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。     

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。     

铁路客运量季节指数计算方法研究

为在铁路客运量预测中消除季节性变化的影响,采用平均数季节指数法、移动平均趋势剔除法、最小平方趋势剔除法对2002年—2004年的铁路客运量计算季节指数,通过误差分析,说明最小平方趋势剔除法能更好地反映运量的季节变动状况,是预测的最佳选择方案。     

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。     

基于并联灰色—线性回归组合模型的客运量预测

对铁路客运量准确的预测与分析是铁路部门进行相关决策和判断的依据,为此运用灰童色模型—线性回归组合预测方法,对武昌站2008—-2012年的客运量进行预测.预测结果和单一模型相比,组合预测模型考虑的影响因素较多,可操作性强,预测数据综合了内外因素影响,预测结果较为可靠。可作为决策判断的依据。     

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。     

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。     

向莆铁路客运量分析预测

客运量预测反映了未来年度铁路运输的任务和工作量,是合理布局路网的主要依据,是确定铁路建设项目技术标准的重要参考数据,也是其他各行业部门(如机车车辆、人才需求)编制规划的基础资料.但是,客运量预测是在大量不确定因素的基础上研究未来趋势,特别是在经济结构调整时期,新情况、新问题不断涌现,难度越来越大,要求越来越高.因此,利用科学合理的方法预测可靠的客运量是近几年专家学者研究的重点之一.笔者结合向莆铁路沿线具体情况,应用目前国内外使用较为广泛的重力模型、Logit模型等结构模型,选择从铁路分流、其他交通方式转移和经济增长诱发3个方面进行客运量预测.     

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。     

铁路客运专线的客运量预测

铁路客运专线建成后,其运量主要由趋势客运量、转移客运量和诱增客运量3部分组成。指出在转移和诱增客运量预测中应注意OD调查购准确性、服务特性的拟定和模型参数的标定。同时提出客运量分配时应注意的几个原则,以及有待进一步研究的主要问题。     

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。     

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。     

石太客运专线客流预测研究

利用改进的重力模型和灰色理论模型,从石太客运专线的本线客流、跨线客流和诱增客流3个方面,分别以客运通道周边城市的GDP和人口分布密度、石太客运通道既有线的旅客运输量、城市间的加权运行时间为影响因子,对石太客运专线的旅客运输量进行预测分析。预测结果为客运专线合理制定运输组织方案、设计车站规模提供了科学依据。     

基于广义回归神经网络的铁路货运量预测

针对BP神经网络预测存在局部极小缺陷和收敛速度慢的问题,提出基于广义回归神经网络(GRNN)的预测模型。基于我国1999—2008年铁路货运量的历史统计数据,应用GRNN模型和混沌BP神经网络模型对铁路货运量进行预测。通过两种预测模型的计算结果比较说明,GRNN模型具有良好的收敛性和较高的精度,而且模型结构简单、计算速度快,具有良好的实用性。     

基于客流性质的铁路客流预测方法

运用基于客流性质的铁路客流预测方法对银川—宁东铁路运营初期(2016年)、近期(2023年)和远期(2038年)客流情况进行预测。采用四阶段法对不同性质客流进行生成预测、分布预测和不同交通方式分担预测,通过各种性质客流的叠加,进行总体客流分析,得到研究区域全天客流变化和高峰情况,以及有关客流预测的主要指标。基于客流性质的铁路客流预测方法在客流性质区分明显的情况下,能够具有较好的精确度。     

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。