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.     

EMD-RBF组合模型在城市轨道交通客流预测中的应用

随着我国城市轨道交通路网的不断发展与完善,城市轨道交通客流预测作为城市轨道交通规划设计和运营管理的基本依据及城市轨道交通建设过程中的重要环节,其重要性也越来越明显。通过对城市轨道交通客流历史数据进行统计分析,针对平常日客流变化的非平稳性统计特征,构建EMD-RBF组合预测模型对城市轨道交通平常日客流进行预测。以北京地铁客流预测为例,得出利用IMF分量进行预测的EMD-RBF组合模型方案可以有效提高客流预测的精确度。     

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。     

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。     

军队油料保障储存需求组合预测研究

Bates和Granger开创性地将两组时间序列预测值进行加权平均组合，并对组合权重的确定进行了系统研究，在此基础上，把组合预测的研究推广到三组或三组以上的时间序列值的组合，在国际预测界产生了一定的影响。B-G组合预测理论是通过求个体预测值的加权算术平均而得到它们的组合预测值，在确定加权权重（也称组合权重）时，则坚持组合预测误差方差最小为原则，     

基于模糊补偿的组合预测方法研究

基于组合预测的模糊补偿预测系统是一种适用于波动加大且受环境影响较大的需求预测方法。具有广阔的应用前景，笔者提供了一种应用定性信息进行预测的机制。[编者按]     

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。     

跨海大桥交通事件特征分析与预测方法

本文基于某跨海大桥交通事件及流量数据,分析了跨海大桥流量和交通事件时间特征,选用SARIMA模型在时间序列上开展了线性拟合,考虑流量和车型比例对事件数的影响,结合SVM模型对时间序列开展了非线性逼近,采用基于季节性差分自回归滑动平均(SARIMA)模型和支持向量机(SVM)模型,运用最优加权法确定组合模型的权重系数,建立了基于SARIMA模型和SVM模型两种单一预测方法的最优加权组合预测模型,对跨海大桥交通事件数做出趋势预测。结果表明:交通事件时间序列呈现出较为明显的趋势性、周期性和季节性规律,同时受流量及各车型比例的影响;最优加权组合模型综合利用了SARIMA模型、SVM模型的有效信息,均方根误差(RSME)降低到1.94,预测精度优于单一模型,可为跨海大桥交通安全预测与评价提供理论依据。     

成品油分销系统中销售预测模型研究

针对成品油销售环节中销售预测的问题．提出以常用的几种单项预测方法为基础建立面向储油罐的需求组合预测模型。通过最近一段时间的预测误差大小来确定权系数的大小．该组合预测模拟经过实际数据验证能满足应用需要。     

基于EEMD-BP方法的城市轨道交通进站客流短期预测

城市轨道交通站点客流量是评价其服务水平和实现城市轨道交通资源有效配置的基础数据和依据。针对城市轨道交通站点进站客流量序列波动复杂的问题,构建基于EEMD-BP方法的城市轨道交通进站客流短期预测模型,通过对城市轨道交通站点的日间分时进站客流序列进行模态分解,并对分解的分量进行筛选和识别,探究进站客流的日间波动影响因素,实现对短期客流的合理预测。以广州珠江新城站短期客流预测为例,验证该组合模型在提高客流预测方面具有有效性,为城市轨道交通线网规划和运营管理提供客流预测依据。     

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Holt-Winter模型的铁路货运量预测研究

建立Holt-Winter预测模型，将具有线性趋势、季节变动和随机波动的时间序列进行分解研究，并与指数平滑法相结合，分别对长期趋势、趋势的增量和季节波动做出估计。介绍该模型的3个平滑方程和1个预测公式，以及初始值的计算和最优加权系数值的确定。通过实证分析，将预测结果与常用模型进行比较，说明该模型的预测精度较高。     

BP神经网络——马尔科夫模型在军用油料消耗预测中的应用研究

作者利用BP神经网络-马尔科夫预测模型对油料消耗进行了预测，将预测结果同实际值进行了对比分析．得出了BP神经网络-马尔科夫预测模型能够对油料消耗进行准确预测的结论。     

铁路货运量组合预测模型的研究

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。     

神经网络与四阶段预测法在铁路运量预测中的组合应用研究

利用神经网络与四阶段预测法组合构造出新的交通量预测模型,以胶济铁路提速改造为例,就构造的客运量预测模型进行了应用研究。其中以平均增长率法计算客流量的交通分布;以重力模型法计算诱发客流;依据运输阻力构建的分担率模型计算转移客流;在计算诱发客流时考虑了时间价值。     

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。     

基于机器学习的港口集装箱吞吐量预测

港口集装箱吞吐量是港口承载能力的主要指标,也是港口规划和基础设施建设的重要基础。这项研究提出了选择港口运输指标和宏观经济指标作为输入,通过机器学习预测下个月的港口集装箱吞吐量。实验结果表明,机器学习预测模型具有良好的性能,并且发现宏观经济变化对港口集装箱吞吐量的预测结果具有更积极的影响。     

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。