物流系統(tǒng)需求預測概述-資料下載頁
2025-03-01 09:41本頁面
【正文】 040（二） 多元線性回歸預測分析例 66解答：y=b0+ b1x1+ b2x2利用 Excel：b0=,b1=,b2=得回歸方程： y=+ +x2該港口 2023年的總吞吐量預測值為：y = + ?451+?1400=?809（萬噸） 41（三）回歸模型的檢驗及預測值的顯著性檢驗? 檢驗內(nèi)容： 理論意義檢驗 一級檢驗（統(tǒng)計學檢驗） 二級檢驗（經(jīng)濟計量學檢驗） 42（三）回歸模型的檢驗及預測值的顯著性檢驗回歸模型擬合程度的評價 0|r|?： y與 x之間微弱線性相關(guān)；|r|?： y與 x之間低度線性相關(guān)；|r|?： y與 x之間顯著線性相關(guān)；|r|1： y與 x之間高度線性相關(guān)；|r|=1： y與 x之間完全線性相關(guān)；|r|=0： y與 x之間不存在線性相關(guān)關(guān)系。 43預測值的顯著性檢驗? 通過對預測值的置信區(qū)間估計來說明預測值的波動范圍，檢驗預測值的顯著性。 (y0yf0)?Sy0的置信度為（ 1?）的預測區(qū)間： 44預測值的顯著性檢驗? 例 68 根據(jù)例 65中的統(tǒng)計數(shù)據(jù)，預測 1992年的置信度為 95%的薄鋼板需求量。 解：顯著性水平 ?=195%=， n=7，查 t分布表得： =；由式 （ 631） ~（ 634）可計算：Lxx=、 Lxy=、 Lyy=；剩余標準差 S=；假設(shè) 1992的汽車年產(chǎn)量 x0=34萬輛，yf0=(千噸 )， y0的置信度為 95%的預測區(qū)間為：45第四節(jié) 基于神經(jīng)網(wǎng)絡(luò)的物流系統(tǒng)預測法一、神經(jīng)網(wǎng)絡(luò)預測的數(shù)學模型? 神經(jīng)網(wǎng)絡(luò)的理論： 一個三層前饋神經(jīng)網(wǎng)絡(luò)能以任意精度逼近一個任意復雜的非線性函數(shù)。? 神經(jīng)網(wǎng)絡(luò)預測的原理： 利用 NN強大的非線性映射能力，通過對歷史數(shù)據(jù)樣本的學習自動產(chǎn)生自變量與因變量之間的非線性映射關(guān)系，并將這種關(guān)系隱含在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)中；對任一新的自變量值，可很快利用該網(wǎng)絡(luò)輸出因變量值。46圖 66 三層 BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)47圖 66 三層 BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)48二、神經(jīng)網(wǎng)絡(luò)預測的學習過程（一）正向計算 第一步，確定初始參數(shù)：各層神經(jīng)元節(jié)點數(shù)目、學習精度、迭代次數(shù)；初始權(quán)重及閾值。第二步，對任一樣本輸入向量 X，按式（ 637）計算隱層輸出值 Oj（ j=1， 2， … ， l），此即為輸出層的輸入。 第三步，按式（ 638）計算輸出層的輸出值 yk（ k=1， 2， … ， n）。 49二、神經(jīng)網(wǎng)絡(luò)預測的學習過程（二） 誤 差反向 傳 播 計 算 第四步，計算輸出值誤差（ gkyk）和 bk。第五步，初定學習速率 ?、 ?=~。第六步，調(diào)整輸出層與隱層間的權(quán)重 Wjk(2,3)和閾值 ?k。第七步，計算 ej，再調(diào)整隱層與輸出層間的權(quán)重 Wij(1,2)和閾值?j。 50
教學課件相關(guān)推薦
鄂ICP備17016276號-1