用灰色模型预测铁路旅客运输量发趋势

预测旅客运量对正确制定铁路旅客运输发展规划和决策极为重要由于客运量的受多种因素影响，用线性预测方法误差较大，用灰色模型预测方法较为准确，尤其适用于近期运量的预测。灰色预测的基本模型为ＧＭ（１，１）相应的微分方程为ｄｘ（１）（ｔ）／ｄｔ＋ａｘ＾（１）（ｔ）＝ｕ并通过实测对１９９６年－２０００年的铁路客运量进行预测。     

航空旅客周转量与第三产业增长关系实证研究

新型运输方式与第三产业增长关系的研究有利于相关基础设施建设科学统筹、合理规划,并带动区域经济发展。以航空运输为代表,选取甘肃省航空周转量与第三产业1978-2012年数据进行研究。通过E-G两步法、分布滞后模型和误差修正模型的构建,依次对二者之间的长期协整关系、短期贡献弹性进行测算。在此基础上,通过构建VAR（2）模型,分析得出目前甘肃省现代化运输方式发展严重滞后的结论,提出航空运输、高速铁路等新型运输方式与第三产业良性互动发展策略。     

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。     

预测铁路旅客运输市场发展趋势的研究

为了准确反映铁路旅客运输市场的波动情况,有必要建立铁路旅客运输市场景气预警监测系统,以对我国铁路客运的宏观管理决策、适时调控和动态监测等提供支持手段。为此根据1987年—2001年我国铁路旅客运输市场的实际状况,建立了景气预警监测系统模型,对系统评价指标的设置、景气指数计算和控制信号灯系统等进行了论述,并对模型进行了实证分析。     

铁路旅客运输中事实旅客的界定

为区分铁路对旅客和非旅客人员伤亡所承担的责任,对无票进站乘车、车票丢失、车票未经检票剪口、持站台票进站上车、免费乘车等各种不同情况,分别按各自适用的法律尤其是法律规定的要件具体分析,据此对事实旅客进行界定,以认定铁路对旅客的保险及赔偿责任。     

我国铁路旅客发送量预测模型研究

采用2006—2010年我国铁路旅客发送量月度数据,建立模型进行时间序列分析,选用求和自回归移动平均模型(ARIMA)拟合原始观察值序列,并使用PASW Statistics 18统计软件辅助完成建模。通过对2010年3—12月铁路旅客发送量进行预测,说明ARIMA模型有比较好的预测效果,可以为提升铁路营运水平提供预测理论和依据。     

2008年铁路客货运量大幅增长

2008年,全国铁路旅客发送量完成14．6亿人,同比增加1．4亿人,增长10．9％;货物发送量完成33亿t,同比增加1．5亿t,增长4．9％;总换算周转量完成32860亿t·km,同比增加1428亿t·km。增长4．5％。     

铁路旅客运输企业市场准入中的相关法律问题研究

从铁路旅客运输企业法律形态、设立的条件和程序等方面分析了铁路旅客运输企业市场准入中的相关法律问题。     

眼制性损害赔偿在铁路旅客运输中的适用性探讨

我国铁路旅客运输的损害赔偿属于典型的限制性赔偿。由于损害赔偿责任限额通常是由合同或法律直接规定，因而该制度具有一定的合理性。阐述了限制性损害赔偿的含义，以及限制性损害赔偿的适用性，最后指出如果铁路旅客运输一方因故意或重大过失造成第三人损害，不适用限制性损害赔偿。     

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。     

大城市对外交通枢纽客运需求量预测方法研究

在分析大城市对外交通枢纽客运需求特征的基础上,提出客运需求量由初始需求量、增长趋势量和假日变化量3部分构成,通过选用时间序列法中的静态方法建立了交通枢纽客运需求量数学预测模型,并以郑州铁路车站为实例,说明该方法的预测过程。     

运用前向神经网络法预测铁路客运量

为提高铁路客运量的预测精度,应用一种非线性预测方法:多层前向神经网络建立铁路客运量预测模型。在介绍误差修正学习算法和误差反向算法的基础上,通过预测实例计算,与其他3个常用预测模型:多元回归模型、简单移动模型和平均移动模型进行预测比较,结果表明误差反向算法的多层前向神经网络模型预测精度最高。     

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。     

铁路客运量季节指数计算方法研究

为在铁路客运量预测中消除季节性变化的影响,采用平均数季节指数法、移动平均趋势剔除法、最小平方趋势剔除法对2002年—2004年的铁路客运量计算季节指数,通过误差分析,说明最小平方趋势剔除法能更好地反映运量的季节变动状况,是预测的最佳选择方案。     

城际铁路客流预测的Logit模型

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。     

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.