共查询到18条相似文献,搜索用时 218 毫秒
1.
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. 相似文献
2.
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。 相似文献
3.
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。 相似文献
4.
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。 相似文献
5.
6.
7.
8.
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. 相似文献
9.
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… 相似文献
10.
11.
12.
13.
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。 相似文献
14.
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。 相似文献
15.
16.
17.
基于广义回归神经网络的铁路货运量预测 总被引:1,自引:0,他引:1
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。 相似文献
18.
铁路客运量季节指数计算方法研究 总被引:3,自引:0,他引:3
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。 相似文献