结果证明广义回归神经网络用于交通运输量预测的有效性。
The result demonstrates the effectiveness of using GRNN to forecast transport volume.
传统的物流运输量预测技术大多采用线性回归和时间序列技术。
The traditional logistics transportation amounts prediction ways mainly indicate liner regression and time sequence model.
程序界面简单，操作方便快捷，为交通运输量预测提供了一个有效的工具，并且能满足实际工程的需要。
With simple desks and easy operation, this software provides traffic volume forecast with a useful tool and meets the needs in reality.
运输量预测 (traffic forecast)是根据国民经济和社会发展对运输的需求，就未来的旅客和货物运输量作定性和定量的计算和分析。它是研究分析未来运输业需要担负的任务，寻求发展运输能力的目标和途径，研究各种运输方式之间运输量的合理分配和综合运输网建设，以形成合理的运输业结构的依据。做好运输量预测对于保证运输业适应国民经济的发展和人民物质文化生活水平的提高有重要意义。 预测的运输量包括铁路、公路、水路、航空等运输方式的旅客运量、旅客周转量、货物运量和货物周转量，以及管道运输的货物运量和货物周转量。运输量预测按期限通常分近期预测、中期预测和长期预测。一般 5年以内为近期，5～10年为中期，10年以上为长期。
应用推荐