本文是一篇物流工程论文，本文旨在研究现有的运输量预测模型及相关的群智能优化算法，以寻求做出一些改进和创新。
第1章绪论
1.1选题背景与意义
1.1.1选题背景
运输量是评估交通运输发展成果的主要度量标准，它直接展现了交通运输对经济增长的影响、构成以及水平。在中国经济发展关键的转型期，传统的公路运输统计数据已经不足以及时、准确地反映公路交通运输的业绩。因此，利用统计计算、数据挖掘等方法对历史数据进行科学合理的分析，以预测未来一段时间的运输量数据势在必行。只有切实可行的运输量统计方法可以保证运输行业的监管正常、政策法规的及时制定和运输市场的适时引导。
运输量统计是评估交通运输发展贡献、结构和质量的重要依据。经济发展需要合理规划交通运输网络，优化资源配置，提高运输效率，而运输量统计数据则为制定相关政策提供了可靠依据。政府部门可以根据运输量统计结果，调整交通基础设施建设规划，优化交通运输组织管理，推动交通运输产业升级，促进经济发展。
交通运输部办公厅《关于进一步完善运输量统计方法的通知》（交办规划函（2020）1885号）中规定规下公路运输量的统计推算为基月规下业户货运量与高速公路车货总重变化率及其占运输量权重之积。
规定中高速公路数据的权重与普通国省道数据的权重是计算规下道路货物运输量的重要影响因素，每年度都需要根据前一年的最新数据使用线性回归法进行动态调整和更新。
1.2国内外研究现状
国内学者在研究货物运输量统计方面有较多成果。多数是以公路收费站统计的数据为基础，以车辆轴型为划分建立数学模型，通过混合算法优化，获得计算速度更快、结果更加精准的统计方法。相比之下，国外的研究重点在于采用抽样调查的方法对本土的运输量进行统计。例如，美国运输部为了得到本土的货物运输量统计数据，设立了专门的部门定期对需要调查的产业的货运量以抽样调查的方式进行数据收集，依据收集的数据以点概面预测全国的运输情况；日本主要通过实地情况数据收集和问卷调查两种方式统计货运量数据，通过汽运企业的一些营运车辆的载货信息估算全国的运输情况；在加拿大，法律法规规定了运输企业有义务定期上报与货运量相关的统计信息，以此完成相关数据的统计。
1.2.1公路货物运输量统计及预测国内外研究现状
刘拥华等基于高速公路计重收费系统的统计信息，结合对货运车辆空车质量的抽样调查数据，建立了货运量和货运周转量的统计模型，提出了一种高速公路货运量的统计方式[1]。毛程远等人在探讨货运量计算的影响因素后提出了三种不同的货运量计算方法，这些方法分别基于货运量与运力供给、车辆注册地与货物运输地以及货源与行业生产销售三种因素。他们的研究为区域公路货运量计算方法的选择提供了参考[2]。王心磊利用高速公路的计重收费数据创建了货车各种轴型的总重运载量图表。基于该图表，他对货车的空载和满载重量进行了细分，并据此计算了货车的空载重量建立了主要轴型货车的货运量和货物周转量的计算模型[3]。张彭等利用自动化交调、轴载检测、高速公路计费等数据，提出了一种自动化公路货运量统计方法，采用了浮动与固定检测数据融合的原理。该方法拥有更为普适和灵活的特性，为中国公路运输统计的现代化进程提供了技术支持[4]。JHu为了提高货运量预测方法的准确性，提出了一种基于时间序列的预测过程，采用专家建模方法简化预测过程，提高建模速度，然后根据地区实际的统计数据，分析了铁路、公路、水路的社会货运总量[5]。
第2章规下道路货物运输量简介与相关算法基础
2.1规下道路货物运输量
2.1.1规下道路货物运输量概念
本文所涉及的规下道路货物运输量指的是在一定规模以下的道路货物运输量，又称规下业户货运量。此处的规模指主营道路货物运输、年营业收入在1000万以上且拥有货运车辆数在50辆及以上的道路货运法人企业的货物运输量。也是省市部门进行统计货运量的界定规模，在此规模之上进行企业统计调查，在此规模之下进行观测站统计调查。不符合此处规模定义以外的运输量皆为规下道路货物运输量。
其计算公式中的权重最开始是简单的高速公路与普通国省道分担的货物运输量的比值。2021年交通部发布相关通知后，采用多元线性回归法以高速公路货物运输量和普通国省道货车交通量二者作为自变量，规下道路货物运输量作为因变量进行回归分析，进行加权计算即可获得不同自变量的权重。需每年使用此方法对计算公式中权重进行更新。
本文探讨道路大中修情况下，高速公路和普通国省道承担的货物运输量因原有道路封闭而发生波动变化时，规下道路货物运输量计算公式中的权重的调整方法。
2.2 BP神经网络
BP神经网络，全称误差反传神经网络（Back propagation neural network），研究比较成熟，应用广泛，适用于处理内部机制复杂的系统。BP神经网络在模拟数据计算训练时，能够通过误差反传这种寻优特性将输入数据和输出数据之间的“规则”存储在网络的内部连接权值中，表现出高度的自学习和自适应能力。即使在学习过程中，BP神经网络算法的某些局部神经元受到破坏，也不会对结果造成明显影响，显示出其强大的容错性和稳定性。
BP神经网络的结构分为三种，分别是输入层、隐藏层与输出层。其结构示意图如图2.1所示。
第3章规下道路货物运输量统计权重调整研究.......................19
3.1规下道路货物运输量计算公式及权重........................19
3.2规下道路货物运输量的初始权重确定方法.....................20
第4章混沌自适应人工鱼群-BP循环神经网络模型.....................31
4.1自适应人工鱼群算法................31
4.1.1视野𝑉𝑖𝑠...............................31
4.1.2步长Step...........................33
第5章CAAFSA-BPRNN模型实现与权重调整........................45
5.1模型实现.....................................45
5.2实例数据.................................46
第5章CAAFSA-BPRNN模型实现与权重调整
5.2实例数据
本小节以实际工程数据为例进行数据收集计算，以规下道路货物运输量的权重更新为例，使用改进蚁群算法模拟大中修路段缺失数据，并对权重结果的计算方式进行阐述说明。
5.2.1道路封闭情况及其影响范围
本文所使用的实例数据来源于交通情况调查系统3.0中发布的统计数据，原始数据源由公路上的连续式观测站监控系统持续不断收集得来。
该数据集数据采集的目标为全省所有被监控覆盖路段，数据以天为单位进行统计，以月为单位进行整理并公布在网站系统查询页面上。共统计中小客车、大客车、小货车、中货车、大货车、特大货车、集装箱、摩托车、拖拉机共9种车型，并以天为单位计算出客车当量、货车当量、汽车当量以及机动车当量。本研究中预测对象为运输量，因此在研究中只收集统计货车相关数据。交通情况调查系统3.0页面示意图如图5.2所示。
第6章结论与展望
6.1研究完成内容
本文旨在研究现有的运输量预测模型及相关的群智能优化算法，以寻求做出一些改进和创新。主要目标在于提高这些成熟预测模型和优化算法的预测精度，特别是在面对道路大中修情况下规下道路货物运输量统计方法的权重调整问题。通过对现有模型和算法的深入学习和研究，希望能够在其基础上进行改良，使得预测结果更加准确可靠。这将有助于提高对道路大中修项目中规下道路货物运输量的准确预测能力，从而更有效地规划和管理物流运输，为推动交通运输领域的发展提供有效帮助。
本文研究过程中主要完成的工作包括：
（1）为验证所提出模型的有效性和可靠性，借助交通情况调查系统3.0网站平台对实际运输量数据进行了收集与整理，通过改进蚁群算法对未被监控覆盖路段进行了缺失数据模拟，并对年度运输量的变化规律性进行了简要分析。（2）提出了混沌自适应人工鱼群算法。提出的改进算法在传统人工鱼群算法的基础上对其参数视野Visual和步长Step做出自适应性改进，视野Visual采用基于人工鱼间的平均距离的自适应性计算，步长Step通过基于迭代次数的视步系数与Visual相关联。引入改进Tent映射作用于生成初始鱼群位置环节，并使用混沌搜索行为代替传统鱼群算法中的随机行为。
（3）通过充分考虑BP神经网络误差反向传播的寻优特性以及循环神经网络对时间序列性数据的优秀处理能力，提出了适用于预测具有年度规律的运输量数据的BP循环神经网络，并根据研究目标和数据数量特点，进行了网络构建。以分批次输入数据使得BP循环神经网络在训练预测时能够充分利用数据规律性得出准确性更高的解。
参考文献（略）
