共查询到20条相似文献,搜索用时 78 毫秒
1.
铁路集装箱运量预测与影响因素分析 总被引:1,自引:0,他引:1
运用时间序列的趋势外推法、灰色预测和组合预测方法对我国铁路集装箱运量进行了预测,在此基础上运用因子分析方法对影响铁路集装箱运量的因素进行了分析,得到了国民经济宏观因素和外界竞争因素对铁路集装箱运量具有影响的两个解释性因子。 相似文献
2.
铁路货运量组合预测模型的研究 总被引:6,自引:0,他引:6
铁路货运量预测作为铁路运输生产的基础工作之一,是铁路运输企业制定正确市场营销战略的前提条件。传统的预测方法已经不能适应日益复杂的运量预测需要,因此借鉴国内各种运输方式的运量预测方法,并与铁路的特点相结合,提出适应我国铁路情况的多种预测方法相结合的组合预测模型体系和方法,并通过实例计算,得出2003年—2005年铁路货运量的预测结果。 相似文献
3.
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
4.
基于灰色马尔柯夫过程的铁路客运量预测方法研究 总被引:3,自引:0,他引:3
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。 相似文献
5.
6.
7.
8.
9.
10.
徐志刚 《武汉交通职业学院学报》2011,13(1):71-74
对自回归模型预测方法进行介绍,结合上海港港口货物吞吐量和集装箱吞吐量的历史数据,利用自回归预测方法建立预测模型,对上海港货物吞吐量和集装箱吞吐量进行短期预测。将历史数据和预测数据结合分析表明,在港口吞吐量飞速增长的情况下,公路运输的压力会不断增大,只有不断完善公路、铁路和内河联运方式,才能形成强有效的集疏运体系。 相似文献
11.
残差灰色预测模型在物流需求预测中的应用 总被引:2,自引:0,他引:2
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。 相似文献
12.
基于灰色预测模型的铁路客运量预测研究 总被引:4,自引:0,他引:4
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。 相似文献
13.
据有关调查资料,生产中的事故80% 以上是由于人的失误引起的。为此在事故预防研究中应重点关注对人的失误的研究。在论述事故预防与预测基本概念的基础上,重点介绍了人为事故的预测与预防方法,针对人在各种影响因素下的不同点,提出了减小事故发生率的建议对策。 相似文献
14.
15.
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。 相似文献
16.
关于铁路货运量预测研究 总被引:2,自引:1,他引:1
采用灰色关联分析方法选取影响铁路货运量变化的宏观影响因素,运用多变量灰色MGM(1,4)模型预测未来4年铁路货运量,预测结果通过后验差检验,精度较好。 相似文献
17.
根据城际铁路运输及客流预测特点,以及客流预测的交通方式划分模型,采用传统的四阶段法预测城际铁路客流情况。采用Logit模型对九(九江)—池(池城)城际铁路沿线不同交通方式的分担率进行研究,重点是2025年城际客流的分担率。通过调查得到九池通道现状交通资料,采用Logit模型,经过参数拟合、调整,预测得到九池城际铁路的客流分担率。 相似文献
18.
概述区域物流需求预测方法,分别阐明核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)模型的原理,提出将核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合,建立核主成分-最小二乘支持向量机(KPCA-LSSVM)预测模型.先利用KPCA对数据进行预处理,消除变量之间的相关性,提取非线性主成分,再通过LSSVM对提取的非线性主成分进行训练,建立预测模型.最后,通过实例验证比较LSSVM与KPCA-LSSVM两种模型的预测性能.结果表明,KPCA-LSSVM的预测精度较LSSVM明显提高,是一种有效的中短期区域物流需求预测方法. 相似文献
19.