公路货物运输量灰色马尔可夫预测模型

为了提高公路货物运输量的预测精度,结合灰色系统和马尔可夫链的特点,建立公路货物运输量灰色马尔可夫预测模型.在实例应用中,建立运输量GM(1,1)灰色预测模型,在获得预测值和残差检验的基础上,将原始数据序列划分为4个状态,计算状态转移概率,利用灰区间中位数建立货运量灰色马尔可夫预测模型,对货运量和货运周转量进行预测.将其预测结果与GM(1,1)灰色模型的预测结果比对,结果表明,灰色马尔可夫预测模型可以用于公路货物运输量预测,且其预测精度高于GM(1,1)灰色模型.     

在地公路货物运输量统计方法

提出了在地公路货物运输量的概念, 将非营运货车和外地货车纳入了在地货物运输量的统计范畴, 归纳了基础数据集; 通过分析车辆注册地、使用性质、路网等级和车流流向等因素, 提出了在地货物运输量的统计思路和拆分逻辑, 建立了在地公路货运量和货物周转量统计模型; 基于本市籍营运货车产生的货运量, 提出了在地货运量规模指数用以评估在地货运量的相对偏移程度和外地货车的参与程度。研究结果表明: 控制极限误差在10%以下时, 5种基础数据集, 即货运专项调查数据、高速公路联网收费数据、普通公路抽样调查数据、普通公路交通量调查数据和车辆管理所在册货车数据可完成在地货物运输量的精细化推算; 提出的统计模型使所研究城市创造每万元GDP的货物周转量与全国平均水平的相对偏差率为0.45%, 具有一致性; 所研究城市的在地货运量规模指数为2.47, 说明实体经济发达的城市中外地货车在当地参与运输的程度偏高; 本市籍营运货车货物运输量不足以支撑当地经济规划; 本市籍在册营运货车少并不能代表本市运力不足, 所研究城市的本市籍营运货车主要承担短途运输, 在总市内货运量中占66.28%, 而外地货车主要承担市际与省际间的货物交流, 在总跨市货运量中占79.16%;货车按车型计费后, 每种货车车型的平均载货质量与按车流划分的重车比将是在地货物运输量统计的关键参数; 省际间3轴及以上货车车流量存在着不均衡性。      

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

基于PCA和HMM的汽车保有量预测方法

分析了常用的汽车保有量预测方法,提出了一种新的基于主成分分析和隐马尔可夫模型的汽车保有量预测方法.选取国民总收入、人均GDP、人口总数量、城市化率、固定资产投资总额、进出口总额、城镇居民人均可支配收入、钢材产量、公路货运量、公路客运量、社会消费品零售总额11个指标作为汽车保有量的主要影响因素,运用主成分分析提取了主要影响因素的主成分.以提取的主成分与汽车保有量分别作为自变量、因变量,建立了回归分析模型.以汽车保有量回归预测值的年增长率为隐状态,以回归预测值与实际值的相对误差为可见信号,建立了隐马尔科夫模型,并对的汽车保有量回归预测值进行修正.分析结果表明:基于1994～2008年的中国汽车保有量及其主要影响因素的历史数据,应用提出的方法得到2009、2010年的汽车保有量修正值分别为6.220 96×107、7.825 12×107 veh;与2009、2010年实际汽车保有量比较,相对误差分别为-0.95％、0.30％.可见,基于主成分分析和隐马尔科夫模型的汽车保有量预测方法具有良好的预测精度,能够适用于短期预测.     

基于层次结构模型的RBF神经网络货运量预测方法

为了有效地进行交通货运量预测,通过对货运量影响因素的分析,建立了关于货运量影响因素的层次结构模型,并根据该模型构建基于RBF神经网络的货运量预测方法。用我国1985~2004年的货运量对该神经网络进行训练和预测,同时与BP神经网络预测方法进行比较。结果表明,该方法具有更快的运算速度和更高的精度,具有很好的预测能力和应用价值。     

基于极限学习机的公交行程时间预测方法

以公交车GPS数据为基础,建立了基于极限学习机方法的公交站点间行程时间预测模型.依据GPS数据在站点附近的特征表现,定义了公交车到站临界点,并分析了临界点处车辆的5种运行状态;提出了公交车到站时刻估算方法,进而得到公交车行程时间数据;通过分析公交车行程时间数据内在特征,确定了极限学习机模型关键参数及其纬度;最后,以长春市88路公交车GPS数据为基础进行了方法验证.结果表明,所用ELM方法预测误差约为11%,并与应用广泛的BP神经网络、RBF神经网络、SVM进行对比分析,发现ELM方法在满足精度前提下拥有更快训练速度与预测可靠性.     

层次极限学习机用于高光谱图像预测绝缘子污秽度

高光谱图像具有图谱合一、光谱范围广及分辨率高等优势，能精细化地反映物质微观特性. 为此，引入高光谱成像技术以非接触式预测绝缘子污秽度. 考虑到极限学习机具有学习效率高和泛化能力强等优点，提出基于正则化约束极限学习机的绝缘子污秽度预测（extreme learning machine-insulator pollution degree prediction，ELM-IPDP）模型. 此外，为进一步提升预测性能，引入层次极限学习机从复杂的高光谱图像中学习出有效、抽象、判决性特征表示，继而建立基于层次极限学习机的绝缘子污秽度预测（hierarchical ELM-IPDP，HELM-IPDP）模型. 在不同的训练集与测试集比例和不同隐含层神经元个数的情况下分别进行实验，从实验结果可知:ELM-IPDP模型和HELM-IPDP模型的预测性能基本上随着隐含层神经元个数和训练样本的增加而不断提高；当训练集与测试集比例为9∶1时，ELM-IPDP模型的均方根误差和相关系数分别为0.040 3和0.944 7，而HELM-IPDP模型的均方根误差和相关系数分别提升到0.022 3和0.972 0.      

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

关于对货物运输量测算方法的研究

在交通运输行业中,货物运输量增长速度是地区生产总值核算的重要基础指标,也是反映道路货物运输市场发展的重要指标。为了更好地测算货物运输量指标,本文以辽宁省为例对货物运输量测算方法进行了研究。首先,确定了调查范围、对象和内容;其次,采取了全面调查和抽样调查相结合的二阶抽样方法;最后,通过对搜集的数据进行处理和测算得出辽宁省全年货运量和货物周转量。     

公路运输统计指标数据质量评估方法研究

面对政府统计工作改革和行业决策管理的双重要求，针对公路货物运输量统计数据受外部 因素干扰，存在较严重准确性的问题，从控制省级上报统计数据质量角度入手，在研究不同评估方法对公路货运量的适用性基础上，提出了一种基于相关性和正态分布的异常值检验方法。从行 业数据内部协调性和外部数据匹配性的角度，选取了高度相关的判别指标作为评估依据，构造了判别指标与货运量的发展速率比服从正态分布的检验统计量。在给定的显著性水平下计算该统计 量并进行异常值诊断，检验各省货运量增长速度的截面数据是否偏离正态分布成为异常值，以此建立公路运输量统计评估模型，为开展公路货物运输量数据质量评估工作提供指导。结果表明，在实际工作中，该方法可以有效诊断出数据异常省份并指导其进行数据核实和修正，有助于建立长期质量评估机制，从而反映公路运输业真实发展情况，为行业提供更有效、更可靠的统计信息 服务。     

快速货物运输运量预测与分析

发展我国铁路快速货物运输是铁路走向市场、满足多元化市场需求、增强企业竞争力、巩固和扩大市场份额的客观要求，也是调整货运结构的重要举措。本文对我国未来快速货物运输的货运量及地区间的快速货物交流量的生成、增长、变化规律及发展趋势进行了预测分析，对逐步建立和发展铁路快速货物运输体系起到关键作用。     

基于模糊线性回归模型的公路货运量预测方法

确定了公路货运量的影响因素分别为GDP、人口数量、社会消费零售总额和农副产品产值,构建了基于模糊线性回归模型的公路货运量预测方法。以延安市公路货运枢纽规划为实例,1995～2004年的货运统计量作为因变量,确定了模型的模糊系数。以2005～2010年的货运统计量作为验证值,分析了模型的拟合精度,并将模糊线性回归模型的预测结果与指数平滑法、灰色模型、弹性系数法3种常见预测方法的预测结果进行比较。研究结果表明:在模糊线性回归模型中,t检验的平均值为0.673 07,说明预测值与实际值差异不显著,模型预测效果较好;4种方法的平均相对误差分别为0.073 1、0.100 3、0.167 8、0.232 9,可见,本文方法误差最小。     

基于极限学习机的交通事故严重程度预测

极限学习机是单隐层前馈神经网络,作为BP神经网络的一种改进,极限学习机克服BP神经网络需要设置大量网络训练参数,并容易产生局部最优解问题的缺隐,交通事故严重程度的预测适合用极限学习机建模预测。研究选取某城市道路交通事故数据,利用基于LM算法(Levenberg-Marquardt)的BP神经网络和极限学习机建立事故严重程度的预测模型,随机选取80%的样本作为训练集、选取20%的样本作为测试集,对测试集的期望值和网络输出值进行比较,结果表明,极限学习机的预测性能比BP神经网络的要好。     

公路货运量预测的系统动力学模型构建

用系统工程的观点对公路货运系统进行了综合、动态的分析,在具体分析公路货物运输系统主要影响因素的基础上,分别构建了道路运输需求及供给的子系统动力学模型,该模型可以通过计算机进行模拟,进行公路货运量的预测。     

基于产业结构测度的货运量预测模型

在对货运量预测理论及步骤概述的基础上,重点分析基于产业结构测度的货运量预测模型。并以合肥市为例,将单位GDP货运量的生成量与产业结构测度二者关系数量化,建立二者关系模型,根据统计学的方法检验模型的可靠性,并利用该模型预测地区货运量。     

基于灰色Verhulst模型的民航远期货运量预测研究

从分析民航远期货运量预测的难点入手,引入灰色Verhulst模型,并分析了此理论应用于中国民航长期货运量预测的可行性及方法,在此基础上建立了民航货运量的Verhulst预测模型,结合中国民航货运量的历史数据进行了研究和分析。研究表明,灰色Verhulst模型在民航长期货运量预测方面具有较好的应用效果。     

基于粒子群优化算法下的灰色系统船闸货运量预测

采用灰色系统理论,建立了基于GM(1,1)的船闸货运量预测模型.模型参数计算分别采用粒子群优化算法和最小二乘法,两者进行对比发现,预测误差相当,但是粒子群优化算法可以避免繁琐的矩阵运算而优于最小二乘法.应用基于粒子群优化算法的灰色系统模型进行了船闸货运量的预测.     

��·������Ԥ��ĸĽ�BP�����緽��

铁路货运量与其影响因素之间存在着复杂的非线性关系，传统的BP神经网络模型能对非线性系统进行很好的拟合，但模型的预测能力不强。通过单位根检验，可知铁路货运量及其影响因素的时序列数据是非平稳的。本文通过分析BP神经网络的传递函数对非平稳时间序列预测的不利影响，提出用差分法对输入数据进行预处理，在此基础上建立了铁路货运量预测的改进BP神经网络模型，并通过实例计算说明了这种改进BP神经网络方法对提高铁路货运量预测精度的有效性，最后利用该模型对2006—2O1O年的铁路货运量进行了预测。     

����BP����������Ԥ��ģ�ͼ����ڹ�·������Ԥ���е�Ӧ��

组合预测方法与单一预测方法相比可以提高预测的精度和稳定性，因此得到广泛的应用。本文首先概述了组合预测的基本思想，然后介绍了基于BP神经网络的组合预测模型，并以吉林省公路货运量为例给出计算实例，实例的预测结果非常理想，同时也用数理统计的方法证明了此模型的适用性。统计分析和实践都证明此模型的可行性和适用性，说明将此模型用于公路交通运输量预测是有效可行的。     

建立山东省与韩国间货物运输快速通道的探讨

在回顾山东省与韩国间货物运输发展的基础上，预测了山东省与韩国间集装箱货运量的发展趋势，分析了建立中韩间货物运输快速通道的重要性和可行性，提出了建立中韩间货物运输快速通道的设想。