运输系统某连续9年货运量的有关数据如表2-9所示。根据对关于货运量影响因素的分析，这里分别取国内生产总值GDP、工业总产值、铁路运输线路长度、复线里程比重、公路运输线路长度、等级公路比重、铁路货车数量和民用载货车辆数量等8项指标作为影响货运量的因素，以货运总量、铁路货运量和公路货运量作为货运量的输出指标。根据这些资料，利用神经网络对运输系统进行货运量预测。

这是一个典型的多元回归问题，可以使用神经网络进行预测。首先，需要将数据进行预处理，包括数据归一化、数据分割等。然后，使用MATLAB中的神经网络工具箱，选择合适的网络结构和参数进行训练。在训练过程中，可以使用交叉验证等技术来优化网络的泛化能力。最后，使用训练好的神经网络对新数据进行预测。

下面是使用MATLAB进行神经网络预测的示例代码：

% 加载数据
data = load('data.mat');
inputs = data.inputs;
targets = data.targets;

% 数据归一化
[inputs,settings] = mapminmax(inputs');
inputs = inputs';

% 数据分割
trainRatio = 0.8;
valRatio = 0.1;
testRatio = 0.1;
[trainInd,valInd,testInd] = divideblock(size(inputs,1),trainRatio,valRatio,testRatio);

% 创建神经网络
hiddenLayerSize = 20;
net = feedforwardnet(hiddenLayerSize);
net.trainParam.epochs = 1000;
net.trainParam.max_fail = 10;
net.trainParam.lr = 0.01;
net.trainParam.goal = 0.001;

% 训练神经网络
net.divideFcn = 'divideblock';
net.divideParam.trainInd = trainInd;
net.divideParam.valInd = valInd;
net.divideParam.testInd = testInd;
[net,tr] = train(net,inputs',targets');

% 使用神经网络进行预测
outputs = net(inputs');

% 反归一化
outputs = mapminmax('reverse',outputs',settings)';
targets = mapminmax('reverse',targets',settings)';

% 计算误差
errors = gsubtract(targets,outputs);
RMSE = sqrt(mean(errors.^2))

其中，data.mat文件包含输入数据inputs和目标数据targets。对输入数据进行了归一化处理，使用divideblock函数将数据分成训练集、验证集和测试集。创建了一个具有20个隐藏层神经元的前馈神经网络，并设置训练参数和训练函数。使用train函数训练神经网络，并使用trained神经网络对数据进行预测。最后，计算预测误差并输出RMSE值。