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ABC和BP神经网络的铁路货运成本预测研究

运用作业成本法,结合BP神经网络理论建立铁路货运成本预测模型。通过案例分析,得出BP神经网络可以更准确的预测铁路货运成本费用的结论。     

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。     

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。     

基于BP神经网络模型的我国航空公司财务风险预警实证研究

随着国内经济体制改革不断深化和航权的不断开放,我国航空公司以其自身航线网络的覆盖为全国乃至世界的经济联络和交流做出了突出的贡献,然而,错综复杂的经济环境决定了航空公司更需防范潜在的财务风险,避免陷入财务危机。本文将采取主成分分析方法来对所选取的预警指标降低维度进行优化,运用优化后的预警指标构建基于BP神经网络模型的航空公司财务风险预警模型。本文选取2004年至2016年(剔除数据不全年份)四大航空公司共49个样本的财务和非财务数据,对2005年至2017年航空公司的财务风险进行预测。其中,38个样本作为训练样本,11个作为检测样本,检测结果表明:基于BP神经网络模型的航空公司财务风险预警模型具有较好的预测效果,可以进行有效的财务预警。     

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.     

基于广义回归神经网络的铁路货运量预测

针对BP神经网络预测存在局部极小缺陷和收敛速度慢的问题,提出基于广义回归神经网络(GRNN)的预测模型。基于我国1999—2008年铁路货运量的历史统计数据,应用GRNN模型和混沌BP神经网络模型对铁路货运量进行预测。通过两种预测模型的计算结果比较说明,GRNN模型具有良好的收敛性和较高的精度,而且模型结构简单、计算速度快,具有良好的实用性。     

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。     

基于人工神经网络的铁路客票系统中转路径选取研究

将人工神经网络引入铁路客票发售和预订系统进行中转路径的优选,可以避免人工选择的盲目性,同时也为售票提供方便。通过提出一种中转路径的人工神经网络模型,运用人工神经网络中的误差反向传播算法,利用换乘样本自学习网络结构、各神经元之间的权重和阈值,根据应用实例进行旅客中转换乘最优方案的合理性判断。     

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。     

铁路行包运量预测模型研究

铁路行包运量预测是以运输需求和内部供给为导向,综合考虑各种影响因素,对行包运量现状和发展的正确把握.探讨利用人工神经网络结合主成分分析的方法,建立铁路行包运量预测模型,解释并预测行包专列开行后铁路行包运量的增长趋势.实例分析的仿真结果表明,采用主成分分析法的广义回归神经网络模型结构简洁、预测精度高、收敛速度快,对相关铁路部门和企业的决策具有参考意义.     

Artificial neural network models for airport capacity prediction

This paper proposes artificial neural network models to predict the arrival/departure capacity of airports. Multilayer perceptron (MLP), recurrent neural networks (RNN), and long short-term memory (LSTM) models have been trained using capacity and meteorological data from Hartsfield–Jackson Atlanta International Airport (ATL) from 2013 to 2017. The models’ predictive performances were validated against the observed capacity of ATL in 2018. The qualitative and quantitative analysis of the trained models confirmed that the artificial neural networks approach is effective in predicting airport capacity. In addition, the transferability of the models for Boston Logan International Airport (BOS) is examined. Capacity prediction performance for BOS measures the transferability of the models trained with the ATL data. MLP showed good transferability without taking any other measures, and RNN and LSTM were able to predict the BOS capacity well after fine-tuning.     

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。     

Braess Paradox of traffic networks with mixed equilibrium behaviors

Under the user equilibrium (UE) behavior assumption, the Braess Paradox (BP) and its variations have been well investigated. However, users do not always follow the UE behavior. In reality, there are likely quiet a few non-collaborative Cournot–Nash (CN) players coexisting with UE players in the common traffic network. Users in a CN player are completely collaborative to minimize their total travel cost and users subordinating to different players are perfectly competitive. Considering both UE and CN players in the congested network, it remains unclear that under what conditions the BP will occur. In this paper, the BP occurrence conditions under the UE–CN mixed equilibrium are firstly investigated using the classical Braess network with linear link cost function. Then, the BP conditions are studied to the ordinary grid network with nonlinear link cost function. It is shown that the BP occurrence in the conventional Braess network depends upon the link travel time function parameters and the demand level of users controlled by UE/CN players, and the BP occurs in the grid network only for certain demand combinations of users under one UE player and two CN players.