基于BP神经网络的物流需求量预测框架设计

结合物流需求量预测过程的实际情况,采用BP神经网络技术,建立基于BP神经网络的物流需求量预测模型。通过有效样本的学习,应用该模型能够实现对物流预测数据指标关系、知识和经验的提取和存储,给出预测模型和流程图框架设计。同时分析了在预测过程中存在的问题,以及预测指标体系进一步研究的方向。     

基于组合模型的高速铁路动车组需求量预测方法研究

为提高高速铁路动车组资源配置和运用效率,研究高速铁路动车组需求量预测方法。考虑高速铁路动车组运用特点,综合分析人口、GDP、高速铁路营业里程、列车开行方案等高速铁路动车组需求量内外部影响因素,构建基于组合模型的高速铁路动车组需求量预测模型。通过高速铁路动车组近远期需求量预测,运用历史数据对预测模型进行了验证。预测结果表明,平均绝对误差为3.56%,呈现出较高的预测精度,验证了该模型的有效性与可信度。     

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。     

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.     

浙江省区域物流发展影响因素灰色关联分析

为分析找出目前我国物流业的关键影响因素,通过引入灰色关联法,在分析灰色关联模型特点的基础上,确定灰色关联模型分析步骤。以浙江省区域物流发展为例建立灰色关联模型,利用2006—2011年相关数据,对经济社会发展指标、流通贸易类指标、产业结构类指标、环境类指标、其他补充指标5方面17个指标进行灰色关联分析,找出对物流发展影响较大的因素,为物流行业管理部门制定相应行业扶持政策提供参考。     

中欧班列市场需求分析与仿真研究

中欧班列已经成为中国同欧洲之间运输的一种新模式,为满足中欧班列运输需求,推动中欧班列高质量发展,分析中欧班列运输品类市场需求及主要影响因素,通过残差分析验证影响因素的拟合度,从而确定影响因素的有效性,构建基于BP神经网络的中欧班列市场需求量预测仿真模型,采用Matlab对中欧班列的需求量进行仿真预测,有效地预测2019—2025年的中欧班列需求量,得出宏观经济贸易环境与航海运输价格指数对中欧班列的需求量影响较大,为中欧班列的运营保障提供决策支持,以推动中欧班列高频化及常态化运营。     

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。     

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。     

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。     

可变编组动车组短期不同席别客流预测研究

针对高速铁路短期不同席别客流做出准确预测,可以提高不同席别客流与动车组编组之间的匹配程度,尽可能做到按需按流配车,实现经济和社会效益最大化。运用熵值法、变异系数法及BP神经网络的组合方法,构建可变编组动车组短期不同席别客流预测模型。该模型以BP神经网络算法为主,通过对往年高速铁路不同线路客流数据进行分析处理,辅以熵值法和变异系数法去除影响高速铁路不同线路席别客流数据的基础因素和随机因素,采用获得的影响系数对BP神经网络运算数据进行修正,以实现短期不同席别客流需求的预测。案例分析表明,该模型在短期不同席别客流预测上具有良好的精确度。     

组合预测算法在世界海运周转量预测中的应用

世界海运周转量的变动是判断航运市场运力需求的主要指标，也是研究和分析航运市场和船舶市场发展变化的重要因素之一。然而世界海运周转量的变动受到一系列十分复杂的因素的影响，用一般的方法难以对其进行准确预测。因此笔者首先运用灰色系统和神经网络等预测方法分别对其进行预测．然后再通过组合预测法进行预测以期达到更加准确的预测效果。     

基于经济产业结构的大理州物流需求研究

通过分析2005—2014年大理州3大产业产值和物流业3项指标的统计数据,采用灰色系统关联分析法,建立大理州经济产业结构与大理州物流需求量相关指标之间的关联关系。运用回归分析对大理州2015—2017年物流需求量进行预测,结合大理州经济产业结构调整及布局规划,大理州物流业发展满足经济社会发展需要的多元化物流服务需求。     

新疆物流与金融协同发展预测评估

为有效评估区域物流与金融协调发展水平,从"丝绸之路经济带"发展战略出发,构建物流与金融协调发展预测评估指标体系,运用综合指数模型测算新疆2005—2014年区域物流和金融发展指数,在此基础上,通过灰色系统预测模型分别对2015—2019年物流指数与金融指数进行预测,并采用距离协调度模型评估其协调发展状况。结果表明:总体上,新疆物流与金融发展水平均呈不断上升趋势;2005年以来,新疆物流与金融发展耦合协调状态虽然不断得到优化,但仍处于轻度失调状态。预测结果表明,新疆未来物流与金融系统的协同发展将有较大提升空间。最后,提出促进新疆物流与金融协同发展的相关建议。     

基于误差融合模型的地铁车站客流监测方法研究

针对城市轨道交通拥堵问题和智慧地铁发展要求，提出了一种基于误差融合的城市轨道交通短时客流预测模型。采用灰色关联分析方法对客流关键影响因素进行识别，基于线性回归模型对车站客流进行预测，并进一步利用神经网络模型对预测误差进行修正，以广州地铁十八号线某站的进、出站客流数据为例进行案例研究。研究结果表明：与传统统计模型及单一的神经网络模型对比，基于误差融合的短时客流预测模型均方根误差分别降低了38.0%与29.6%，平均绝对误差分别降低了46.4%与35.1%，证明了该模型在短时客流预测方面的准确性、可靠性，为地铁车站客流监控提供了技术支撑。     

基于灰色预测理论的油料消耗预测优化

本文运用灰色预测理论建立了油料需求灰色预测模型，并以某部队8年的油料消耗量为例，对2012年油料消耗量进行了预测，与真实数据相比，精度高误差小，在此基础上，预测了该部队2013年油料需求量，为提高部队油料保障质量提供了理论借鉴。     

基于并联灰色—线性回归组合模型的客运量预测

对铁路客运量准确的预测与分析是铁路部门进行相关决策和判断的依据,为此运用灰童色模型—线性回归组合预测方法,对武昌站2008—-2012年的客运量进行预测.预测结果和单一模型相比,组合预测模型考虑的影响因素较多,可操作性强,预测数据综合了内外因素影响,预测结果较为可靠。可作为决策判断的依据。     

基于灰色神经网络融合算法的油料消耗量预测研究

后方油库油料消耗量指的是在油料供应过程中．以调拨、转供或代供的形式从本油库发出的油料数量,消耗量的科学预测是油料供应管理过程中重要的一环。本文通过对灰色RBF神经网络的研究,建立了基于灰色神经网络融合算法的油料消耗预测模型。并利用实例验证了模型的实用性。     

铁路行包运量预测模型研究

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.     

基于核主成分-最小二乘支持向量机的区域物流需求预测

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.