、公路面积相关；2)公路运量次要与年份挂钩；3)公路运量不受道路破坏及其他不可抗力的影响；4)公路运量不受其他公路的影响；5)公路运量不受车祸等人为因素影响。
5、模型的建立与求解5.1、BP神经网络预测公路货运量。
5.1.1、BP神经网络组合预测模型背景介绍BP神经网络组合预测模型是一种组合预测模型，组合预测一般是指将两种或者两种以上的预测方法所得到的预测结果选取适当的权重进行加权平均的预测方法。
交通运输是国家重要的基础产业,对国民经济的发展有着举足轻重的作用,同时对区域产业经济结构的发展也有直接的影响.公路运输系统作为交通运输系统的一个子系统,在交通运输系统中的主导作用也日益凸显.近年来,我国交通基础设施和运输装备不断改善,为公路运输市场的快速发展创造了有利条件.在公路运输生产中,公路运输量是反映交通运输业生产成果的重要指标。
随着计算机技术和神经网络技术的日趋成熟,许多学者应用神经网络技术对货运量进行预测;一些学者应用神经网络技术和其它预测方法(如灰色理论、二元回归模型、弹性系数法等)建立的公路货运量组合预测模型具有较高的预测精度.研究表明,目前基于BP神经网络的公路运输量预测研究中,以对公路运输运量(客货运量)的预测,尤其对货运量的预测居多.反映公路产量的指标还有客货周转量,它更能综合反映公路运输部门为社会提供运输服务的能力,对公路网规划、建设和管理更具有指导意义.本文应用BP神经网络预测方法,建立福建省公路旅客周转量和货物周转量的预测模型,并对其进行科学预测.5.1.2 MATLAB应用于BP神经网络的货运量组合预测模型MATLAB(MArrrix LABoratory)提供的神经网络T具箱(NNToo1)是其开发的多种T具箱之一，该工具箱提供了很多简单实用的函数，可以大大简化编程的丁作量MATLAB应用于BP神经网络进行货运量组合预测计算，其主要计算步骤如下。
1.数据预处理由于神经元的响应函数为Sigmoid函数，因此输入值(输出值)都在(0，1)之间，必须对样本进行预处理。
具体可以采用下式对单项预测值进行预处理：（4）输值的处理为：（5）据式（5）进行处理之后，即可得到预测值。
2.确定网络结构，初始化权重确定网络结构主要是确定隐层的神经元个数。
隐层神经元个数太多会降低网络的泛化功能．而且会使训练时间加长，降低系统的效率：太少则不能达到所要求的训练误差。
一般根据试算确定，也可以参考以下公式：，其中f为隐层神经元个数，n、m分别为输入神经元个数和输出神经元个数。
初始化网络的权值和阈值．可以采用MATLAB提供的初始化函数newff()建立一个BP神经网络：BTF，BLF，PF、式中，P为输入矩阵；【S1，S2，⋯，Sn】表示隐含层和输出层神经元的个数；[TF1，，⋯，TN1]表示网络隐含层和输出层的传输函数： 1表示网络的反向训练函数：BLF表示网络的反向权值学习函数； 1表示性能数；net为新生成的BT神经网络。
3.网络训练MATLAB提供了许多训练不同神经网络的函数，使得对神经网络的训练变得异常简单，其中，由动量的梯度下降法中附以自适应，r的训练函数为traingdx．函数的结构为：其中，net，P S1，S2，⋯，5 ，[ l，TF2，⋯，TNI]的意义同上。
当网络的训练达到了最大训练次数，或者是网络的误差平方和小于期望最小误差值时，网络就会停止训练。
4.对训练好的网络进行检验，判断是否具有良好的泛化功能把样本输入训练好的网络中，判断输出值是否与已知的样本值相符，如果相符，即说明该网络具有很好的泛化功能，能够应用于预测计算；否则，就要调整网络．或者增大训练的样本数，对网络进行再次训练。
该过程可以采用MATLAB中的函数sim()来实现。
sire的表达式为：A=sire(net，P)，其中，4为输出数据，P为输入样本数据，其他参数意义同前。
该过程还可以用传递函数分步实现。
5.用训练好的网络进行模拟预测，得到所要的预测值通过预测的过程和所采用的函数进行模拟，输入数据P为要预测的输人数据，输出数据A就是所要得到的预测数据。
从而通过训练好的网络进行模拟预测，得到所要的预测值。
5.1.3、运用BP网络建模应用公路货运量预测根据题意得知某地区1990年到2009年的人口机动车数量，公路面积以及公路客运量和货运量的数据如下，需要预测2010年和2011年该地区的公路客运量和货运量。
我们可以把该问题分解为六个模块：运用MATLAB软件编程建立模型来解决问题，代码如下：1.原始数据的输入；clcclearsqrts=[20.55 22.44 25.37 27.13 29.45 30.1 30.96 34.06 36.42 38.09 39.13 39.99 41.93 44.59 47.3 52.89 55.73 56.76 59.17 60.63];sqjdcs=[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];sqglmj=[0.09 0.11 0.11 0.14 0.2 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];glkyl=[5126 6217 7730 9145 10460 11387 12353 15750 18304 19836 21024 19490 20433 22598 25107 33442 36836 40548 42927 43462];glhyl=[1237 1379 1385 1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804];2.数据归一化；p=[sqrts;sqjdcs;sqglmj];t=[glkyl;glhyl];[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);dx=[-1 1;-1 1;-1 1];3.网络训练；net=newff(dx,[3,2],{'tansig','tansig','purelin'},'traingdx'); net.trainParam.show=1000;net.trainParam.Lr=0.05;net.trainParam.goal=0.65*10^(-3);net.trainParam.epochs=50000;net=train(net,pn,tn);4.对原始数据进行仿真；an=sim(net,pn);a=postmnmx(an,mint,maxt);5.将原始数据仿真结果与样本进行对比；x=1990:2009;newk=a(1,:);newh=a(2,:);figure(2);subplot(2,1,1);plot(x,newk,'r-o',x,glkyl,'b--+');legend('网络输出客运量','实际客运量');xlabel('年份');ylabel('客运量/万人');title('运用工具箱客运量学习和测试对比图');subplot(2,1,2);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/万人');title('运用工具箱客运量学习和测试对比图');6.对新数据进行仿真；pnew=[73.79 75.553.96354.09750.9880 1.0268];pnewn=tramnmx(pnew,minp,maxp);anewn=sim(net,pnewn);anew=postmnmx(anewn,mint,maxt)5.1.4、程序运行结果anew =1.0e+004 *4.3370 4.33722.1770 2.1771也就是说2010年和2011年的公路客运量分别为 43370万人和43372万人；货运量分别为21770万吨和21771万吨。