基于马氏gm(11)和bp神经网络的货运公司收益问题学位论文(4)

?)G类： X(1?t?1???X?(0)?1??3077.5?82?e-0.02257?-0t.02257?3077.582 （14）

-0.02257

?)H类： X(1?t?1???X?(0)?1??2641.2?15?e-0.007164?-0t.007164?2641.215 （15）

-0.007164

由以上公式我们能够对未来7天公司的申请量做预测,我们先拿出E类来做分析。

经过预测我们得到E类货物7月1日到7日的申请量结果为：

表三 E类货物预测申请量（kg）

7月1日 1871

如图所示：

o:代表实际值 AND *:代表预测值60007月2日 1846 7月3日 1822 7月4日 1798 7月5日 1774 7月6日 1751 7月7日 1728 5000400030002000100000510152025303540 图一 GM(1,1)模型预测值与真实值的比较

SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbagraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec

8

SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbagraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec

误差曲线为：

误差曲线2000150010005000-500-1000-1500-2000-2500051015202530 图二 GM(1,1)模型误差曲线

模型一的分析：

从图1可以看到，经过预测后得到了7天的预测值，它们的趋势符合6月份30天申请量的变化趋势。但是从图中我们也可以明显看出误差太大，在图2的误差曲线中显示，最大的误差量达到了2000多。这是我们所不希望看到的。经过运算我们发现对F类G类H类货物进行的预测存在着同样的问题。而且由于G类和H类的数据更为发散和具有随机性，使得GM（1，1）模型并不能在预测本问题中得到很好的结果。所以，在以下论文中我们对模型多次进行优化，使得预测的结果尽量更接近与现实。 4.2.2.3 模型的优化

由GM(1,1)模型本身的研究学习我们看到，它是一个指数形式的模型，具有严格的单调性，无法很好的预测随即波动大的数据，而这一条件恰恰符合马尔科夫链的条件，运用马尔科夫链中的方法进行优化能很好的弥补GM(1,1)模型的缺点，使之预测的结果更加符合实际。

对马尔可夫链的引入：

1870年，俄国有机化学家Vladimir V. Markovnikov第一次提出马尔可夫模型，如果一个过程的“将来”仅依赖“现在”而不依赖“过去”，则此过程具有马尔可

SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbagraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec

9

SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesTSelectionParbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbagraphFoLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointse11111111111111111111111111111111lectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraphFormatLineSpaci2222222222222222222222ngLinesToPoints2SelectionParagraphFormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPointselectionParagraphFccccccccccccccccccccccccccccccccccccccccccccccccccccccccormatLineSpacingLinesToPointsSelectionParagraphFormatLineSpacingLinesToPoctionParagraSelec

夫性，或称此过程为马尔可夫过程。时间和状态都离散的马尔可夫过程称为马尔可夫链。

在马尔可夫链描述的系统中，系统在每个时期所处的状态是随机的，从一时期到下时期的状态按一定概率转移，下时期的状态只取决于本时期状态和转移概率。

我们在对GM(1,1)模型进行优化时，依然用E类货物的数据做比较和判断，我们知道货物每天的申请量都是相互独立没有关系的。要用到状态转移概率，我们需要先做一些设定。

设I=实际值-预测值，在图一图二中可以知道，I的值很多，根据经验法，在E类货物中，我们设误差的基准值为500，然后对每一天的误差进行分析，若某天的I??500，则设这一天的状态为1，若某天的?500?I?500，则设这一天的状态为2，若某天的I?500，则设这一天的状态为3。

i设Pij为状态转移到j的概率，我们根据表中所给数据经过统计得出了E类

货物各个状态之间转移概率。

状态划分 1 2 3 误差范围 < -500 -500~500 >500

经过对状态的设定后我们即可用马尔科夫链中的知识进行求解（具体程序见附录：模型一的算法），用MATLAB软件进行运算得出E类货物的预测结果如下图所示：

表四 优化后的E类货物预测值（ …… 此处隐藏：3903字，全部文档内容请下载后查看。喜欢就下载吧 ……