基于灰色加权马尔可夫链的大连铁路客运量预测

以2003~2013年大连铁路客运量数据为基础,采用灰色GM(1,1)模型预测方法和马尔可夫链相结合的方法对大连铁路客运量数据进行预测,给出了灰色加权马尔科夫链预测模型.不仅构造了状态转移概率矩阵,而且也获得了有效的滞时阶数.结果表明,在预测值与真实值的平均绝对误差方面,与灰色GM(1,1)模型相比,灰色加权马尔可夫链模型减小了一半,其预测效果十分理想.在此基础上,对2014~2020年大连铁路客运量数据进行了预测.     

铁路客运量的系统动力学预测

在分析铁路客运量主要影响因素的基础上,建立了铁路客运量预测的因果关系图和流程图,写出了DYNAMO方程,并对模型中的参数进行了标定,利用历史数据检验及灵敏度分析对模型的有效性进行了验证,对我国未来五年的铁路客运量进行了预测.结论显示,经检验模型有效可行,系统动力学方法较好地符合铁路客运系统的特征要求,能够很好地进行铁路客运量短期预测.     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

铁路客运量预测模型对比分析

为给铁路运输部门规划设计提供科学准确的短期铁路预测客运量,以2005—2018年铁路月客运量为基础,根据其增长趋势和周期性变化规律,分别采用季节性指数平滑法和季节差分自回归移动平均法(seasonal autoregressive integrated moving average,SARIMA)建立模型,预测2019年铁路客运量,并与实际客运量对比。以平均绝对百分比误差(root mean square error,MAPE)和均方根误差(root mean square error,RMSE)为衡量标准,对比分析2种方法的预测结果。分析结果表明:与指数平滑法相比,应用SARIMA模型使预测的铁路客运量的MAPE减少56.26%,RMSE减少64.61%,SARIMA模型更适合对铁路客运量进行短期预测,精度较高。     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

基于灰色关联理论与多元线性回归模型的铁路客运量预测

对铁路客运量进行定性分析,采用灰色理论中的灰色关联分析方法,对影响铁路客运量的因素进行关联分析,挑选出关联性最强的因素,建立铁路客运量与影响因素之间的多元回归预测模型,通过实例证明,该预测方法简单可行,预测精度较高。     

基于数据预处理的铁路客运量灰色预测模型

铁路是国家的基础设施,对铁路的客运量进行准确地预测具有重要的理论意义和实际应用价值。首先对传统预测方法进行了分析,指出它们在运量预测中的不足,进而提出应用灰预测进行运量预测的优势。结合滑动平均法对灰预测方法进行了改进,同时考虑初始条件的改变。在预测2006-2010年全社会客运总量的基础上,根据铁路客运在各种运输方式中所占的份额预测2006-2010年的铁路客运总量。     

组合预测方法在我国铁路客流预测中的应用

科学准确地预测铁路客运量是制定铁路网规划的基础。目前,运量预测的模型很多,单一模型并不能完全反映运量的变化规律和信息,因此,应采用Box-Jenkins模型和灰色预测模型相组合的预测模型方法对我国的铁路客运量进行预测,结果表明,组合预测模型能够提高我国铁路客运量的预测精度。     

基于SARIMA模型的铁路月度客运量预测

铁路月度客运量数据序列在长期内具有线性增长趋势,且在短期内又随月份波动变化明显。本文通过构建季节差分移动自回归模型(SARIMA)对2016年铁路月度客运量进行精确预测,挖掘铁路月度客运量的季节性波动规律,为铁路客运管理人员调整列车运行图,制定客车开行方案提供重要参考,以便于铁路客运站确定客流高峰预警时间和提高客运组织效率。     

基于云遗传算法优选的SVR交通量预测模型

针对城市主干道交通流量的实时变化和波动性特点,利用支持向量回归机(support vector regression,SVR)进行城市主干道短时交通流量预测.为了优选SVR模型参数,基于混沌logistic 映射和云自适应机制对标准遗传算法进行改进,建立了基于混沌云自适应遗传算法(chaos clouds adaptive genetic algorithm,CCLGA)进行SVR参数优选的CCLGA-SVR城市主干道短时交通流量预测模型.综合考虑了短时交通量各个影响因素,结合实测数据进行了实证预测分析,仿真结果表明文中提出的预测模型精度较高,寻优速度较快,可有效应用于城市主干道短时交通流量预测.     

铁路客流量预测分析与研究

铁路客流量预测与分析对铁路部门采取有效的应对措施具有十分重要的意义,分别应用基本的神经网络和遗传算法优化BP神经网络对客流量进行了预测,建立铁路客流量网络预测模型.分别利用以前客流量的数据对2011年和2012年的客流量做了预测验证,并对2013年的客流量做了预测,结果表明利用遗传算法优化BP神经网络得到的预测数据和实际的基本相符,该预测算法应用到客流量的预测中效果良好,具有很好的应用和推广的前景.     

Prediction of Railway Passenger Traffic Volume

The current situation of the railway passenger traffic (RPT) andthe traffic marketing is analyzed. The grey model theory is adopted to establish a prediction model for the railway passenger traffic volume (RPTV). The RPTV from 2001 to 2005 is predicted with the proposed model, and a few suggestions are put forward.     

灰色预测模型在铁路客流预测中的应用

运量预测是铁路运输组织工作的重要基础和主要依据之一,是一项经常性工作。只有根据运量预测结果及其他方面的信息才能做出科学的决策,编制出可行计划、规划或发展战略,最大程度地减少风险,降低运作成本,减少设施闲置。运用灰色预测模型建立铁路客流预测模型,对我国铁路客运量进行预测,灰色模型的方法简单,适合在数据少的情况下预测短期客流量。     

呼和浩特至张家口客专本线客流预测研究

随着社会经济的快速发展,我国铁路客运业也得到迅猛发展。铁路客运量的预测是运能分配、产品设计以及制定营销策略的基础。使用我国铁路客流预测普遍采用的“四阶段”预测法对新建呼和浩特市到张家口市本线客流进行预测。在有无呼和浩特至张家口客运专线的情况下,首先,使用重力模型对本线直接客运需求进行预测;其次,使用logit模型对直接需求进行运输方式分配;最后,在有呼和浩特至张家口客运专线的情况下对产生的转移运量和诱增运量分别进行计算。计算结果证明,呼和浩特至张家口客运专线对于本线旅客出行影响较大,结论可为本线旅客列车开行方案制定提供依据。     

对我国高速铁路客运量预测的探讨

分析了客运量的影响因素、铁路客运在全国客运市场的地位,提出在市场经济条件下高速铁路客运量的预测方法,即先预测整个客运市场的客运量,再根据高速铁路在客运市场的地位和作用确定其客运量。最后给出一个例子对此予以说明。     

大连站旅客流量及其特征分析

定量分析了大连站在不同时期的客流量分布及其特征，为建立大连站客流量预测模型，进而科学地制定旅客输送计划提供了依据。     

基于时段分布的市郊轨道交通车站滞留客流分布算法

市郊轨道交通车站滞留客流的分时段预测,关系到运营计划的调整、乘客出行 方式的选择、出行时间的预估等,尤其对市郊线路快慢车模式下开行方案的优化具有重 要意义.首先引入出行方式角度费用理论,分析了乘客公交出行与地铁线路形成的角度费 用,构建了角度费用模型Anglecostm,n k ,计算乘客的流失率VPn ,进而确定因滞留客流达到 阈值而导致的乘客流失量.其次,以AFC获取的客流数据为支撑,结合角度费用模型对乘 客流失量的计算,提出了一种基于时段的滞留车站客流分布预测方法,接着分析了站台 候车客流与通过列车实际载客情况两者之间的客流交互规律,提出了候车客流-列车载 客量影响动态交换模型,并分析和研究该模型求解算法.最后,以某市郊线路进行实例演 算,预测结果可为轨道交通开行方案优化提供理论和方法支持,对运营计划临时调整,客 流预测及引导模型的补充等提供参考.