铁路行包运量预测模型研究

铁路行包运量预测是以运输需求和内部供给为导向,综合考虑各种影响因素,对行包运量现状和发展的正确把握.探讨利用人工神经网络结合主成分分析的方法,建立铁路行包运量预测模型,解释并预测行包专列开行后铁路行包运量的增长趋势.实例分析的仿真结果表明,采用主成分分析法的广义回归神经网络模型结构简洁、预测精度高、收敛速度快,对相关铁路部门和企业的决策具有参考意义.     

铁路车站行包运输现状及改善对策

针对福州车站旅客发送量和客运票款收入提高,行包运量却逐年减少的现象,对铁路行包运输状况进行了调查分析,收费高、手续繁琐和失窃严重是造成铁路行包运量流失的主要原因。对此,提出了建立全国性行包运输公司和行包信息联网系统,改革现有规章,实行行包代理制,重点打击偷盗现象等措施建议。     

应用改进重力模型法预测铁路行包OD运量的研究

对铁路行包OD运量的预测提出一种基于重力模型的改进方法。针对不完整的OD调查数据,运用综合阻抗的概念,首先在样本值的范围内进行模型标定,然后扩大样本值,运用标定好的重力模型重新预测并调整,最后得到完整的OD数据。实证结果表明,采用改进的重力模型比传统的重力模型预测结果更接近实际,可用于铁路行包运输OD运量预测。     

成都车站行包运输现状分析与改善措施

成都车站2002年行包运量锐减，主要原因是运价高于其他运输方式，并且由于包租车、行包专列运价可以下浮，对车站的行包运量也有重大影响。为此，车站应努力改善服务，并争取下浮运价政策，以扩大行包货源，提高竞争力。     

铁路行包运量分布的统计分析

近年来,我国行包运输发展很快,但是行包运量分布不均衡,逐渐呈现出集中化的趋势。通过对1997年—2001年行包办理站的数量、份额及运量变化的分类统计,说明行包运量集中化已形成趋势,同时分析了行包集中化车站的分布及地域分布特征。其结果对我国行包运输的市场营销及体制改革有参考价值。     

铁路客运专线运量、运价和收入关系分析

在论述系统动力学模型的基础上,运用其原理和方法建立了运量模型、转移运量模型、诱发运量模型和运价模型。通过模拟客运专线算例,进行了运量结果分析、运价结果分析、收入分析、运量与运价关系分析,通过定性和定量分析,论述了铁路客运专线运量、运价和收入三者之间的关系,以及相互影响因素的变化情况。     

我国铁路罐式集装箱运量分担率研究

货主对于运输方式的选择是形成物流系统中运量分担率的微观基础。以国内最大液体运输市场之一的食用油为例,分析影响食用油企业运输方式选择的11项主要因素。以Logit模型为基础,提出改进的Influ-Logit模型(基于影响因素的货运方式分担模型),并针对铁路罐式集装箱,设计了其运量分担率的计算方法,最后通过实际调研数据计算得出铁路罐式集装箱运量分担率。     

组合预测模型在铁路集装箱运量预测中的应用

根据我国铁路集装箱运输发展,研究构建集装箱运量预测模型和方法.基于1999-2008年铁路集装箱运量历史数据和GDP数据,分别选用回归分析模型、灰色系统预测模型、BP神经网络预测模型,预测2009-2014年铁路集装箱运量,根据各方法的误差确定权重,进行了运量组合预测.组合预测模型能在一定程度上提高预测精度,对铁路集装箱运量预测是可行的.     

2004年铁路货物周转量位居全国各类运输之首

根据国家统计局最新统计数据显示,2004　年全社会运量持续增长,其中铁路的货物周转量位居全国公路、水运、民航等各种运输方式之首,旅客周转量仅次于公路,位居第二。2004年全社会货物周转量完成34　638.19亿t·km。其中,铁路(含行包周转量)完成19　288.77亿t·km,占全社会货物周转量的55.7%;公路完成7　621.32亿t·km,占全社会货物周转量的22%;水运(不含远洋)完成7　656.8亿t·km,占全社会货物周转量的22.1%;民航完成71.3亿t·km,占全社会货物周转量的0.2%。2004　年,铁路货运量(含行包发送量)只占全国货运量的15.56%,而铁路货物周转量(含行…     

中铁快运配送系统设计与实现

随着电子商务的发展,小件货物运量的增多,给铁路行包运输带来更多机遇和挑战。针对铁路行包信息系统业务链条不完整的问题,为提高铁路行包运输配送业务的效率和服务质量,缩短竞争差距,满足铁路行包运输配送业务的需求,在分析基于电子围栏的中铁快运配送区域划分的基础上,采用Android、JAVA EE、位置服务等技术,对中铁快运配送系统进行设计,主要包括移动终端和管理平台,司机利用移动终端完成配送任务,管理人员通过管理平台实现对配送任务的监控和高效管理。经过实际使用,该配送系统取得较好的应用效果,更好地实现了中铁快运的配送业务。     

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。     

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。     

基于季节调整模型的我国铁路客运量波动分析

在研究TRAMO/SEATS季节调整模型计算方法的基础上,基于我国铁路2002年1月—2010年2月的客运量月度数据,应用Demetra软件,通过季节调整模型参数设置、模型的估计和检验,得到2010年3月—2012年2月的铁路客运量预测值,并对预测结果进行趋势性和季节性分析。研究结果表明,Tramo/Seats季节调整模型的预测精度较高。     

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。     

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。     

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。