用 BP 神经网络预测公路运量：从原理到实战全流程

在交通规划与运输企业运营中，精准预测公路客运量和货运量是制定决策的关键。本文以安庆师范大学智能控制基础实验为背景，手把手教你用 BP 神经网络实现公路运量预测，涵盖数据预处理、模型搭建、训练测试到最终预测的全流程，代码可直接复用，新手也能轻松上手。

一、实验背景与目标

1. 问题场景

某地区 1990-2009 年的公路运量数据包含三大影响因素（人数、机动车数量、公路面积）和两大预测目标（客运量、货运量），需基于这些数据构建模型，预测未来年份的运量。

2. 核心目标

• 预测运量：为交通规划、运力调配提供数据支撑；
• 验证模型：测试 BP 神经网络在交通预测场景的适用性；
• 分析因素：明确人数、机动车数量等对运量的影响关系。

二、BP 神经网络预测原理

BP 神经网络（反向传播神经网络）是一种多层前馈网络，核心是通过 “前向传播计算输出、反向传播调整权重” 的迭代过程，最小化预测误差，其在本实验中的应用逻辑如下：

1. 数据预处理：对输入（人数、机动车数、公路面积）和输出（客运量、货运量）数据做归一化，消除量纲差异；
2. 网络结构：输入层（3 个神经元，对应 3 个影响因素）→隐含层（8 个神经元，通过 logsig 激活函数）→输出层（2 个神经元，对应客运量、货运量）；
3. 训练过程：设置学习率（0.035）、最大迭代次数（50000）、目标误差（0.00065），通过反向传播不断调整权值和阈值，直到误差收敛；
4. 预测应用：用训练好的模型对新数据（2010-2011 年影响因素）做预测，再通过反归一化得到实际运量值。

三、实验数据准备

实验使用 1990-2009 年共 20 组数据，部分关键数据如下（完整数据已嵌入代码）：

影响因素	数据示例（单位）	预测目标	数据示例（单位）
人数	71.17-78.78（万人）	公路客运量	600-980（万人）
机动车数量	3.4277-6.1796（万辆）	公路货运量	50-88（万吨）
公路面积	0.9376-1.1068（万平方公里）	-	-

预测数据：2010-2011 年的影响因素（人数、机动车数、公路面积）分别为[73.39,75.55]、[3.9635,4.0975]、[0.9880,1.0268