交通能源需求预测的支持向量机模型研究

交通能源需求系统是一个复杂多变量的非线性系统.我国交通能源时间序列数据存在着高度的非平稳性和非线性,这使线性方法建立的交通能源需求模型受到了严峻的挑战.在这种情况下,非线性模型就引起了人们的广泛关注,为此根据交通能源时间序列数据的非线性特征,运用支持向量机理论构建我国交通能源需求模型,进行实证分析.并对比分析了基于非线性的支持向量机模型和基于线性的协整与误差修正模型,结果表明,前者比后者具有较高的预测精度.     

基于SVM的桥区水域失控船舶航迹研究

桥区水域失控船舶可能会引起重大水上交通事故,也会对桥梁安全造成隐患。本文通过支持向量机(SVM)算法在失控船舶航迹回归预测的运用,来研究失控船舶在风、流自然条件下,在桥区水域的运动轨迹,为未来失控船舶航迹预测软件的实现提供理论依据。     

基于马尔可夫和支持向量回归组合模型的铁路行车事故预测研究

铁路行车事故预测结果,是预防和控制铁路事故发生的重要依据。在阐述马尔可夫及支持向量回归理论及模型的基础上,构建马尔可夫和支持向量回归组合模型,以铁路行车事故数预测为例,分别运用马尔可夫模型、支持向量回归模型,以及马尔可夫和支持向量回归组合模型预测铁路行车事故数,结合铁路行车事故实际发生数,选用平均绝对误差、均方误差、平均绝对百分比误差进行验证。结果表明,基于马尔可夫和支持向量回归组合模型预测结果的稳定性得到加强,预测结果可以在一定程度上反映事故发展动态。     

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。     

北京地铁换乘站客流预测模型研究

根据北京地铁全网一票换乘和一卡通无障碍换乘机制,以及早晚高峰出行等特点,对各种地铁客流预测模型进行分析,研究北京地铁换乘站客流预测模型的应用。依据换乘站不同类型的客流,以北京地铁历史客流和实时客流数据为基础,探讨采用历史平均预测法、基于最小二乘支持向量机时间序列预测法、分峰段混合预测法、基于概率树全路网预测方法等对进站客流、出站客流、换乘客流和站内客流进行预测。     

基于人工鱼群算法的电网物资需求预测

为满足电网建设项目物资需求管理的发展要求,在现有企业资源计划(ERP)系统完成上线并能够提供初步数据支持的基础上,针对如何依据电网建设项目里程碑计划中的基本工程建设指标,合理预测物资需求的问题,借助支持向量机模型(SVM)和人工鱼群算法(AFSA)构建了电网建设项目物资需求预测模型。在支持向量回归机的基础上,融合添加混沌搜索后的改进工鱼群算法,优化了向量机核函数选取和参数设置,通过省级电网建设项目物资需求历史数据测试,模型预测结果满足实际使用要求,能够有效解决电网建设项目物资需求预测的问题。     

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.     

温州港集装箱吞吐量预测研究

在对温州港腹地进行划分的基础上,笔者采用时间序列法和相关因素回归法对相关腹地的外贸进出口总额进行预测;采用改进的生成系数法预测温州港腹地外贸集装箱生成量：采用灰色模型预测温州港内贸集装箱生成量并最终得出温州港集装箱吞吐量总值。     

重庆江北国际机场航油加油量预测分析

本文根据中国重庆江北国际机场发展要求,结合国际、国内航油调价现行机制,总结出航油加油量预测的几种方法,并通过实际运算进行预测,优选最符合实际发展的预测量。从近期看,为航油油品的采购、储存提供数据支持;从中长期看,为重庆江北国际机场的航油设施、设备的规划、建设提供了依据,适应了重庆地区航空市场的发展。     

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。     

基于支持向量机的油料消耗预测模型研究

油料消耗预测是科学地进行油料供应管理工作的重要环节。当前部队油料消耗突发性强、可借鉴历史数据少，必须使用最近一段时间的油料消耗数据作为预测数据，即是有限样本。在此基础上提出支持向量机进行预测。     

基于自回归模型的上海港港口吞吐量的预测

对自回归模型预测方法进行介绍,结合上海港港口货物吞吐量和集装箱吞吐量的历史数据,利用自回归预测方法建立预测模型,对上海港货物吞吐量和集装箱吞吐量进行短期预测。将历史数据和预测数据结合分析表明,在港口吞吐量飞速增长的情况下,公路运输的压力会不断增大,只有不断完善公路、铁路和内河联运方式,才能形成强有效的集疏运体系。     

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。     

广东省综合交通运输需求预测模型探究

本文基于高速公路联网收费数据、铁路运营数据及港口、航空统计数据,分析了各交通方式与经济社会发展的相关性,利用决定系数R2分析对比了不同区域的相关性强度,筛选出关联性最强的经济社会指标常住人口与地区生产总值。对比一元回归相关性效果,选择一元回归模型、二元回归模型进行综合交通需求预测,建立了客运量与常住人口、货运量与地区生产总值的一元回归方程,及客运量、货运量与两个经济社会指标的二元回归方程。进而在经济社会指标预测的基础上,预测未来广东省综合交通的运输需求,并选用传统的增长系数法对预测结果进行了合理性验证。     

基于GRNN的主要编组站办理车辆数的预测

运用广义回归神经网络对铁路编组站办理车辆数进行预测.在对编组站办理车辆数的经济因素和结构因素进行分析的基础上,给出GRNN预测的全过程,并将GRNN与BP网络预测进行比较,建立网络、训练和检测,最终模拟得到全路主要编组站办理车辆数.实例分析证明GRNN能提高预测精度,为编组站规划和设计提供理论支持.     

基于线性回归-马尔可夫模型的铁路客运量预测

随着我国经济的快速发展和社会进步,旅客出行更加注重运输的便捷性、舒适性、安全性等,客运量规模和增长速度是衡量铁路运营效果的一项重要指标。在分析各种客运量预测模型的基础上,通过对线性回归预测模型的结果进行马尔可夫链改进,可以提高铁路客运量预测的准确性,但回归-马尔可夫预测模型的应用还需要不断完善。     

高速铁路建设生态环保目标规划与监测方法研究

针对高速铁路建设对生态环境造成的影响,构建高速铁路建设生态环保目标规划与监测指标体系;根据高速铁路建设数据量、监测指标特点及PDCA循环原理,提出适用的监测方法。以某高速铁路项目为例进行分析,当数据量较多、较少和无数据时,可以分别采用BP神经网络、灰色时间序列、德尔菲法进行目标预测。经实际监测结果与预测结果的比较验证,目标规划模型具有一定的合理性,为可持续发展型绿色高速铁路建设提供决策支持。     

应用灰色-周期外延组合模型预测货运量

灰色-周期外延组合模型是在GM(1,1)基础上建立的残差周期外延模型,并提取优势周期以重新构造新的数据序列,再将不同周期同一时刻的值叠加.该模型克服了货运量的单调性和周期波动性给预测带来的困难.通过利用该模型的优点,对某公司的货运量动态变化进行预测,说明该模型可明显提高货运量的预测精度.     

基于时间序列的车务站段运输收入任务分劈预测方法探讨

采用平均分劈法,由于没有考虑季节、随机等因素,使车务站段运输收入分劈值难以得到准确预测。而时间序列分析方法,可以通过分析季节波动、长期趋势、随机波动对时间序列的影响,构建基于原始数据的时间序列运输收入模型。利用该模型对2014年运输收入数据进行预测,经过预测结果与实际情况的比较,证明该模型的合理性。     

时间序列聚类下的城市轨道交通客流预测研究

掌握不同城市轨道交通车站的客流短时变化规律是应急措施制定、常规客流组织和列车开行的关键依据，研究主要探索预测方法对城市轨道交通短时客流预测精度的影响，以西安地铁2号线为例进行实例分析。基于车站的进出站客流属性，运用时间序列聚类方法将城市轨道交通车站划分为4类；运用极端梯度推进决策树(XGBoost)、BP神经网络和自回归滑动平均模型(ARMA)分别对各类车站的短时客流进行预测，并对比各类车站的客流预测结果。结果表明，西安地铁2号线的车站可以分为商业办公车站、密集型居住车站、轻型居住车站和旅游文化车站4类；4类车站客流预测精度最高的方法分别为XGBoost、ARMA、ARMA和BP神经网络；在预测时效方面，XGBoost展示了更大的优越性。研究结果可以对各类车站建立相适应的客流管控措施提供基础建议。