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。     

铁路行包运量分布的统计分析

近年来,我国行包运输发展很快,但是行包运量分布不均衡,逐渐呈现出集中化的趋势。通过对1997年—2001年行包办理站的数量、份额及运量变化的分类统计,说明行包运量集中化已形成趋势,同时分析了行包集中化车站的分布及地域分布特征。其结果对我国行包运输的市场营销及体制改革有参考价值。     

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。     

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.     

铁路行包快件运输市场开发初探

分析铁路行包运输市场现状和运输组织存在的问题,以及铁路行包快件运输市场需求。提出铁路企业提高行包运输市场适应性,应重点发展快捷化运输、专业化快件运输、集中化行包运输,加快快速客运网建设,重视短途快件运输,融入现代物流业的发展。     

我国铁路行包运输的现状及营销对策初探

阐述了铁路行包运输已成为铁路运输工作的重要内容。但目前铁路行包运输组织、管理机制、手段和方法均难于满足社会小件快运市场的需要。分析了铁路行包运输的基本特点,提出了全面开展行包市场营销、发展铁路行包运输的基本设想。     

铁路行包上门取送货的调度问题研究

从铁路行包运输中上门取送货物的现状出发，提出了取送货物的调度问题，并建立了2个模型。2个模型的目标函数分别是最少走行里程和最少吨公里数。应用节约法求解出2个模型的最优解，得到最优取送路径。最后比较2个模型的结果，指出它们分别适用的条件及应用范围。     

以满足客户需求为中心建设铁路行包信息系统

分析铁路行包运输信息化现状和存在问题,论述建立铁路行包信息系统的必要性与可行性。在分析系统建设外部环境的基础上,提出铁路行包信息系统建设目标和总体结构,并对系统采用的主要技术关键进行阐述。     

铁路行包运输安全管理及发展方向研究

2003年以来,铁路行包发送量及运输收入实现稳步增长,取得了突出的成绩.按照"高标准、讲科学、不懈怠"的工作要求,通过分析铁路行包运输安全面临的严峻形势,提出建立健全安全管理的长效机制;提高行包运输服务水平,树立铁路企业形象;按照<中长期铁路网规划>展示的宏伟蓝图,改革铁路行包运输发展方式,大力促进铁路行包运输向现代物流发展,全力确保行包运输持续稳定安全.     

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。     

基于广义回归神经网络的铁路货运量预测

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。     

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。     

铁路客运专线客流预测模型研究

在分析目前铁路客流预测研究方法的基础上,根据客运专线是否建成划分为两个阶段选择不同的客流预测方法.依据客运专线客运量预测方案的实施步骤,探讨了初期客运量预测和运营期客运量预测方法.对于正常运营的客运专线,采用分时间周期的客流预测方法,可以对日常客流、特殊时期客流,以及一周中的任意一天或一天中的任意时段客流进行预测,针对性较强,是一种全新的预测思路.     

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。     

青岛铁路枢纽车流组织优化研究

青岛铁路枢纽是全国的重要铁路枢纽之一,车流组织优化有助于充分发挥青岛铁路枢纽运输能力,提高铁路枢纽作业效率。在阐述青岛铁路枢纽现状的基础上,分析青岛铁路枢纽车流、主要车站车流和车流径路。针对青岛铁路枢纽折角车流、疏港车流、蓝村西站车流、中欧班列车流组织,提出相应的折角车流组织优化方案、疏港车流组织优化方案、蓝村西站车流组织优化方案、中欧班列车流组织优化方案等,加快提升青岛铁路枢纽的运输能力,切实提高车流组织水平。