基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
1. 表1列出了某地区家庭人均鸡肉年消费量Y 与家庭月平均收入X ，鸡肉价格P 1，猪肉价格P 2与牛肉价格P 3的相关数据。 年份 Y/千 克 X/ 元 P 1/(元/千克) P 2/(元/千克) P 3/(元/千克) 年份 Y/千克 X/元 P 1/(元/ 千克) P 2/(元/ 千克) P 3/(元/千克) 1980 2.78 397 4.22 5.07 7.83 1992 4.18 911 3.97 7.91 11.40 1981 2.99 413 3.81 5.20 7.92 1993 4.04 931 5.21 9.54 12.41 1982 2.98 439 4.03 5.40 7.92 1994 4.07 1021 4.89 9.42 12.76 1983 3.08 459 3.95 5.53 7.92 1995 4.01 1165 5.83 12.35 14.29 1984 3.12 492 3.73 5.47 7.74 1996 4.27 1349 5.79 12.99 14.36 1985 3.33 528 3.81 6.37 8.02 1997 4.41 1449 5.67 11.76 13.92 1986 3.56 560 3.93 6.98 8.04 1998 4.67 1575 6.37 13.09 16.55 1987 3.64 624 3.78 6.59 8.39 1999 5.06 1759 6.16 12.98 20.33 1988 3.67 666 3.84 6.45 8.55 2000 5.01 1994 5.89 12.80 21.96 1989 3.84 717 4.01 7.00 9.37 2001 5.17 2258 6.64 14.10 22.16 1990 4.04 768 3.86 7.32 10.61 2002 5.29 2478 7.04 16.82 23.26 1991 4.03 843 3.98 6.78 10.48 （1） 求出该地区关于家庭鸡肉消费需求的如下模型： 01213243ln ln ln ln ln Y X P P P u βββββ=+++++ （2） 请分析，鸡肉的家庭消费需求是否受猪肉及牛肉价格的影响。 先做回归分析，过程如下： 输出结果如下：
GRNN神经网络---广义回归神经网络，主要用于函数逼近。 x=-2:0.01:1 y=2*x.^6+3*x.^5-3*x.^3+x.^2+1 P=x(1:15:end) T=y(1:15:end) spread=[0.05 0.2 0.4 0.6 0.8]; l_style={'r.-','bo--','ko-.','k*--','r^-'}; for i=1:length(spread) net=newgrnn(P,T,spread(i)); a=sim(net,P); plot(P,a,l_style{i}) hold on end plot(P,T,'o'); legend('spread=0.05','spread=0.2','spread=0.4' ,'spread=0.6','spread=0.8','train data'); title('GRNN神经网络spread探讨')
load data; % 载入数据并将数据分成训练和预测两类 p_train=p(1:10,:); p_test=p(11:13,:); t_train=t(1:10,:); t_test=t(11:13,:); % 将各个矩阵转置以便适应网络结构 p_train=p_train'; t_train=t_train'; p_test=p_test'; t_test=t_test'; % 将数据归一化 [pn,minp,maxp,tn,mint,maxt]=premnmx(p_train,t_ train); p2n=tramnmx(p_test,minp,maxp); for sc=0.1:0.01:1; tic, net=newgrnn(pn,tn,sc);
第三章交通量分析及预测 3.1 公路交通调查与分析 3.1.1调查综述 交通调查的目的是了解现状区域路网的交通特性，掌握路段交通量及其特征。通过交通调查来分析路段交通量及车种组成、时空分布特征等，了解区域交通发生、集中及分布状况。 本项目有关的交通调查主要是交通量调查。 交通量调查是收集沿线主要相关道路的历年交通量状况，交通量的车种构成以及有关连续式观测站点的交通量时空变化特征等资料。 3.2 相关运输方式的调查与分析 拟建项目X922荔波县翁昂至瑶山（捞村至瑶山段）公路改扩建工程路线起点位于荔波县捞村，顺接X922翁昂至捞村段，终点位于荔波县瑶山与X418平交，终点桩号K20+762.250。路线推荐方案全长20.762公里。 根据贵州省公路局及地方观测点提供的交通量统计资料，现有与该项目相关的公路主要有X922翁昂至捞村段（原Y101乡道），X418线。公路沿线历年的交通量观测值见表3-1。 表3-1 X922捞村至瑶山段（原Y007乡道）公路历年平均交通量单位：辆/日 车型年份小型货 车 中型货 车 大型货 车 中小型 客车 大型客 车 拖挂车其它车 混合车 折算值 200632 16 7 86 3 31 193 200742 21 8 114 4 40 251 200848 24 11 130 5 46 290 200959 31 13 164 5 58 361 201074 38 15 200 6 70 444 201194 48 20 255 8 90 566 2012101 51 21 274 8 96 605 2013105 54 23 288 9 102 639 2014121 61 24 328 11 114 725 2015133 68 28 364 12 128 805 注：表中数据除混合车折算值为按小客车为标准的折算值外，其余均为自然车辆数。
3.3 交通预测及分析 3.3.1 预测的总体思路 3.3.1.1 概述 路网交通量预测分析是城市交通规划和城市道路建设规模和标准的主要依据，预测结果将直接影响到项目建设的决策。本项目交通预测可划分为以下两个部分，预测过程也相应分别进行，最后累加得到总的预测交通量。 背景交通量预测——由两部分构成，其一为背境交通量，即相关道路上的穿越交通量，起止点均在项目范围之外，主要由项目相关道路的现有交通量在研究期限内相应增长而得到；其二为研究区域内其它新建项目的交通量，由交通影响范围内其它建设项目所产生的交通量，在道路网上分配而获得。背景交通量预测采用国际通用的四步骤预测法，并利用国际上较为流行的交通规划软件（TransCAD）作为计算工具。通过对现状与规划资料（土地、人口、社会、经济、交通）的调查研究，通过进行交通小区的划分，并据此建立交通模型。通过社会经济发展预测、城市土地使用规划，得到交通生成量；采用重力模型进行收敛计算，得到小区分布交通量；通过交通方 式划分，得到机动车的出行量；采用均衡分配法进行分配，得到拟建项目的路段及交叉口流量。 拟建项目交通量预测——根据项目的建设性质及规模，预测目标年的项目交通生成量，即交通产生量与吸引量。在此基础上进一步对其进行交通分布和交通分配，将因项目而产生的交通量分配到周围道路上，得到拟建项目交通量。交通需求预测主要根据该项目的开发强度及不同用地类型出行发生和吸引率，预测该开发项目目标年内部生成的交通需求。 图3-24 交通量预测流程图 3.3.1.2 预测依据 预测的主要依据如下： 1）《珠江三角洲地区改革发展规划纲要（2008-2020）》 2）《眉山城市空间发展战略（眉山2030）》 3）《眉山市国民经济和社会发展十一五规划纲要》 3）《眉山市城市总体规划（2009-2030）》 4）《眉山市城市规划条例》 5）《眉山市城市规划技术标准与准则》 6）《眉山市城市交通规划》（1999-2020） 7）《横琴新区城市总体规划（2009-2020）》广东省城乡规划设计研究院8）《横琴新区控制性详细规划》（广东省城乡规划设计研究院） 9）《眉山市统计年鉴2009》 10）《眉山重大交通基础设施布局集疏运网络规划》
基于神经网络的预测控制模型仿真 摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。 关键词：预测控制神经网络动态矩阵误差补偿 1.引言 动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。 但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。 本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP 神经网络进行预测误差补偿的DMC预测控制模型。其中神经网络预测误差描述了在预测模型中未能包含的一切不确定性信息，可以归结为用BP神经网络基于一系列过去的误差信息预测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥补在对象模型中已简化或无法加以考虑的一切其他因素。 本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，
一元线性回归模型案例分析 一、研究的目的要求 居民消费在社会经济的持续发展中有着重要的作用。居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。改革开放以来随着中国经济的快速发展，人民生活水平不断提高，居民的消费水平也不断增长。但是在看到这个整体趋势的同时，还应看到全国各地区经济发展速度不同，居民消费水平也有明显差异。例如，2002年全国城市居民家庭平均每人每年消费支出为6029.88元, 最低的黑龙江省仅为人均4462.08元，最高的上海市达人均10464元，上海是黑龙江的2.35倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，居民的收入水平、就业状况、零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定 我们研究的对象是各地区居民消费的差异。居民消费可分为城市居民消费和农村居民消费，由于各地区的城市与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城市居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。所以模型的被解释变量Y 选定为“城市居民每人每年的平均消费支出”。 因为研究的目的是各地区城市居民消费的差异，并不是城市居民消费在不同时间的变动，所以应选择同一时期各地区城市居民的消费支出来建立模型。因此建立的是2002年截面数据模型。 影响各地区城市居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。为了与“城市居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 从2002年《中国统计年鉴》中得到表2.5的数据: 表2.52002年中国各地区城市居民人均年消费支出和可支配收入
第三章交通量分析及预测 3.1现状交通调查及分析 3.1.1项目影响区的确定 项目影响区根据对项目的影响程度，分为直接影响区和间接影响区，一般按行政区域划分。根据对各地区经济和交通的影响程度以及区域内物流和车流集散的特点，结合各地区社会经济、交通运输现状和路网状况，本项目直接影响区为彭山区，间接影响区包括眉山市、新津县等。 3.1.2交通现状分析 1、交通现状 随着城市建设用地的变化及产业结构的调整，步行和自行车出行仍然是居民的主要交通方式，但重要性有所下降，两轮电动车的出行比例已上升至10.1%，汽车出行增长较快，达到12.5%，公交车比例仅为14.7%。彭山区私家车发展势头强劲，将成为未来城市机动车增长的主要因素。 2、项目影响区交通现状及规划条件 城市交通状况的恶化和城市规模不断扩大、人口不断增加关系十分密切，当然这也是城市发展过程中必然会遇到的问题。当前我们正处在快速城市化和快速机动化交织的历史时期，城市交通压力急剧增加，过去五年彭山区机动车每年以10.8%的速度增长，而同期道路的增长速度远低于此。彭山区城范围内现状主次干道路网密度2.44公里/平方公里，城市支路路网密度更低，而城市主干道和支路的平均容积率要达到规划水平，还存在有很大差距。因此加大路网建设力度仍然是解决城市交通问题的重要途径。 3.2 交通量预测方法 交通量预测分析的目的是通过对片区路网的分析，研究项目建设给片区经济发展所
带来的交通影响及其程度，判断在当前这种交通路网的承载能力下的影响，能否在可接受的范围内，并确定合理的项目出入口位置。道路断面的设置形式是否合理，满足交通功能的要求是最基本的条件。设计通行能力低于设计交通量的道路形式是不合适的，因为它容易造成片区路网的交通拥挤，甚至发生交通堵塞，要求设计通行能力必须大于设计交通量。另一方面，通行能力也不能过大，否则使道路资源不能充分利用，必然造成大量的浪费。 交通量预测是一项综合技术，涉及因素很多，把握预测方向和提高预测精度，一值是世界各国交通研究重要课题，同时，也是一切交通问题研究的基础。本可研报告对交通量预测按照国际上业已成熟的四阶段模式，即交通生成、方式划分、交通分布和交通量分配进行的。是在城市发展和城市规划及土地使用分析的基础上，对道路网络整体进行交通模拟。交通模拟中各种模型建立，都是进行相应统计检验后得到，模型精度一般在15%以内。 3.3 交通量预测内容及结论 3.3.1交通量的组成 本项目属于新建道路，对此情况，远景交通量一般只包括诱增交通量和转移交通量二类。 1、诱增交通量 由于拟建道路的建成通车，其道路基础设施的完善将有效提升片区路网服务水平，与相邻道路之间具有较好的竞争优势，其诱发潜在的交通需求量较大。诱增交通量预测，目前采用的方法很多，一般以相邻路网的趋势交通量为基数预测诱增交通量，这种方法主要考虑的因素是区域间的运行时间、距离，按照“有无对比法”的原则，采用重力模型的思想，预测诱增交通量。这种方法计算工作繁杂，而且模型中的某些假定与实际情
交通量分析及预测 LG GROUP system office room 【LGA16H-LGYY-LGUA8Q8-LGA162】
第三章交通量分析及预测 公路交通调查与分析 3.1.1调查综述 交通调查的目的是了解现状区域路网的交通特性，掌握路段交通量及其特征。通过交通调查来分析路段交通量及车种组成、时空分布特征等，了解区域交通发生、集中及分布状况。 本项目有关的交通调查主要是交通量调查。 交通量调查是收集沿线主要相关道路的历年交通量状况，交通量的车种构成以及有关连续式观测站点的交通量时空变化特征等资料。 相关运输方式的调查与分析 拟建项目X922荔波县翁昂至瑶山（捞村至瑶山段）公路改扩建工程路线起点位于荔波县捞村，顺接X922翁昂至捞村段，终点位于荔波县瑶山与X418平交，终点桩号K20+。路线推荐方案全长公里。 根据贵州省公路局及地方观测点提供的交通量统计资料，现有与该项目相关的公路主要有X922翁昂至捞村段（原Y101乡道），X418线。公路沿线历年的交通量观测值见表3-1。 表3-1 X922捞村至瑶山段（原Y007乡道）公路历年平均交通量单位：辆 /日
注：表中数据除混合车折算值为按小客车为标准的折算值外，其余均为自然车辆数。 预测思路与方法 3.3.1 交通量预测的总体思路 公路远景交通量的预测，是为正确制定公路修建计划提供分析基础，为项目的决策提供依据。 根据对项目所在地区社会经济和交通运输调查的资料分析，计划建设的荔波县瑶山至捞村改扩建公路工程是荔波县境内的重要公路项目。本项目的建设，将有力地促进公路沿线工业和乡镇的社会经济及交通运输发展、为精准脱贫提供交通保障。 预测远景交通量一般由趋势交通量、诱增交通量和转移交通量三部分组成。 趋势交通量是指现有公路交通量按照它固有的发展规律、自然增长的交通量。 诱增交通量是指公路的开通，使它所覆盖的影响区内经济和交通体系的深刻变化，诱使经济、产业迅猛增长，则会新产生交通量。 转移交通量是指公路建成后，由于竞争关系而从其它运输方式（铁路、水运和航空）转移过来的交通量。对本项目而言，由于没有与本项目有竞争关系的其它运输方式存在，因此本项目不考虑转移交通量。 根据分析，本项目的远景交通量主要由趋势交通量和诱增交通量组成。 3.3.2 交通量预测方法及步骤 由于该项目属于老路改造工程，大部分为改造路段，且公路沿线均设有交通观测点，因此该项目不作OD调查，采用沿线历年断面交通量与影响区社会经济的发展情况及规划，进行相关分析，预测未来特征年的远景交通量。 交通量预测 3.4.1 预测年限和特征年确定 根据交通运输部交规划发[2010]178号文件发布的《公路建设项目可行性研究报告编制办法》的规定，公路建设项目交通量的预测年限为调查年到项目建成后20年；
B P神经网络预测模型及 应用 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】
B P神经网络预测模型及应用 摘要采用BP神经网络的原理，建立神经网络的预测模型，并利用建立的人工神经网络训练并预测车辆的销售量，最后得出合理的评价和预测结果。 【关键词】神经网络模型预测应用 1 BP神经网络预测模型 BP神经网络基本理论 人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型，BP网为其中之一，它又被称为多层前馈神经网络。 BP神经网络预测模型 （1）初始化，给各连接权值（wij，vi）及阐值（θi）赋予随机值，确定网络结构，即输入单元、中间层单元以及输出层单元的个数；通过计算机仿真确定各系数。 在进行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面进行考虑，BP网络由输入层、隐含层和输出层组成。隐含层神经元个数由以下经验公式计算： （1）
式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7. BP网络采用了有一定阈值特性的、连续可微的sigmoid函数作为神经元的激发函数。采用的s 型函数为： （2） 式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7.计算值需经四舍五入取整。 （2）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响，尽管从理论分析中得到比的收敛速度快，但是也存在着不足之处。当网络收敛到一定程度或者是已经收敛而条件又有变化的时候，过于灵敏的反映会使得系统产生震荡，难于收敛。因此，对激励函数进行进一步改进，当权值wij （k）的修正值Δwij（k） Δwij（k+1）<0时，，其中a为大于零小于1的常数。这样做降低了系统进入最小点时的灵敏度，减少震荡。 2 应用 车辆销售量神经网络预测模型 本文以某汽车制造企业同比价格差、广告费用、服务水平、车辆销售量作为学习训练样本数据。如表1。 表1 产品的广告费、服务水平、价格差、销售量 月份广告费 （百万元）服务水平价格差
多元线性回归模型案例分析 ——中国人口自然增长分析一·研究目的要求 中国从1971年开始全面开展了计划生育,使中国总和生育率很快从1970年的降到1980年,接近世代更替水平。此后，人口自然增长率（即人口的生育率）很大程度上与经济的发展等各方面的因素相联系，与经济生活息息相关，为了研究此后影响中国人口自然增长的主要原因，分析全国人口增长规律，与猜测中国未来的增长趋势，需要建立计量经济学模型。 影响中国人口自然增长率的因素有很多，但据分析主要因素可能有：（1）从宏观经济上看，经济整体增长是人口自然增长的基本源泉；（2）居民消费水平，它的高低可能会间接影响人口增长率。(3)文化程度，由于教育年限的高低，相应会转变人的传统观念，可能会间接影响人口自然增长率（4）人口分布，非农业与农业人口的比率也会对人口增长率有相应的影响。 二·模型设定 为了全面反映中国“人口自然增长率”的全貌，选择人口增长率作为被解释变量，以反映中国人口的增长；选择“国名收入”及“人均GDP”作为经济整体增长的代表；选择“居民消费价格指数增长率”作为居民消费水平的代表。暂不考虑文化程度及人口分布的影响。 从《中国统计年鉴》收集到以下数据（见表1）： 表1 中国人口增长率及相关数据
， 设定的线性回归模型为： 1222334t t t t t Y X X X u ββββ=++++ 三、估计参数 利用EViews 估计模型的参数，方法是： 1、建立工作文件：启动EViews ，点击File\New\Workfile ，在对 话框“Workfile Range ”。在“Workfile frequency ”中选择“Annual ” (年 年份 @ 人口自然增长率 （%。） 国民总收入 （亿元） 居民消费价格指数增长 率（CPI ）% 人均GDP （元） 1988 15037 1366 1989 … 17001 18 1519 1990 18718 1644 1991 【 21826 1893 1992 26937 2311 1993 . 35260 2998 1994 48108 4044 1995 — 59811 5046 1996 70142 5846 1997 ~ 78061 6420 1998 83024 6796 1999 【 88479 7159 2000 98000 7858 2001 [ 108068 8622 2002 119096 9398 2003 ： 135174 10542 2004 159587 12336 2005 、 184089 14040 2006 213132 16024
1.5相关规划及交通预测 1.5.2城市布局结构 城市规划区的整体空间结构为：“一心三翼、两轴四带’’。 l、“一心”：指中心城区，建设国际风景旅游城市和湘西地区的现代服务业中心。 2、“三翼”：指以武陵源风景名胜区、天门山风景名胜区和茅岩河风景名 胜区为主体的三个旅游职能片区。严格控制中湖、天子山镇发展规模，提升城镇建设水平与旅游服务品质。 3、“两轴”：指以澧水为纽带的城市发展轴和武陵源风景名胜区至天门山风景名胜区的旅游发展轴。 4、“四带”： 沙堤旅游发展带一一依托武陵山大道，发展近郊休闲度假旅游。 茅溪河旅游发展带一一依托张桑公路，发展水上休闲项目和近郊旅游度假设施。 澧水旅游发展带一一为张家界市未来旅游服务中心和度假基地建设的重点区域。 澧水城市职能拓展带一一是中心城区向东部拓展，完善城市中心地职能的空间拓展带。 1.5.3道路网规划 规划形成“两环五纵九连线’’的骨架路网结构。“两环”：快速路外环和子午路一迎宾路一大庸路构成的内环；“五纵”：茅岩路、天问路、溪西路、常德路一朝阳路、阳湖中路；“九连线”：子午路（内环以西）、荷花路、融山路、武陵山大道、沙堤大道、崇文路一永定大道、张峡路一永昌路、张联路一科技大道、官黎路一宝塔路。规划城市道路分为4级：城市快速路、主干道、次干道（包括滨河景观路）和支路。 1、快速路 城市快速路主要包括南外环、西外环、机场一南外环联络线、北外环、枫中路、武陵山大道。 2、主干路 规划城市主干路红线宽度为30-60米。主要包括子午路、迎宾路、永定大道、大桥路、大庸路、崇文路、兑泽路、西溪坪路、永昌路、科技大道、沙堤大道、桔坪路、向家岗路及李家岗路等。 3、次干路 规划城市次干路红线宽度为20-30米，主要包括回龙路、天门路、解放路、岚清路和滨江东路等。 4、滨河景观路 规划沿澧水河沿岸设置滨河景观路，滨河景观路红线宽度为20-25米。 5、支路 规划城市支路红线宽度为10-20米。 1.5.4交通量预测 1.5.4.1交通量基础资料 1、人口 1）总规分配人口 规划近期：市域人口规模172万人。 2020年张家界市中心城市人口规模按42.万人控制。其中，中心城区人口规模
案例分析报告 （2014——2015学年第一学期） 课程名称：预测与决策 专业班级：电子商务1202 学号： 2204120202 学生姓名：陈维维 2014 年 11月 案例分析（一元线性回归模型） 我国城镇居民家庭人均消费支出预测 一、研究目的与要求 居民消费在社会经济的持续发展中有着重要的作用，居民合理的消费模式和居民适度的消费规模有利于经济持续健康的增长，而且这也是人民生活水平的具体体现。从理论角度讲，消费需求的具体内容主要体现在消费结构上，要增加居民消费，就要从研究居民消费结构入手，只有了解居民消费结构变化的趋势和规律，掌握消费需求的热点和发展方向，才能为消费者提供良好的政策环境，引导消费者合理扩大消费，才能促进产业结构调整与消费结构优化升级相协调，才能推动国民经济平稳、健康发展。例如，2008年全国城镇居民家庭平均每人每年消费支出为11242.85元，?最低的青海省仅为人均8192.56元，最高的上海市达人均19397.89元，上海是黑龙江的2.37倍。为了研究全国居民消费水平及其变动的原因，需要作具体的分析。影响各地区居民消费支出有明显差异的因素可能很多，例如，零售物价指数、利率、居民财产、购物环境等等都可能对居民消费有影响。为了分析什么是影响各地区居民消费支出有明显差异的最主要因素，并分析影响因素与消费水平的数量关系，可以建立相应的计量经济模型去研究。 二、模型设定?
我研究的对象是各地区居民消费的差异。居民消费可分为城镇居民消费和农村居民消费，由于各地区的城镇与农村人口比例及经济结构有较大差异，最具有直接对比可比性的是城市居民消费。而且，由于各地区人口和经济总量不同，只能用“城镇居民每人每年的平均消费支出”来比较，而这正是可从统计年鉴中获得数据的变量。 所以模型的被解释变量Y选定为“城镇居民每人每年的平均消费支出”。 因为研究的目的是各地区城镇居民消费的差异，并不是城镇居民消费在不同时间的变动，所以应选择同一时期各地区城镇居民的消费支出来建立模型。因此建立的是2008年截面数据模型。影响各地区城镇居民人均消费支出有明显差异的因素有多种，但从理论和经验分析，最主要的影响因素应是居民收入，其他因素虽然对居民消费也有影响，但有的不易取得数据，如“居民财产”和“购物环境”；有的与居民收入可能高度相关，如“就业状况”、“居民财产”；还有的因素在运用截面数据时在地区间的差异并不大，如“零售物价指数”、“利率”。因此这些其他因素可以不列入模型，即便它们对居民消费有某些影响也可归入随即扰动项中。 为了与“城镇居民人均消费支出”相对应，选择在统计年鉴中可以获得的“城市居民每人每年可支配收入”作为解释变量X。 以下是2008年各地区城镇居民人均年消费支出和可支配收入表
第三章交通分析及预测 3.1公路交通调查与分析 本项目位于昌吉州内。合计路线全长70.7Km。 项目组在外业调查中，收集了路线附近的交通量资料，并取得了路段两个典型断面全天24小时的断面交通量观测资料。 折算值根据《公路工程技术标准》（JTG B01—2003）的规定全部折算为小客车的数量，采用的折算系数见表3-1。 各汽车代表车型与车辆折算系数表3-1 汽车代表车型车辆折算系数说明 小客车 1.0 ≤19座的客车和载质量≤2t的货车 中型车 1.5 ＞19座的客车和载质量＞2t～≤7t的货车 大型车 2.0 载质量＞7t～≤14t的货车 拖挂车 3.0 载质量＞14t的货车 现有公路通车困难，出行特别不方便，特别是现有老路历年的翻浆病害情况严重，老路路线技术指标低，平、纵线形组合差，路面平整差，也无法满足交通安全、舒适、快速的需求。制约了当地的经济发展，因此建设一条上等级的公路，是十分必要的。 3.2预测思路与方法 3.2.1预测思路、方法和步骤 本项目未来年交通量是根据昌吉回族自治州交通局提供的沿线各乡镇交通出行调查资料基础上，结合沿线乡镇经济发展规划与交通运输发展之间相互关系的基础上进行预测。 根据交通部《交通建设项目可行性研究报告编制办法汇编》（2010年）的规定，农村公路和功能单纯的各类专用公路，以及为大型工矿项目或新建开发区服务的配套公路或其它农村公路。交通量预测工作可适当简化或采用其它预测技术而不必采用四阶段法，故本报告预测方法采用“定基、定标法”。即首先进行区域社会经济现状分析和发展趋势研究；其次根据社会经济发展趋势与特点及其与交通运输的相关关系，通
第三章交通量分析及预测 交通量分析和预测是公路建设项目前期工作的重要内容，本章首先在交通量观测及其他交通调查的基础上，分析本项目相关线路及其影响区域的公路交通发展水平和特征，然后结合社会、经济、技术调查与分析，使用公路可行性研究通用的预测技术和方法，分析预测远景年交通量发展规模和水平，为确定本项目的技术等级、工程设施标准规模和经济评价等提供重要的依据。 3.1公路交通调查与分析 本项目采用交通量观测为交通调查方法。 3.1.1 调查综述 调查的目的、方法及内容： 公路交通调查是公路项目可行性研究的重要环节，为全面了解项目所在地区公路交通量的特性和构成，掌握公路交通流量流向、车辆构成、货物种类等资料，为未来拟建公路交通量预测提供基础数据，本项目公路交通调查主要包括相关公路观测交通量、汽车保有量、交通事故等方面内容，调查范围主要是针对拟改建项目所属区域及沿线所经区域进行调查。 3.1.2 调查资料的分析 1.历年相关公路交通量 表3-1 正镶白旗杨白音敖包嘎查测站历年交通量
2.交通量观测调查车辆构成分析 通过资料整理，可以得到各调查点断面交通量情况。详见下表。 3.2 预测思路与方法 3.2.1预测思路 交通量预测是公路建设项目可行性研究的重要内容之一，是确定项目技术等级、建设规模及标准的依据，也是项目经济评价的基础。 根据研究项目白旗伊克淖苏木白音敖包嘎查至乌兰胡吉尔浩特至陶苏图浩特公路周边地区的公路项目，路段历史交通量能反映该路段上交通量的发展趋势。因此，可以利用周围路段的历史交通量用基于运输通道的交通量预测法来进行预测。基于运输通道的交通量预测法的大致思路如下： （1）获取项目所在运输通道内各条道路的历史交通量； （2）根据运输通道历史交通量找出其发展趋势，运用相关趋势模型求出运输通道交通量的增长率，并计算出运输通道未来年总交通量； （3）根据项目运输通道内各条道路的历史交通量发展趋势，结合相关各条道路在未来年的等级、车道数和通行能力等因素，采用Lgoti概率模型来确定未来年各条道路在运输通道内所分担的交通量比例，最后计算出本项目未来年的交通量。 3.2.2 交通量预测方法及步骤 该项目为正镶白旗明安图镇三面井嘎查敦廷高勒浩特至白生图浩特公路，是白旗通往外界的重要通道之一，由于公路交通是白旗唯一交通方式，因此本项目具有重要的地位和作用。通过对正镶白旗明安图镇三面井嘎查敦廷高勒浩特至白生图浩特公路线上的观测点交通量调查分析得出，现有道路的交通量比较大，由于省道的服务水平、道路路况等影响，在未来年单一的通道已经无法满足交通量的需求。 交通量预测：主要是在现状交通量观测调查的基础上，依据项目区未来年经济发展及项目所属通道运输方式发展趋势，测算公路通道的运输量，利用合理的预测方法进行
交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展，交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来，世界各国的城市交通专家提出各种不同的方法，试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代，我国公路建设项目交通量预测研究尚处于探索成长阶段，交通量预测主要采用个别推算法，又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象；间接法则是以运输量作为研究对象，最后转换为路段交通量。 进入90年代后，我国的公路建设项目，特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测，该法以机动车出行起讫点调查为基础，包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。
几十年来，世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测，总结起来，大概可以分为六类模型：基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点，下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测，它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单，但精度较差，虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题，但静态的预测有其先天性的不足，因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟，用于交通流预测，所需的检测设备比较简单，数量较少，而且价格低廉，但缺点也很明显，主要是适用性差、实时性不强，单纯依据预先确定的回归方程，由测得的影响交通流的因素进行预测，只适用于特定路段的特定流量范围，且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时，
一交通量预测 1.1 交通调查现状 新开北路北延（源兴路~通沪大道）位于南通市经济技术开发区西北部，南起源兴路，北至通沪大道，全场约2.6Km，道路规划宽50m，是一条南北方向的城市主干道，是中心城区规划形成“二十一横二十二纵”的主干路布局中的一条纵向主干路，也是连通崇川区、通州区的重要道路。 新开北路北延建成后将在一定程度上缓解兴富路、东快速路等道路的交通压力，提高了开发区与崇川区的连通性，提升南通市的城市面貌，拉动城市经济的快速增长，带动沿线地区的经济发展，改变附近的交通需求，项目建成后将产生大量的旅游交通量和沿线居民的出行产生交通量。 规划道路附近用地布局及道路流量图 1.2 远期交通量需求分析 本道路建成后交通量表现为旅游交通运输产生和沿线居民出行产生的交通量等，拟建项目预测的远景交通量构成有以下三部分组成： （1）基于现状路网条件下而发展的趋势型交通量
（2）本项目建成后产生的诱增交通量 （3）本项目建成后本地出行交通量 1.3 预测思路和方法 1.3.1 预测思路 本研究预测的主要思路为：以交通调查为基础，在分析XX市路网现状状况、交通量现状和路网规划的基础上，结合XX市城市总体规划、经济产业发展的布局规划，根据研究路网的地位和交通功能，对未来交通量进行预测。 1.3.2 预测方法 交通预测方法主要有两类：一类是基于增长弹性系数直接进行预测的交通增长率预测法或基于总体发展规划的总量控制法；另一类是基于土地利用的四阶段法，即出行发生、出行分布、交通方式划分和交通量分配。本研究综合考虑两种方法，并结合TransCAD软件对目标年的交通量进行预测。 1.4 道路交通量预测 通过对现状道路交通量进行调查，通过拟建道路临近的第二条主干路或者快速路围合的范围建立道路交通网络，划分交通小区，运用Transcad软件和OD反推技术计算出该道路路段及相交道路未来年高峰小时交通量。 ?交通小区划分 充分考虑区域内土地使用性质，路网构成等因素，根据交通小区的划分原则，对现状道路网络进行交通小区划分。
我国农民收入影响因素的回归分析 本文力图应用适当的多元线性回归模型,对有关农民收入的历史数据和现状进行分析,探讨影响农民收入的主要因素,并在此基础上对如何增加农民收入提出相应的政策建议。?农民收入水平的度量常采用人均纯收入指标。影响农民收入增长的因素是多方面的，既有结构性矛盾因素，又有体制性障碍因素。但可以归纳为以下几个方面：一是农产品收购价格水平。二是农业剩余劳动力转移水平。三是城市化、工业化水平。四是农业产业结构状况。五是农业投入水平。考虑到复杂性和可行性，所以对农业投入与农民收入，本文暂不作讨论。因此，以全国为例，把农民收入与各影响因素关系进行线性回归分析，并建立数学模型。 一、计量经济模型分析 (一)、数据搜集 根据以上分析，我们在影响农民收入因素中引入7个解释变量。即：2x -财政用于农业的支出的比重，3x -第二、三产业从业人数占全社会从业人数的比重，4x -非农村人口比重，5x -乡村从业人员占农村人口的比重，6x -农业总产值占农林牧总产值的比重，7x -农作物播种面积，8x —农村用电量。
资料来源《中国统计年鉴2006》。 (二)、计量经济学模型建立 我们设定模型为下面所示的形式： 利用Eviews 软件进行最小二乘估计，估计结果如下表所示： DependentVariable:Y Method:LeastSquares Sample: Includedobservations:19 Variable Coefficient t-Statistic Prob. C X1 X3 X4 X5 X6 X7 X8 R-squared Meandependentvar AdjustedR-squared 表1最小二乘估计结果 回归分析报告为： () ()()()()()()()()()()()()()()() 2345678 2? -1102.373-6.6354X +18.2294X +2.4300X -16.2374X -2.1552X +0.0100X +0.0634X 375.83 3.7813 2.066618.37034 5.8941 2.77080.002330.02128 -2.933 1.7558.820900.20316 2.7550.778 4.27881 2.97930.99582i Y SE t R ===---=230.99316519 1.99327374.66 R Df DW F ====二、计量经济学检验 (一)、多重共线性的检验及修正 ①、检验多重共线性 (a)、直观法 从“表1最小二乘估计结果”中可以看出，虽然模型的整体拟合的很好，但是x4x6
为了看懂师兄的文章中使用的方法，研究了一下神经网络 昨天花了一天的时间查怎么写程序，但是费了半天劲，不能运行，百度知道里倒是有一个，可以运行的，先贴着做标本 % 生成训练样本集 clear all; clc; P=[110 0.807 240 0.2 15 1 18 2 1.5; 110 2.865 240 0.1 15 2 12 1 2; 110 2.59 240 0.1 12 4 24 1 1.5; 220 0.6 240 0.3 12 3 18 2 1; 220 3 240 0.3 25 3 21 1 1.5; 110 1.562 240 0.3 15 3 18 1 1.5; 110 0.547 240 0.3 15 1 9 2 1.5]; 0 1.318 300 0.1 15 2 18 1 2]; T=[54248 162787 168380 314797; 28614 63958 69637 82898; 86002 402710 644415 328084; 230802 445102 362823 335913; 60257 127892 76753 73541; 34615 93532 80762 110049; 56783 172907 164548 144040]; @907 117437 120368 130179]; m=max(max(P)); n=max(max(T)); P=P'/m; T=T'/n; %-------------------------------------------------------------------------% pr(1:9,1)=0; %输入矢量的取值范围矩阵 pr(1:9,2)=1; bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm'); %建立BP神经网络， 12个隐层神经元，4个输出神经元 %tranferFcn属性 'logsig' 隐层采用Sigmoid传输函数 %tranferFcn属性 'logsig' 输出层采用Sigmoid传输函数 %trainFcn属性 'traingdx' 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数 %learn属性 'learngdm' 附加动量因子的梯度下降学习函数 net.trainParam.epochs=1000;%允许最大训练步数2000步 net.trainParam.goal=0.001; %训练目标最小误差0.001 net.trainParam.show=10; %每间隔100步显示一次训练结果 net.trainParam.lr=0.05; %学习速率0.05