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。     

基于灰色-马尔科夫预测模型的售票窗口客流量预测研究

由于每天购票客流量不同,导致铁路售票窗口开放数也不同,提前预测每天的购票客流量成为研究的关键。为系统全面地对售票窗口优化问题进行研究,采用灰色-马尔科夫预测模型对兰州站非高峰期的客流量进行预测,确定将来某一天的客流量,并对比分析灰色-马尔科夫预测模型的预测结果与灰色预测模型的结果,发现基于灰色-马尔科夫预测模型得到的客流量比较接近实际值,表明在求解售票窗口客流量预测问题上,灰色-马尔科夫预测模型具有一定的可行性与有效性,可以提高铁路客运站整体工作效率,促使铁路客运服务质量得到大幅度提升。     

非线性灰色模型在港口集装箱吞吐量预测中的研究与应用

根据灰色理论原理,将非线性灰色模型GM（1,1,α）应用于具有明显非线性数据特征的港口集装箱吞吐量的预测。通过实例分析,证明非线性灰色预测模型相比较普通灰色预测GM（1,1）模型具有较高的预测精度,有一定的实用价值。     

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。     

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。     

“丝绸之路经济带”背景下兵团物流需求方法研究

为更好地服务于丝绸之路经济带建设,促进新疆生产建设兵团区域经济发展,通过分析影响兵团物流需求量的因素,确定兵团物流需求主要影响因素。结合兵团的实际情况与预测方法的适用条件,分别选择灰色预测模型、BP神经网络模型和灰色-BP神经网络组合预测模型对兵团物流需求量进行预测。最后通过实证分析得出组合模型的精度最高,并应用灰色-BP神经网络组合预测模型对兵团的物流需求进行预测,为兵团区域物流总体规划提供参考依据。     

铁路外贸货运量组合预测方法的研究

通过对铁路外贸货运量预测方法进行研究,提出利用灰色理论进行预测模型优选,进而建立组合预测模型开展预测的系统方法。实例计算结果表明该模型预测效果较好。     

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.     

基于灰色动态神经网络的油料装备制造成本预测

在分析油料装备制造成本影响因素的基础上，建立了基于灰色动态神经网络预测油料装备制造成本预测模型。提出灰色动态神经网络结构，论述了数据预处理与灰色预测方法，采用隐含层维数动态调整算法优化网络结构。通过应用实例阐明该模型的研究，可有效地提高油料装备制造成本预测的精度.     

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。     

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。     

建立铁路货运量季节性预测模型的研究

铁路货运量预测是编制运输方案的依据,目前采用的预测方法,难以全面、科学地反映数据的内在结构和复杂性,以年度为单位预测时,误差不大,但按月度预测时,则误差较大。为此利用三角函数周期性的特点,辅以线性趋势变动,建立适合不同预测期限、不同预测精度的季节性预测模型,经实例检测能够较为准确地预测月计划运输量。     

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PLS的铁路行包运量预测模型研究

在阐述基于偏最小二乘回归法(PLS)的建模原理与求解方法的基础上,通过对铁路行包运量影响因素的分析,利用2004年有关生产统计数据及影响因素的统计数据,建立了铁路行包运量预测PLS回归模型。实证结果表明:所建立的预测模型精度基本符合实际要求。该模型已应用于铁路行包运输“十一五”发展规划编制工作中。     

运用转移函数模型预测铁路建设项目运营有关成本

运营成本是影响铁路建设项目后评价结论的重要基础数据。通过建立转移函数模型对铁路建设项目后评价时点后的运营有关成本进行预测，并对某铁路建设项目进行实证分析，说明采用转移函数模型的预测效果明显在回归模型的基础上有所改进，能较好地反映出有关成本的变化趋势，从而达到较好的预测效果。     

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。     

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。