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。     

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。     

铁路保价收入趋势变化分析与预测模型的建立

为做好铁路保价收入预测,运用散点图、分层图、方差分析等方法对样本数列的变化趋势进行分析;建立了三角函数直线趋势季节预测模型,运用最小二乘法通过建立正规方程进行参数估计.通过对2008年的保价收入进行预测及分析,提出利用扩展富里哀项减小预测偏差的方法.     

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。     

铁路客运专线的客运量预测

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。     

基于自组织数据挖掘的铁路客运量预测方法研究

由于传统的预测方法难以对影响铁路客运量变化的因素进行全面考虑,其预测精度不高.选择影响铁路客运量变化的因素:经济社会发展的原生性需求、铁路自身供给能力、不同交通方式、客运价格和旅行费用、运输服务质量等,建立基于自组织数据挖掘的铁路客运量预测模型.通过算例进行验算结果表明,自组织数据挖掘建模预测方法在变量多、数据少、普通的建模预测方法难以胜任建模任务的情况下,可以得到较满意的结果,适宜进行多因素的铁路客运量预测.     

向莆铁路客运量分析预测

客运量预测反映了未来年度铁路运输的任务和工作量,是合理布局路网的主要依据,是确定铁路建设项目技术标准的重要参考数据,也是其他各行业部门(如机车车辆、人才需求)编制规划的基础资料.但是,客运量预测是在大量不确定因素的基础上研究未来趋势,特别是在经济结构调整时期,新情况、新问题不断涌现,难度越来越大,要求越来越高.因此,利用科学合理的方法预测可靠的客运量是近几年专家学者研究的重点之一.笔者结合向莆铁路沿线具体情况,应用目前国内外使用较为广泛的重力模型、Logit模型等结构模型,选择从铁路分流、其他交通方式转移和经济增长诱发3个方面进行客运量预测.     

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。     

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。     

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。     

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。