基于灰色马尔柯夫过程的铁路客运量预测方法研究

将铁路客运量预测分为运量趋势预测和运量波动预测,分别采用灰色GM(1,1)模型和马尔柯夫过程进行预测,并将两者结合形成灰色马尔柯夫铁路客运量预测方法。根据1990年—2002年的铁路客运量数据,预测2003年的客运量以检验模型预测效果,并对我国“十一五”期间铁路客运量进行预测,分析证明基于灰色马尔柯夫过程预测方法的预测可信度。     

基于Newton插值与超松弛技术的铁路客运量预测研究

为提高铁路客运量预测精度，提出Newton插值法对客运量原始数据进行预处理以解决因节假日或重大事件造成的数据异常问题。另外，引入超松弛技术(OR)对铁路客运量预测结果进行修正，提出非线性递减权重改进粒子群算法以优化松弛因子。最后，将Newton插值法、超松弛技术与GM(1,1)和BP神经网络预测相结合，提出铁路客运量Newton-GM-BP-OR组合预测方法，并以北京市铁路客运量预测为例验证预测方法的有效性。研究结果表明，基于Newton插值法处理异常客运量数据的预测效果较基于原始数据序列更好，改进的粒子群算法在求解松弛因子过程中体现出更好的寻优能力和收敛速度，且超松弛技术对GM(1,1)和BP神经网络预测结果的修正也使得Newton-GM-BP-OR组合预测方法具有更高的预测精度。     

基于自组织数据挖掘的铁路客运量预测方法研究

由于传统的预测方法难以对影响铁路客运量变化的因素进行全面考虑,其预测精度不高.选择影响铁路客运量变化的因素:经济社会发展的原生性需求、铁路自身供给能力、不同交通方式、客运价格和旅行费用、运输服务质量等,建立基于自组织数据挖掘的铁路客运量预测模型.通过算例进行验算结果表明,自组织数据挖掘建模预测方法在变量多、数据少、普通的建模预测方法难以胜任建模任务的情况下,可以得到较满意的结果,适宜进行多因素的铁路客运量预测.     

基于灰色马尔可夫链模型的铁路客运量预测研究

阐述灰色马尔可夫链预测模型原理,根据灰色预测思想和马尔可夫链预测思想,将灰色GM(1,1)预测模型结合马尔可夫链状态转移,能较好地反映铁路客运量的发展规律。通过对我国铁路客运量预测的实证分析,说明灰色马尔可夫链预测模型对于具有一定波动性和随机性的铁路客运量有较高的预测精度。     

基于IPSO-BP神经网络的铁路客运量预测

在分析有关铁路客运量预测方法的基础上,针对BP神经网络模型存在的不足,提出基于粒子群优化算法(PSO)优化BP神经网络的参数,即改进的PSO方法(IPSO)。以我国1990—2007年的铁路客运量为研究对象,确定输入样本和输出样本,以及训练集和测试集,建立基于IPSO的BP神经网络优化模型预测铁路客运量。预测结果表明,IPSO-BP网络的算法训练时间短,收敛速度快,预测精度高。     

基于傅里叶级数的铁路客运量预测研究

基于傅里叶级数预测模型,以我国2004—2009年铁路客运量为数据基础,通过将时间序列划分为趋势性与季节性部分,分别采用最小二乘法与傅里叶级数法对两者进行拟合,应用Matlab软件编程,求出预测模型,并进行客运量预测。通过对预测结果的误差分析,结果表明:采用傅里叶级数预测法预测我国铁路客运量的效果较好。     

TOD模式下客运专线诱增客运量预测研究

在客运专线客运量预测过程中,诱增客运量是不可缺少的一部分。由于传统预测方法重点关注因交通条件改善的诱增客运量,未考虑因交通引导城市发展促使人口、产业等向铁路周边集聚所产生的诱增客运量,存在一定的局限性。结合福厦客运专线?TOD?建设模式,针对铁路诱增客运量传统预测方法存在的不足,提出交通改善和?TOD?引导?2?类诱增客运量预测思路,并依据有无对比原则,采用重力模型计算思路,构建适合于?TOD?建设模式的诱增客运量预测思路与方法。     

运用前向神经网络法预测铁路客运量

为提高铁路客运量的预测精度,应用一种非线性预测方法:多层前向神经网络建立铁路客运量预测模型。在介绍误差修正学习算法和误差反向算法的基础上,通过预测实例计算,与其他3个常用预测模型:多元回归模型、简单移动模型和平均移动模型进行预测比较,结果表明误差反向算法的多层前向神经网络模型预测精度最高。     

基于灰色预测模型的铁路客运量预测研究

在介绍灰色预测基本原理和算法的基础上,应用灰色预测理论开发了基于MATLAB的铁路客运量预测程序,主要功能是以交互的方式输入数据,动态输出显示模型曲线图形和方程。通过建立株洲站旅客发送量的灰色预测模型,说明利用灰色模型预测铁路客运量具有良好的精度,可以为客流组织提供依据。     

突发事件对我国铁路客运量的干预特征研究

基于新冠肺炎疫情等突发事件对人们日常生活出行的影响,结合X-13ARIMASEATS季节调整模型的自动识别最优ARIMA模型和检测突发事件离群值功能,使用脉冲函数和阶梯函数设计基于离群值的突发事件的干预变量,构建铁路客运量的时间序列ARIMAX干预模型,对铁路客运量近年受到的SARS疫情、铁路客票实名制政策和新冠肺炎疫情等突发事件的冲击趋势进行干预比较分析。结果显示,SARS和新冠肺炎疫情对铁路客运量冲击较大,SARS疫情在冲击滞后的第5~6期铁路客运量基本得到恢复,新冠肺炎疫情对铁路客运量冲击一直在持续中,铁路客运实名制政策实施社会性较强,冲击具有波动性和不稳定性特征,持续时间较短;相对季节调整模型的趋势分析优势,干预模型拟合预测精度显著高于季节调整模型,预测显示我国铁路客运量在缓慢持续回暖中。     

京沪400km/h高速铁路列车竞争力影响探析

新时代人民对于美好生活的需要已经从单一趋向多元,铁路客运需求将呈现多样化、差异化和个性化,对铁路客运产品在速度、价格和服务质量等方面都提出更高的要求。以铁路大提速运输市场份额提升和高速铁路列车客运量增长为切入点,分析列车速度与市场份额、旅客运量之间的关系,剖析高速铁路列车市场竞争力影响,构建Logit离散数学模型。以京沪高速铁路为例,探讨400km/h高速铁路列车运量预测,研究提出400km/h高速铁路列车可以扩大客流吸引范围,增加铁路客运量,提升高速铁路旅客市场竞争力。     

基于分形理论的铁路客货运量预测

在阐述分形基本理论和分析铁路运输时间序列分形特性的基础上,基于变维分形理论对铁路客货运量进行预测。根据铁路运量分形预测原理及步骤,以全国铁路运量预测为例进行分析,计算得到铁路2012年、2015年、2020年的客货运量,以及2010—2020年的客货运量增长率,并对预测结果进行了具体分析。     

胶济客运专线运输能力问题分析及对策

随着近年来客车开行数量增长和旅客列车开行结构变化，胶济客运专线运输能力趋于饱和。分析胶济客运专线运输能力存在的问题，提出提高胶济客运专线运输能力的对策：改造固定设备和优化列车开行方案，以满足山东半岛日益增长的内部和对外铁路运输需求。     

基于径向基神经网络的铁路短期客流预测

在分析径向基神经网络原理和铁路客流时序特征的基础上,建立基于径向基神经网络的铁路短期客流预测模型,通过径向基神经网络把客运量的年规律、周规律等时间属性有机结合,有效解决客流数据的复杂性和非线性问题。以T15次列车为例进行硬座席别的客运量预测结果表明,径向基神经网络预测模型对铁路短期客流的预测效果较好。     

新建铁路项目分流运量计算方法研究

根据铁路运输的特点,把新建铁路项目所承担的客货运输量的交流范围划为项目的影响范围,结合影响范围内的客货OD流和相关径路表,分析借鉴公路交通量配流模型,提出新建铁路项目分流运量计算方法,并举例说明其应用。     

西安铁路枢纽客运系统扩能方案研究

西安铁路枢纽将有8个方向、7条铁路线引入,既有西安站已不能满足客流增长的需要。分析西安枢纽内影响客运能力的各项因素,结合西安枢纽的改扩建及西安城市规划,提出新建第二客运站——西安北站和辅助客运站——纺织城站,并对原西安站进行扩建的方案,形成西安枢纽客运系统二主一辅的格局。     

基于时段偏好的高速铁路列车停站方案双层规划方法

旅客出行需求不断提高,需要同时考虑旅客出行时段选择与运输企业效益,来优化调整高速铁路列车停站方案。针对一条拥挤的高速铁路客运走廊,分时段确定列车停站计划和开行频率,阐述影响旅客出行时段偏好的2个重要因素——吸引度与可达度,据此构建旅客出行阻抗函数,构建双层规划模型,上层规划是以运营成本最小为目标的整数规划模型,用于确定列车停站方案;下层规划是一个用户平衡模型,用于计算客流在停站方案上的分配结果。根据模型特点设计启发式算法,并通过算例对模型和算法进行验证和分析。研究表明,考虑旅客出行时段偏好优化高速铁路列车停站方案的方法,能更好地匹配旅客需求分布,为旅客提供优质服务。