基于BP神经网络的民用汽车运力灰色回归组合预测研究
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SARIMA-BP神经网络方法的汽车销量预测研究
7月 161.8 150.3 185.2
8月 171.6 166.5 207.1
9月 198.4 202.5 256.4
10 月 198.7 222.2 265.0
11 月 209.1 250.9 293.9
12 月 241.0 278.6 305.7
模型，其表达式为：
（8）
式中， 为 季 节回归 量， 为 季 节回归 阶 数，
的预测要求。提出了一种SARIMA-BP神经网络预测方法，利用SARIMA方法对时间序列的线性部分进行建模，利用BP神经网络方法对时
间序列的非线性部分进行建模。仿真结果表明，SARIMA-BP神经网络方法比单一模型的预测准确率更高。
关键词：时间序列 灰色关联分析法 SARIMA-BP神经网络方法
中图分类号：F714
针对汽车销量数据中包含的线性特征和非线性特征，本文提 出了一种基于SARIMA-BP神经网络的预测方法，利用BP神经网络 自学习能力强的特征实现对非线性动态变化的自适应调控，通过 神经网络的非线性函数逼近和收敛优势保证了预测的精度和稳 定性。
强的特点，应用灰色关联分析法对其进行筛选。
汽车销量序列为
，影响因素的
表1 销量影响因素筛选
关联度 0.9125 0.8729 0.8543
影响因素 购置7869 0.7523
1 汽车销量影响因素的选取 当前影响汽车销量的因素[6]归纳起来大体有以下几种（：1）社
会因素，如人均可支配收入、道路基础设施建设（；2）国家政策，如 购置税补贴、限购政策等（；3）价格因素，如燃油价格、汽车售价等； （4）技术因素，如汽车用料质量、制造工艺等。
灰色关联分析法[7]主要通过对系统特征序列进行数据分析， 得出相关因素的曲线形状相似度，依据灰色关联度的大小判断因 素的影响程度。针对汽车销量影响因素呈现出多样化且关联性较
基于BP神经网络和灰色模型的用电量增长组合预测
Ｔｈ ｍ ｂ ｎ ｄ Ｐｒ ｄｉ ｔｏ ｆ Ｐ ｗｅ ｍ ａ ｄ Ｉ ｃ ｅ ｓ ｓ ｄ ｅ Ｃｏ ｉ ｅ ｅ ｃ ｉ ｎ ｏ ｏ ｒ Ｄｅ ｎ ｎ ｒ ａ ｅ Ｂａ ｅ ｏ ｕｒ ｌＮｅ ｗｏ ｋ ａ ｄ Ｇｒ ｙ Ｍ ｏ ｅ ｎ Ｎｅ ａ ｔ ｒ ｎ ａ ｄ ｌ
Ａｂ ｔａ ｔ Ｂｙ ａ ｏ ｔ ｇ ｔｅ ｃ ｍｂｉ ｄ ｍｏ ｅ ｆＢＰ ｅ ｒｌｎ ｔ ｒ ｎｄ ｇ ａ ｄ ｌ ｈ ｏ ｉ ｅ ｒ ｄｉｔ ｎ ｏ ｓ ｒ ｃ ： ｄ ｐ ｉ ｈ ｏ ｎ ｎｅ ｄ ｌｏ ｎ ｕ ａ ｅｗｏ ｋ ａ ｒ ｙ ｍｏ ｅ ，ｔ ｅ ｃ ｍｂ ｎ ｄ ｐ ｅ ｃ ｉ ｆ ｏ
维普资讯
第１ ２卷 第 ２期 ２０ ０ ８年 ６月
扬 州 职 业 大 学 学 报
ｏ Ｉ ａ ｏ Ｙａ ￣ ｈ ｕ ｏｙ ｅ ｈ ｉ Ｃｏｌ￣ ｕＴ ｌ ｆ ｌ ｎ ｚ ｏ Ｐ ｌｔ ｃ ｎｃ ｌ ｅ
Ｖ０ ． ２ １ １ Ｎｏ ２ ． Ｊｎ ０ ８ ｕ ．２ ｏ
净用 电量为 全社 会用 电量 扣 除 厂 用 、 损 电 线
或者 多层 。由于研 究 对 象 的 复杂 性 ， 于 一个 研 对 究对象 ， 如何确 定输 入层 节 点 与 隐 含层 的节 点数 目， 目前 没有定 量 的理论依 据 。而 大量实 践表 明 ， 增加 隐含层 的节点数 目可 以提 高 Ｂ Ｐ神经 网络 的 非线性 映射能 力 ， 是 隐含 层 节 点 的数 目超 过 一 但 定值 ， 反而会使 网络 的性 能降低 。所 以 ， 隐含层 在
组 合预测 。
１ 基于 Ｂ Ｐ神 经 网络 的人均净 用 电量 预 测 模 型
１１ Ｂ ． Ｐ神 经 网络 预测 方法
定 范围 内映 射能 力 最 好 的 。一般 认 为 ， 隐含 层 从 数据 上来 说 ， 均 用 电量 时 间序 列 的数 据 人
基于灰色BP神经网络组合模型的郑州市商品住宅价格预测
其原始 数 据序列 为 ：
作者简 介 ： 罗
党 （９ ９ ） 男 ， 南 汝 南 人 ， 授 ， 士 ， １５ 一 ， 河 教 博 主要 从 事 灰 色 系 统 理论 与 决 策 分 析 方 面 的 研 究
第 ３ 卷 第 ３期 １
２１ ０ ０年 ６月
华
北
水
利
水
电
学
院
学
报
Ｖｏ ． Ｎｏ ３ Ｉ ３１ ．
Ｊ ｕ ｎａ ｆＮｏ ｔ ｉ ａ Ｉ ｓｉｕ ｅ ｏ ａｅ ｎ ｅ ｖ ｎ ｙ ａ ｄ Ｈｙ ｒ ｅ ｅ ｔｉ ｗｅ ｏ ｒ ｌｏ ｒｈ Ｃｈ ｎ ｎ ｔｔ ｔ ｆＷ ｔｒ Ｃｏ ｓ ｒ ａ ｃ ｎ ｄ ｏ ｌｃ ｒｃ Ｐｏ ｒ
数 据序 列进 行 归 一 化 处 理 ， 得 所 有 数 值 落 入 ［ ， 使 ０
１， ］ 其计 算采用 式 为
Ｆ ＝（ 一 … ） … 一 ｉ）， ／（
式 中： Ｆ 为 的标 准化 值 ；… 为原 始数 据序 列 中的 最 大值 ； …为原始 数据 序列 中 的最小值 ； 为原 始数 ｉ
据 序 列 中 数 据 的 数 目．
Ｇ １ １ 预 测 模 型 的基 础 上 引 入 Ｂ Ｍ（ ， ） Ｐ神 经 网 络 模 型， 建立 了灰 色 Ｂ Ｐ神 经 网络 组 合 模 型 ， 利 用 该 模 并
型 对郑 州市 商 品住宅 价格 进行 预测 … ．
ｃ 将 Ｇ １ １ 模 型 的预 测 数 据 经 归 一化 后 组 ． Ｍ（ ， ） 成数 据序 列 作 为 Ｂ Ｐ神 经 网络 的 输 入 样 本 ； 应 的 对
基于BP神经网络的灰色组合预测
基于BP神经网络的灰色组合预测【摘要】本文主要从建模机制方面考虑，采用灰色新陈代谢模型，新初值模型，改进离散灰色模型，对我国人口进行建模，结果表明，这三个模型都能提高模型的预测精度。
最后，针对单一模型的预测方法都会存在某些不足，本文从数据挖掘角度出发，引入BP神经网络，对上面GM（1，1）的改进模型，进行组合预测，并用实例证明了这一模型的可行性。
【关键词】灰色新陈代谢；BP神经网络；组合预测引言在预测时间中，对于同一问题，可以采用不同的预测方法。
不同的预测方法，往往各有其优劣点，仅仅是单个的预测方法，存在不足之处。
所以，我们希望能够将各种方法有效地组合起来，取长补短，尽可能提高预测精度。
组合预测就是综合利用各种预测方法提供的信息，以最优准则得到综合模型。
组合预测通常包括线性组合预测和非线性组合预测。
线性组合预测模型是各预测模型的凸组合，由于可能出现具有争议的负权重问题，而使得组合预测的方法受到一定限制。
非线性组合预测可以解决这种局限性，但是构造合适的，特别是通用性的非线性组合函数，目前为止，任然比较困难。
由于BP神经网络的学习过程也是对神经元的阈值和神经元之间的连接权重不断修改的过程。
如果把BP神经网络看成是一个从输入到输出的映射，则这个映射是一个高度非线性映射。
基于此文献提出了基于人工神经网络的非线性预测方法，在上述研究成果的基础上，本文采用基于BP神经网络的非线性组合预测模型来进行预测。
1、主要目的和研究方法本文从建模机制方面考虑，首先采用灰色新陈代谢模型，新初值模型，改进离散灰色模型，对我国人口进行建模，结果表明，这三个模型都能提高模型的预测精度。
最后，针对单一模型的预测方法都会存在某些不足，本文从数据挖掘角度出发，引入BP神经网络，对上面GM（1，1）的改进模型，进行组合预测，并用实例证明了这一模型的可行性。
2、BP神经网络误差反向传播网络简称（Error Back Proragation，BP）BP网络。
基于灰色预测与BP神经网络的全球温度预测研究
基于灰色预测与BP神经网络的全球温度预测研究全球气候变化是当前全球关注的热点问题之一，预测全球温度变化趋势对于应对气候变化、制定相关政策具有重要意义。
本文将基于灰色预测和BP神经网络的方法，对全球温度进行预测研究。
介绍一下灰色预测模型。
灰色预测是一种非线性动态系统预测方法，该方法主要适用于时间序列较短、数据质量较差的情况。
灰色预测模型基于灰度关联度的原理，通过建立灰色微分方程，对非确定性的系统进行建模和预测。
灰色预测模型的关键是建立灰色微分方程。
灰色微分方程包括GM(1,1)模型和其它高阶模型。
其中GM(1,1)模型是最简单的一种，也是应用最广泛的一种。
GM(1,1)模型通过对原始数据进行累加生成累加生成数列，然后通过一次累加生成数列得到一次累加数列，通过两次累加生成数列得到两次累加数列，依此类推，直到累加生成数列的相关系数满足精度要求。
通过差分方程对一次累加数列进行逆向累加生成数列即可得到灰色模型的预测结果。
然后，介绍BP神经网络模型。
BP神经网络是一种基于反向传播算法的多层前馈网络，广泛应用于模式识别、数据建模、预测等领域。
BP神经网络模型通过调整网络的连接权值和偏置值，使得网络的输出与期望输出之间的误差最小化。
通过多次迭代训练，不断优化网络结构和参数，以提高模型的预测能力。
在本文的研究中，首先收集全球温度数据，建立时间序列。
然后，将数据分为训练集和测试集。
使用灰色预测模型和BP神经网络模型对训练集进行训练，并在测试集上进行预测。
对于灰色预测模型，将原始温度数据应用于GM(1,1)模型。
对原始数据进行累加生成数列，然后通过相关系数检验确定最优累加次数。
根据差分方程对数据进行逆向累加生成数列，得到预测结果。
对比灰色预测模型和BP神经网络模型的预测结果，并评估两种模型的预测能力。
通过对比分析，选择较为准确的预测模型，并对全球温度的未来变化趋势进行预测。
基于灰色BP神经网络的Web组合服务选择研究
优 而不 是全 局最 优 。Ｄ． ｈｋａｏｔ Ｈ根据 Ｑ Ｓ指 Ｃ ａｒｂｒ ｙ等 ｏ 标 不确 定性 特 点 ，建立 了基 于指标 依 赖 的单 目标 满 足 、 目标 优 化 的 Ｑ Ｓ评 价 模 型 ， 多 ｏ 此模 型 以 Ｑ Ｓ指 ｏ
２１ ０ ２年 １月
情 报 探 索
第 １ （ １１ ） 期 总 ７期
基于灰色 Ｂ Ｐ神经网络的 Ｗｅ ｂ组合服务选择研究 ： ｌ ：
廖 辰 瀚 郑 建 国 宋 华
（ １东华 大学旭 日管理 学院 上海 ２ １０ ）２安徽 财经 大学信 息工程 学院 蚌埠 ０ １０ （ ２ ３４ ） ３ ０ １
项 目文 档 中 。 行 各业 的项 目都可 能 出现 这个 词 ， 各 它 的 Ｉ Ｆ值较 低 ，而 实 际上 它在 很 大程 度上 还是 可 以 Ｄ 体现 一 个项 目的 内容特 点 的 。本文 采 用 的权值 计算 方法 在 上述两 个方 面存 在 着相 应 的缺点 。
参 考 文 献
特征词
Ｔ —Ｄ 加 权 后 的 特 征 词 加 权 后 的 Ｔ —ＤＦ Ｆ ＩＦ ＦＩ
楦１ ６ Ｏ ６ ６ （ ． ９５５￣权 １ ） １ ． ５ ０ １ ３２ ——■■■— ．７９ １ ■隧 ０１８ ７ （ ． ９ 加权 １ ５ ５４ ．） ３
一
在全 局 优化 的 Ｑ Ｓ选 择方 法 的研 究 中 ，基 于 路 ｏ 径拆 分 的方 法…将 复杂 路径 的 Ｗｅ ｂ组 合 服务拆 分 为
（ ） 计文 本集 里 独立 词 的个 数 ， １统 并分 别计 算 它 们 的 Ｉ Ｆ；２ 对 每个 文 本统 计 每一 个 独 立词 出现 的 Ｄ （） 次数 ， 算 Ｔ 计 Ｆ值 ；３ 用独 立词 的 Ｉ Ｆ与每 个 文本 中 （） Ｄ 独立 词 的 Ｔ Ｆ进行 计算 ． 到每 个 文档 中每 个 独立 词 得 的 Ｔ —Ｄ ；４ 根 据 每个 独立 词 的情 况 ， 出加 权 的 ＦＩＦ （） 给 系 数 ， 到最 后 的 Ｏ 值 。 得 Ｊ ４ ＴＦ Ｉ Ｆ值 改进 算 法的 实例分 析 —Ｄ 某个 科 技项 目的名 称 为 ：三 维模 型脚 型 驱动 的 “ 个性 化 鞋楦 定 制 Ｃ Ｄ关键 技 术研 究 ” 经过 公 式 （ ） Ａ ， ３ 和公式 （ ） 种方 法计算 后得 到 Ｔ —Ｄ ５两 Ｆ Ｉ Ｆ值 最大 的 １ Ｏ 个 特 征 值 以及 进 行 加 权 后 的前 １ ０个 特 征 词 如 表 １ 所示 （ 表格 中深色底 纹 的特征 词 为在 项 目标题 中出 现 的特征 词 ）
基于神经网络的车辆轨迹预测算法的研究与实现
基于神经网络的车辆轨迹预测算法的研究与实现车辆轨迹预测是自动驾驶领域中的一项重要技术。
通过预测车辆未来的运动轨迹，可以提前做出相应的决策和规划，提高自动驾驶系统的安全性和效率。
近年来，基于神经网络的车辆轨迹预测算法得到了广泛的研究和应用。
在基于神经网络的车辆轨迹预测算法中，最常用的方法是使用循环神经网络（RNN）或长短期记忆网络（LSTM）。
这些模型可以对车辆轨迹中的时序信息进行建模，并且在预测过程中考虑到历史轨迹的影响。
在算法的实现中，首先需要收集车辆的历史轨迹数据。
这些数据可以来自于传感器、GPS定位系统或者其他车辆传输的数据。
接下来，需要对数据进行预处理，包括数据清洗、归一化和特征提取等步骤。
然后，将处理后的数据输入到神经网络模型进行训练。
在训练过程中，可以使用监督学习的方法，即给定历史轨迹数据作为输入，并将未来的轨迹作为输出，通过最小化预测轨迹与真实轨迹之间的误差来训练模型。
最后，在训练完成后，可以使用模型来对新的轨迹数据进行预测。
基于神经网络的车辆轨迹预测算法还可以结合其他的技术来进一步提高预测的准确性。
例如，可以引入卷积神经网络（CNN）来提取轨迹数据中的空间特征，或者使用注意力机制来关注车辆轨迹中的重要部分。
此外，还可以使用集成学习的方法，将多个神经网络模型的预测结果进行加权融合，从而得到更稳定和准确的预测结果。
在实际应用中，基于神经网络的车辆轨迹预测算法已经被广泛应用于自动驾驶系统中。
通过准确地预测车辆未来的轨迹，可以为自动驾驶系统提供更精确的路径规划和决策依据，从而提高行驶的安全性和效率。
此外，这些算法也可以应用于交通流预测、交通调度等领域，为城市交通管理提供支持。
综上所述，基于神经网络的车辆轨迹预测算法是一项重要的研究和应用领域。
通过建立模型对车辆轨迹进行预测，可以提高自动驾驶系统的性能，并为智能交通系统的开发和应用提供支持。
随着研究的不断深入和算法的不断优化，这一领域的发展前景将会更加广阔。
- 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)。
摘 要 ：文 章 根 据 组 合 预 测 的理 论 和 Ｂ Ｐ神 经 网 络 对 非
ｐ ｎ ｏ （ ０，
断 为人 们 所 接 受 。它 能 够 更 有 效 地 利 用 各 种 有 用 信 息 ，更 为 全 面 地 反 映 系 统 规 律 。 本 文 将 灰 色 预 测 模 型 、回 归 预
测 模 型 、Ｂ Ｐ神 经 网 络模 型 有 机组 合 ，建 立 一 种 新 的 民用 汽 车 运 力 预 测 模 型 ，并 将 组 合 预 测 结 果 与 单 一 预 测结 果 进
设 时 间 序 列 （ 有 ｎ个 观 察 值 ， … ＝｛ 。（ ∞’ ０） １） （ ２）
…
（ ｝ 通 过 累 加 生 成 新 序 列 “ ｎ） ，
民 用汽 车 运 力 的发 展 趋 势 ．为 相 关部 门提 供 决 策 依 据 。 关 键 词 ： 民 用 汽 车 运 力 ；Ｃ （， 幂 模 型 ； 回 归 模 型 ； 肘 １１）
Ｂ Ｐ神 经 网 络
ｃ ｉ ｍ ｔｒ ｍ ｒ ｂｅｔ ｅ ｎ ｔｅｅ ｒ ｒｖ ｅ ａｉ ｏ ｉ ｌ ｏｏｓ ｏｅ ｏｊｃ ｖｌ ａｄ ｈ ｒ ０ｅ ０ｉ ８ ｂｓ ｆ ｖ ｉ ｙ ｆ ｐ ｄ ｓ
ｄ ｃ ｓ ｎ ｍａ ｉ ｇ ｆ ｒ ｒｌ ｔｄ ｄ ｐ ｎｍｅ ｔ． ｅ ｉｉ — ｋ ｎ ０ ｅａ ｅ ｅ ａ ｏ ｎｓ
Ｋｅ ｒ ｓ ｃｖｌ ｔｒ； （ ， ｍ０ ｅ；ｒｇｅ ｓ ｎ ｙ ｗｏ ｄ ： ｉｉ ｍｏｏｓ Ｇ １１） ｄ ｌ ｅ ｒｓｉ ｍｏ ｅ． ｏ １ ｄ
Ｌ ｇ ｃ Ｓ ｉＴ ｃ Ｎ ． ０ ９ ｏ ｓ ｃ— ｅ ｈ ０ ，２ ０ ５
物 流科 技
２０ Ｏ ９年 Ｏ （０ ９ ５ ０ ５ — ３ ｏ ２ ３ ０ ２ ０ ）０ — ０ １ ０
王 传 义 ， 高立 军 ，赵 喜 庆 （ 军事交通学院， 天津 ３０ １ ０ｌ ） ６
ｅ ｃ ｉ ｅ ｍ０ ｅ ， ａ ｒｎ ｃ ｈ ｖ ｌ ｔ ｎ ｎ ｎ ０ ｅ ｎ ｌ ａ ｈ ｓｎ ｄ ｌ ｃ ｎ ｅ ｅ ｔ ｔ ｅ ｅ ｏｕ ｉ ｄ ｆ ｒ ｏ ａ ｏ
型 综 合 了各 单 一 模 型 的 有 效 信 息 ， 能 够 比 较 客 观 地反 映 地 区
ｓ ｎ ｉ ｉ ｎｉ ｏ Ｂ ｎ ｕ ｎ ｔｏｋ ｏ ａｐｏｃ ｉｇ ｔ ｄｎ ａ ｇ ｄ ｔｙ ｆ Ｐ ｅｍｌ ｅ ｒ ｅ ｔ ｗ ｎ ｐ ｒａｈｎ
ｎ ｎ ｌ ｅ ｒ ｄ ｔ ’ｐ ｔ ｆｒ ｒ ｏ ｉ ｅ ｆｒ ｃ ｓ ｎ ｄ ｌ ｌｒ ｏ — ｉ ａ ａａ ｕ ０ｗａｄ ａ ｃ ｍｂ ｎ ｄ ０ ｅ ａ ｔ ｇ ｍｏ ｅ ０ ｎ ｉ ｆ ｃｖｌ ｍ０ ｏ ８ ｈ ｓ ｍｏ ｅ ｎ ｅ ｒｔｓ ｔ ｅ ａ ａｌ ｂ ｅ ｉ ｆ ｒ ｔ ｎ ｏ ｉｉ ｔ ｒ．Ｔ ｉ ｄ ｌ ｉ ｔｇ ａ ｅ ｈ ｖ ｉ ｌ ｎ ０ ｍａ ｊ ｆ ａ ｏ
行 比较 ，得 出 结 论 。 １ 组 合 预 测模 型 的 建 立
１１ Ｇ （． 幂 模 型 ． １１）
灰 色 预 测 方 法 是 根 据 过 去 及 现 在 已知 或 非 确 知 的信 息 建 立 一 个 从 过 去 引 申到 将 来 的 灰 色 模 型 。从 而 确 立 系 统 在 未 来 的 动 态 行 为 和 发展 变 化 的趋 势 。灰 色模 型 具 有 所 需 信 息 较 少 、不 必 知道 原 始 数据 分 布 的先 验 特 征 的优 势 。
中 图 分类 号 ：Ｆ ２ ２４
文 献 标 识码 ：Ａ
Ｂ 玎 ｕ ａ ｎ ｔ ｒ Ｐ ｅ ｌ ｅｗｏ ｋ ｒ
现 代 高技 术 条件 下 局 部 战 争 中 ，公 路 运 输 任 务 十 分 繁 重 。根 据 未来 作 战 的需 求 和 我 军 自身 运 力 的现 状 ，依 靠 部 队现 有 的 军 事 运 输 力 量 难 以完 成 保 障任 务 ，必 须 在 一 定 程 度 上 依 靠 动 员 民用 汽 车 运 力 。 民用 汽 车 运 力 动 员 是 将 民用 汽 车 运 力转 化 为公 路 运 输 保 障 实 力 的基 本 途 径 ，是 前 后 方 交 通 顺 畅 、补 给顺 利 的重 要 条 件 。 因此 ，明 确 民 用 汽 车动 员 能 力 到 底 有 多 大 ，在 未 来 能 否 满 足 部 队 作 战 的 需 要 ，就 应 该 对 民用 汽 车 运 力 的 数 量 进 行 预 测 。 科 学 地 预 测 是 进 行 决 策 的 依 据 和 保 证 。 由于 民 用 汽 车 运 力 的发 展 牵 涉 的 因 素 众 多 ，对 其 进 行 预 测 也 是 一项 复 杂 的Ｔ 作 。单 一 的 预测 方 式 难 以对 这 个 系统 取 得 令 人 满 意 的 结 果 。组 合 预 测 被 提 出 来 之 后 ，其 较 高 的预 测 精 度 不
ｎ ３ Ｄ ６，Ｃ Ｄ ｎ
Ａｂ ｔ ｃ ： Ｂ ｓ ｄ ｕ ｏ ｈ ｔ ｅ ｒ ｆ ｃ ｍｂ ｎ ｄ ｆ ｒ ｃ ｓ ｎ ，ｕ — ｓ Ｉｔ ａ ｅ ｐ ｎ ｔ ｅ ｈ ０ｙ ｏ ０ ｉ ｅ ０ ｅ ａ ｔ ｇ ｐ ｉ
线 性 数 据 良好 的 逼 近 特 性 。 提 出 了基 于 Ｂ Ｐ神 经 网络 的 灰 色 预 测 、 多项 式 回 归 模 型 的 民 用汽 车运 力 组 合 预 测 模 型 。 此 模