在国内外露天矿山开采中，汽车运输应用已经十分普遍。运输是露天矿生产四大主要环节之一，我国建成或正在建的大型露天矿中，主要采用间断工艺和半连续工艺以及综合工艺系统，汽车在上述工艺中扮演了主要的角色。露天矿生产效率和经济效益主要取决于生产设备的工作效率和工艺设备配备能力，运输设备投资大约为露天矿设备投资一半以上，运输成本为总成本的35%-50%，能耗为断开总能耗的40%-70%左右。卡车生产能力可以有效的反映卡车的运行状况和生产效率，为了合理有效的安排露天矿采掘计划，使矿山处于最优的生产状态，所以有必要对同种类型汽车运输能力进行预测，这样可以动态地掌握卡车运行状态，通过电铲采剥量来合理安排卡车的台数，使卡车利用更加合理有效。矿用汽车实际生产能力收到很多因素影响[2-3]，主要有运输物料的物理性质、矿山气候条件、司机驾驶水平、运输道路特征和维护、卡车保养和维护，其本身就是一个随机变量。这些因素之间的关系错综复杂很难用确切函数关系来表描述，用传统数理统计、线性回归分析等方法很难达到预期的效果。
BP神经网络可以充分逼近任意复杂的非线性关系和自学习功能以及很强的鲁棒性和容错性的特性和时间系列模型在动态特性为矿用汽车预测模型建立提供了理论依据, Funahashi指出：在三层神经网络中，只要对隐含层采用非线性递增映射函数，输出层采用线性映射函数就可以用三层网络对任意连续函数进行逼近。文中利用已知的时间序列为神经网络的输出，也作为网络的期望输出.采用MATLAB软件编写了BP神经网络，对矿用汽车运输能力预测进行了探索。
2.1 BP 神经网络原理
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP网络模型处理信息的基本原理是：输入信号通过中间节点（隐含层点）作用于输出节点，经过非线形变换，产生输出信号，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐含层节点的连接权值和隐含层节点与输出节点之间的连接权值以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转
2.2 BP神经网络神经元数目的选取
根据问题求解的要求来确定神经网络的输入单元和输出单元数目，输入单元一般是问题决策要素数目，输出单元数是问题的求解要素数目。隐含层神经元的数目目前还没有确定的标准，如果隐含层神经元过少，网络不具有必要的学习能力和信息处理能力；相反，如果隐含层神经元过多，会增加网络结构的复杂性，会使网络的学习速度变慢。好多学者提出一些经验的方法，如隐含层神经元的数目大于输入神经元和输出神经元数之和的一半，小于输入神经元和输出神经元数目之和； Kolmogrov定理指出给定任一个连续函数，可以用一个三层向前神经网络来实现，输入层有n个神经元，中间层有2n+1个神经元，输出层有m个神经元 。首先根据经验公式确定一个参考值，然后依据多次试验结果进行调整，选择合适的隐含层神经元数目。
2.3 时间序列神经网络
时间序列分析是非线性动态系统建模与预测的一类重要的方法，使用较多的是线性方法，对于复杂的庞大的系统，人们开始应用非线性方法去模拟复杂系统的，神经网络就是其中的一种方法，就是从具有先后顺序的信息中提取和挖掘有用的信息，寻找出前后数据之间的关系，通过历史数据和建立的模型来预测时间序列的未来值，从而把握事物未来的发展方向 时间序列神经网络是输入单元是时间序列前t个点的实际值，输出单元是时间序列的t+1的值，用前t个点作为输入去预测第t+1点的结果，用神经网络去寻找前t个点和第t+1点之间的关系，对于一个有N个点的时间序列，则可以构成N-t个训练样本，通过样本来训练BP神经网络，当神经网络训练满足误差指标时，可以用来预测未来的数值。训练样本的构造方法为如表1所示
表1 时间序列神经网络训练样本
样本号 | 输入向量 | 目标向量 |
1 | ||
2 | ||
m-t | ||
N-t |
