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IOWA组合模型的高速铁路客运量预测研究

准确预测高速铁路客运量,对铁路资源配置及经营管理具有重要作用。在考虑高速铁路客运量存在多重相关性影响因素和灰色特性的基础上,运用偏最小二乘回归模型和灰色GM(1,1)预测模型对我国高速铁路客运量进行预测,通过采用IOWA算子,依据单项预测方法在样本区间上各个时点的预测精度从高到低按顺序赋权,以误差平方和为准则构建IOWA组合预测模型,并运用该模型对"十三五"期间我国的高速铁路客运量进行预测。预测结果表明,IOWA组合预测模型能提高预测精度。     

用灰色模型预测铁路旅客运输量发趋势

预测旅客运量对正确制定铁路旅客运输发展规划和决策极为重要由于客运量的受多种因素影响，用线性预测方法误差较大，用灰色模型预测方法较为准确，尤其适用于近期运量的预测。灰色预测的基本模型为ＧＭ（１，１）相应的微分方程为ｄｘ（１）（ｔ）／ｄｔ＋ａｘ＾（１）（ｔ）＝ｕ并通过实测对１９９６年－２０００年的铁路客运量进行预测。     

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。     

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。     

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。     

客运量的合成预测与概率模型

为适应交通运输业的发展,将运输需求的合成预测方法引入铁路客运量预测中,结合铁路客运量具有双峰形态分布随机变量的特点,对预测概率模型进行改进,得出“十五”末期铁路客运量的预测值,以及铁路月度客运量频率散点图和拟合概率曲线,为铁路运输的宏观指导、组织协调和生产、建设提供依据。     

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。     

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EEMD-BP方法的城市轨道交通进站客流短期预测

城市轨道交通站点客流量是评价其服务水平和实现城市轨道交通资源有效配置的基础数据和依据。针对城市轨道交通站点进站客流量序列波动复杂的问题,构建基于EEMD-BP方法的城市轨道交通进站客流短期预测模型,通过对城市轨道交通站点的日间分时进站客流序列进行模态分解,并对分解的分量进行筛选和识别,探究进站客流的日间波动影响因素,实现对短期客流的合理预测。以广州珠江新城站短期客流预测为例,验证该组合模型在提高客流预测方面具有有效性,为城市轨道交通线网规划和运营管理提供客流预测依据。     

残差灰色预测模型在物流需求预测中的应用

为了提高预测精度,在灰色预测模型的基础上建立残差灰色预测模型,对物流需求进行预测,并以实际铁路货运量算例为基础,作分析比较。结果表明,该方法具有预测精度高、理论可靠、计算简单等优点,具有良好的实用性。     

对广州-珠海城际快速轨道交通客流预测的分析评价

客流预测是轨道交通建设项目决策的重要依据。因此,城际快速轨道交通线的客流预测必须坚持定量分析和定性分析相结合的观点,并据此对广州—珠海城际快速轨道交通线客流预测工作的可靠性和预测结果的合理性进行了分析评价。     

模糊神经网络非线性组合预测在铁路货运量预测中的应用

准确的铁路货运量预测关系到铁路运输的发展,为此提出模糊神经网络非线性组合预测模型,应用三次指数预测模型、灰色理论预测模型、多元回归预测模型的预测值作为模糊神经网络的测试样本数据库,输出样本为铁路货运量,并采用全局优化的粒子群算法优化模糊神经网络的参数。仿真结果表明该模型能够取得比单项预测模型更高的精度。