基于Richards-BP神经网络的交通运输碳排放量组合预测模型
为提高交通运输碳排放量的预测精度,根据交通运输碳排放量时间曲线具有的非线性饱和增长及随机性波动特点,建立基于Richards模型和BP神经网络的组合预测模型；以1985～2010年中国交通运输碳排放量数据为样本对模型进行了拟合和检验,并将Richards-BP神经网络组合模型预测结果与单项Logistic模型、GM(1,1)模型、Richards模型、BP神经网络及Logistic-BP神经网络组合模型、GM(1,1)-BP神经网络组合模型进行了误差对比分析.研究结果表明:3种组合模型的预测误差明显小于单一模型的预测误差,通过BP神经网络对单一预测模型进行误差修正可显著提高交通运输碳排放量预测精度；Richards-BP神经网络组合模型预测结果的平均绝对误差、平均绝对百分比误差及标准差值分别达到118.439×104 t、0.254％及136.915×104 t,比Logistic-BP神经网络组合模型及GM(1,1)-BP神经网络组合模型精度提高了近5倍；以Richards模型的拟合误差作为BP神经网络输入效果要优于其他模型,Richards-BP神经网络组合模型具有更高的预测精度.
交通工程、交通运输、碳排放量、组合预测、Richards模型、BP神经网络
33
U491;F224(交通工程与公路运输技术管理)
教育部人文社科基金项目10YJA790184;教育部博士点基金项目20100205110006;中央高校基本科研业务费专项资金重点项目Z1101
2013-09-24（万方平台首次上网日期，不代表论文的发表时间）
共7页
99-104,109
