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。     

基于灰色预测模型的铁路客运量预测研究

在介绍灰色预测基本原理和算法的基础上,应用灰色预测理论开发了基于MATLAB的铁路客运量预测程序,主要功能是以交互的方式输入数据,动态输出显示模型曲线图形和方程。通过建立株洲站旅客发送量的灰色预测模型,说明利用灰色模型预测铁路客运量具有良好的精度,可以为客流组织提供依据。     

改进BP神经网络在铁路客运量预测中的应用

介绍BP神经网络预测模型的优点及不足,提出运用主成分分析法、灰色关联分析法对BP神经网络结构进行优化,同时运用自适应遗传算法对神经网络的权值和阈值进行优化。运用改进的BP神经网络对客运量进行预测,经多种指标对预测精度进行评价,证明改进的BP神经网络在交通运输需求预测中具有实用价值。     

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。     

“丝绸之路经济带”背景下兵团物流需求方法研究

为更好地服务于丝绸之路经济带建设,促进新疆生产建设兵团区域经济发展,通过分析影响兵团物流需求量的因素,确定兵团物流需求主要影响因素。结合兵团的实际情况与预测方法的适用条件,分别选择灰色预测模型、BP神经网络模型和灰色-BP神经网络组合预测模型对兵团物流需求量进行预测。最后通过实证分析得出组合模型的精度最高,并应用灰色-BP神经网络组合预测模型对兵团的物流需求进行预测,为兵团区域物流总体规划提供参考依据。     

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。     

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.     

济南至青岛高速铁路客运量预测研究

客流预测是项目建设决策和可行性研究的重要依据,根据胶济通道客流的特点,结合济青高速铁路在铁路网中的地位和作用进行客运量的预测,有助于旅客列车开行方案的编制和线路经济效益的测算。在阐述济青高速铁路有关客运功能定位和客流特征的基础上,采用改进后的四阶段客流预测方法对趋势客运量、转移客运量、诱增客运量进行预测,得到2025年、2030年济青高速铁路客运量的相关预测指标,并对预测结果进行分析,提出旅客列车开行建议。     

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。     

基于最大Lyapunov指数的高速铁路环境成本估算研究

为提高高速铁路环境保护投资使用效率,预防高速铁路建设和运营过程中可能出现的环境问题,在阐述高速铁路环境成本计算内容的基础上,结合全生命周期显著性成本理论,建立基于最大Lyapunov指数的预测模型,对高速铁路环境成本进行预测。首先,构建高速铁路全生命周期环境成本计算内容体系;其次,借鉴已开通运营的高速铁路项目进行高速铁路环境成本原始数据的收集和整理,运用显著性理论对数据进一步挖掘,建立高速铁路全生命周期环境成本数据库;最后,运用混沌时间序列构建预测模型,并以实际数据进行训练。结果表明,该模型对短期内高速铁路环境成本预测具有准确性和适应性,可以显著提高估算的精确性。     

预售期高速铁路购票需求预测方法研究

随着高速铁路票价市场化改革不断推进,旅客购票选择行为也在不断地变化。准确把握旅客在预售期间对高速铁路购票的需求规律,是预售期票价浮动方案优化的基础。通过分析预售期内旅客购票过程和购票需求的形成机制,针对预售期内高速铁路购票需求集中在距发车前3 d的特点,运用Holt-Winters加法和乘法模型、SARIMA模型和LSTM模型3种典型的时间序列预测模型,以京沪高速铁路动车组列车为例,分别对同车次的平峰时期和高峰时期、不同等级座席下的二等座席及根据列车客座率划分的不同类别车次的旅客购票数进行预测。不同模型预测结果通过相同条件下3种预测模型的检验参数的比较分析,得出了SARIMA模型预测方法拟合精度更高,最适合预售期高速铁路购票需求预测的结论。     

基于Newton插值与超松弛技术的铁路客运量预测研究

为提高铁路客运量预测精度，提出Newton插值法对客运量原始数据进行预处理以解决因节假日或重大事件造成的数据异常问题。另外，引入超松弛技术(OR)对铁路客运量预测结果进行修正，提出非线性递减权重改进粒子群算法以优化松弛因子。最后，将Newton插值法、超松弛技术与GM(1,1)和BP神经网络预测相结合，提出铁路客运量Newton-GM-BP-OR组合预测方法，并以北京市铁路客运量预测为例验证预测方法的有效性。研究结果表明，基于Newton插值法处理异常客运量数据的预测效果较基于原始数据序列更好，改进的粒子群算法在求解松弛因子过程中体现出更好的寻优能力和收敛速度，且超松弛技术对GM(1,1)和BP神经网络预测结果的修正也使得Newton-GM-BP-OR组合预测方法具有更高的预测精度。     

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。     

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。     

铁路客运量前景预测模型

通过对当前存在的各种预测模型分析,找出其优点与不足,利用统计方法建立了铁路客运前景预测模型。该模型从影响铁路客运量的因素分析入手,选取了与客运量密切相关的指标进行预测,得出较精确的定量预测结果,以便于决策者使用。     

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。     

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.