铁路货运量的时间序列预测可以看为一个从输入到输出的非线性影射。神经网络尤其是BP神经网络，被广泛用于非线性逼近问题。但是，BP算法训练神经网络速度慢、易陷入局部极值。而模拟退火算法（SA）具有很好的全局寻优性。因而提出混合优化策略，即将反向传播算法（BP）和模拟退火算法（SA）结合起来训练神经网络，来实现铁路货运量的时间序列预测。与单纯的BP算法比较，数值计算结果表明BP-SA混合优化策略具有较高的速度和精度。

正确预测铁路客运市场，对国家的经济发展格局和资源配置，以及对铁路企业内部的投资结构、经营管理等都有重要作用。铁路客运市场受多个因素的影响，而且这些作用多是非线性的。人工神经网络是热门研究领域，它具有很强的自训练学习和容错能力等优点。目前得到普遍应用的是多层前馈神经网络，它主要被用在模式识别和函数逼近上。已经证明具有任意个隐层节点的前馈神经网络可以以任意精度逼近一个连续函数。本文探讨用人工神经网络的反向传播算法研究铁路客运市场预测。说明了该方法的基本原理，并结合实例说明了方法的实施与应用。该模型在学习实验样本数据的基础上，可以对铁路客运市场进行预测。该模型具有很强的学习和容错功能，结果表明预测精度较高，方法简单易行，为铁路客运市场的预测研究提供了一条新的途径。

Based on the character of LLSM, in this paper, one dynamically modifying method for the judgement matrix in the uncertain type of AHP is proposed. We set up the concept of the sensitive element, by which main factors that have an effect on consistence of the judgement matrix can be discovered. Then, at the end of the paper, we come up with a dynamically modifying algorithm for the judgement matrix in the uncertain type of AHP.

铁路客运市场受多个因素的影响，而且这些作用多是非线性的。时间序列预测实质上是实现一个非线性映射。由于具有任意个隐层节点的前馈神经网络可以以任意精度逼近一个连续函数，因此，目前得到普遍应用的是采用BP算法的多层前馈神经网络。本文探讨用人工神经网络的反向传播（BP）算法研究铁路客运市场的时间序列预测。数值计算结果表明该方法预测精度较高，方法简单易行，为铁路客运市场预测研究提供了新的途径。

对于梯形模糊数互补判断矩阵，给出基于Hausdorff距离和模糊折衷型决策方法的排序方法。对于权重不同的专家给出的方案两两比较的判断矩阵，首先基于简单加权平均方法（SWA）和Bonissone近似计算法，将各位专家给出的判断矩阵集结为一个矩阵。再将所得到的矩阵各行元素相加，就得到了各个方案的模糊综合评价值。最后，基于Hausdorff距离和模糊折衷型决策方法，对这些模糊评价值进行排序，就得到了每个方案的排序值。由于精确数和三角模糊数都可以转化为梯形模糊数，因此本文给出的方法，同样适合于处理精确数、三角模糊数互补判断矩阵的排序问题。最后，给出一个数值计算的例子说明方法的可行性。