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，     

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。     

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。     

旅游需求预测模型研究

建立基于月度数据的桂林漓江旅游航班、运量及游客的需求预测模型,运用指数平滑、SARIMA和Elman人工神经网络3种方法,并采用平均绝对误差(MAE)、均方百分比误差(RMSE)和平均绝对百分比误差(MAPE)评价模型预测效果。预测实例表明Elman人工神经网络模型更能反映时间序列的波动性,更适合桂林漓江旅游需求预测。     

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。     

基于预测模糊PID控制算法的高速列车优化控制研究

为提高高速列车速度控制的精度,在建立高速列车运动模型的过程中,结合真实的列车参数进行模型参数寻优设计;由于传统单质点模型不考虑车长,列车在变坡点会造成较大的速度控制误差,因而结合真实线路数据提出附加阻力优化计算方法。通过对预测模糊PID控制算法进行设计,采用系统仿真对比预测模糊PID控制与PID控制,结果表明：附加阻力优化计算方法有效提高了变坡点附近受力计算的精度,减小了速度控制的误差;针对优化后的列车模型所设计的预测模糊PID控制器能很好地控制列车跟踪理想速度曲线运行,提高列车速度控制的精度和舒适度。     

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。     

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.     

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。     

多元统计分析在区域经济发展中的预测研究

传统分析方法在解决区域经济发展预测中,容易出现信息丢失的情况,导致人均GDP和GDP增长率的预测结果存在偏差,因此提出多元统计分析在区域经济发展中的预测研究。首先对多元统计分析进行概述,建立区域经济发展预测模型,运用多元统计分析筛选影响因子,输入指标完成区域经济发展预测。模拟预测结果显示,运用多元统计分析的预测方法与传统预测方法相比,人均GDP和GDP增长率预测结果的平均绝对百分比误差低,提高了区域经济发展预测的准确度。     

云南铁路货运量增长问题研究

在分析国内外铁路货运需求增长模型的基础上,提出铁路货运需求增长过程的4阶段划分理论,结合云南铁路发展滞后的现状,建立了消除铁路货运能力限制的货运量增长模型。通过对云南铁路货运量和货运需求量的计算,应用MATLAB仿真技术验证了模型的正确性,并对云南铁路货运量和货运需求量进行了预测。     

石太客运专线客流预测研究

利用改进的重力模型和灰色理论模型,从石太客运专线的本线客流、跨线客流和诱增客流3个方面,分别以客运通道周边城市的GDP和人口分布密度、石太客运通道既有线的旅客运输量、城市间的加权运行时间为影响因子,对石太客运专线的旅客运输量进行预测分析。预测结果为客运专线合理制定运输组织方案、设计车站规模提供了科学依据。     

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。     

铁路集装箱运量预测与影响因素分析

运用时间序列的趋势外推法、灰色预测和组合预测方法对我国铁路集装箱运量进行了预测,在此基础上运用因子分析方法对影响铁路集装箱运量的因素进行了分析,得到了国民经济宏观因素和外界竞争因素对铁路集装箱运量具有影响的两个解释性因子。     

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。     

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。     

综合运输体系下客运结构合理配置模型及算法

分析在多种交通方式存在情况下乘客的交通选择行为,并基于随机效用理论和层次分析法构造了综合运输体系下客运结构合理配置模型及算法。考虑到我国现阶段收入水平是影响旅客交通方式选择的主要因素,将旅客划分为4类,并计算分析得到各类旅客的出行选择结果。该模型可用于客运市场份额预测,为优化配置交通运输资源提供理论依据。     

基于BP-SA混合优化策略的铁路货运量时间序列预测

铁路货运量的时间序列预测可以看为一个从输入到输出的非线性影射。神经网络尤其是BP神经网络,被广泛用于非线性逼近问题。但是,BP算法训练神经网络速度慢、易陷入局部极值。而模拟退火算法(SA)具有很好的全局寻优性。因而提出混合优化策略,即将反向传播算法(BP)和模拟退火算法(SA)结合起来训练神经网络,来实现铁路货运量的时间序列预测。与单纯的BP算法比较,数值计算结果表明BP-SA混合优化策略具有较高的速度和精度。     

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。