□□ 袁志兵

(义乌工商职业技术学院，浙江 金华 322000)

引言

货物运输量预测精度的高低对运输管理部门在路网规划及运输政策的制定方面极为重要，准确预测货物运输量不仅可以制定合理的发展规划和提供合理的论据，还可以对公共交通资源配置进行合理性指导。国内外对货物运输量的预测从未间断过，通过对货物运输量预测的研究进行分析发现，预测方法主要分为两大类:一是以传统的数学方法为基础的预测模型，时间序列预测模型[1-2](包括平滑预测法、ARMA模型预测法)、回归模型[3-5](包括非线性回归和线性回归)、灰色预测模型[6-7]；另一类则是基于人工神经网络的预测方法[8-9](BP神经网络、遗传神经网络、小波神经网络等)。

时间序列法需要大量的历史数据且预测精度偏低，回归模型需要较多解释变量并确定准确的函数形式。神经网络预测则是适用于非线性、复杂的情形下，且需要设定较多参数，训练过程也较为繁杂，在货运量预测中效果不佳[10]。传统的灰色预测模型适用于“贫信息、小样本”的不确定性系统，但在背景值精度不高的情况下会造成模型精度下降，本文拟通过建立二次函数重构背景值来改进GM(1，1)模型。

1 传统GM(1，1)模型

GM(1，1)模型预测是采用累加的方式使样本具有指数变化规律，继而使用一阶微分方程对其求解，再将结果逐步减去获得最终值，即为灰色预测结果，以对未来时间段的数值进行预测[11]。

(1)

z(1)为x(1)的相邻均值生成序列：

(2)

(3)

式中：α、μ——待辨识参数。……