基于主成分回归的区域物流需求预测研究——以云南省为例

为了能够给区域物流发展政策的制定、物流基础设施建设规模的确定、物流市场态势的分析等提供定量的物流需求规模数据,建立科学合理的预测模型显得尤为重要。首先,研究区域物流与区域经济的关系;其次,从货运量、货运周转量两个指标中选取货运周转量来表征区域物流需求规模;最后,从区域经济指标中选取第一产业总产值、第二产业总产值、第三产业总产值、社会消费品零售总额、固定资产投资额、进出口额等指标作为影响因素,借助SPSS统计分析软件,以云南省统计数据为基础,建立基于主成分回归方法的区域物流需求预测模型。研究结果表明,该模型在对云南省物流需求规模进行预测时,模型平均相对误差小于4%,预测精度高,可以作为中短期物流需求预测的工具。     

基于大数据分析的多维公路货运价格预测问题研究

公路货运价格由于受油价和货运周转量的动态变化影响,无法实现精确预测,一直困扰着运输行业.采用时间序列预测与BP神经网络相结合的方法进行预测研究:首先,将订单中的经纬度信息利用高德地图API接口转变成具体地址,从地理信息编码提取省、市信息,对货运订单进行跨区域分类;然后,运用指数平滑法和A RIM A模型分别对油价及货运周转量动态特征进行预测;再对运输距离、油价和货运周转量数据进行标准化操作,用处理后的数据对BP神经网络进行训练,得到训练完成的神经网络;最后,使用测试样本对模型进行测试,将加入时间序列预测的B P神经网络模型与不加入时间序列预测的模型相比较,发现前者的预测误差减少37.2％.     

基于GARCH的短时风速预测方法

为提高高速列车运行的安全性,基于线性递归的差分自回归移动平均模型(auto-regressive integrated moving average, ARIMA)和非线性递归的广义自回归条件异方差模型(generalized auto-regressive conditionally heteroscedastic, GARCH),提出一种组合模型ARIMA-GARCH进行高速铁路强风风速的短时预测.首先对数据的非平稳性进行预处理,以降低数据非平稳性对所提模型的影响;其次建立线性递归的ARIMA模型对数据进行分析和预测;最后,引入非线性递归的GARCH模型对数据进行分析和预测.基于现场测量的样本仿真分析表明:相比原始数据,ARIMA-GARCH模型的预测精度较高且随着预测步长的增加,平均绝对误差仅从0.836 m/s增加到1.272 m/s;ARIMA-GARCH模型考虑了异方差这一非线性特性,其预测精度明显好于线性的ARIMA模型,其中超前6步预测的平均绝对误差精度提高11.54%.      

基于ARIMA-LSTM的高速公路交通安全组合预测模型研究

为建立准确有效的交通事故预测模型,提升高速公路交通安全水平,以重庆市11条高速公路2011—2016年共计65 119起交通事故为基础,选取“事故数量”和“死亡人数”2项总量指标,描述统计高速公路交通事故在时间维度上的月分布规律。通过自回归差分移动平均(ARIMA)模型捕捉时间序列数据中的线性时序特征,使用长短时记忆神经网络(LSTM)模型拟合预测残差序列中的非线性时序特征,建立了基于ARIMA和LSTM的高速公路交通事故组合预测模型,并以均方根误差(RMSE)、平均绝对百分比误差(MAPE)值作为模型的评估指标。结果表明：ARIMA-LSTM组合预测模型各项指标的预测精度均优于单一的ARIMA模型,其中“死亡人数”组合模型改善效果显著,其RMSE与MAPE值相较于ARIMA模型分别改善了55.83%和54.80%;“事故数量”组合模型的RMSE和MAPE相较于ARIMA模型改善了23.15%、23.29%。     

基于灰色马尔科夫模型的交通事故预测研究

以全国交通事故数为研究对象,旨在实现对道路交通事故的有效预测,通过采用灰色模型和马尔科夫模型相结合的方式,建立灰色马尔科夫模型。依据2005~2014年的全国交通事故起数对模型进行精度验证,并对未来3年的交通事故数进行实例预测。结果表明:灰色马尔科夫模型的残差均值相比单一的灰色模型降低了0.020 4,平均相对误差降低了4.45%,预测精度有明显提高,预测结果具有动态波动性,更符合实际需求,从而为道路安全管理提供决策支持。     

基于无偏灰色马尔科夫模型的客流量预测

为合理制定城市轨道交通列车开行方案,同时为城市轨道交通公安机关布置警力提供科学依据,采用无偏灰色马尔科夫模型进行客流预测。分析灰色GM(1,1)模型和无偏灰色GM(1,1)模型的基本特点,在此基础上构建马尔科夫模型。以郑州地铁1~#线2017-02-03—02-18每日客流量为基础,分别利用无偏灰色GM(1,1)模型和马尔科夫模型计算客流量,并对预测结果进行检验对比。结果表明:马尔科夫模型较无偏灰色模型对客流量的预测精度提高54%。利用马尔科夫模型对未来3d的客流量进行预测,预测结果符合城市轨道交通客流的实际情况。     

综合货运网络规模及货物周转量算法研究

通过30年来全国范围综合货运网络基础数据的分析,采用数理统计的方法,得出了三大产业生产总值和5种运输方式所承担货物周转量的相关关系函数,并以此确定了综合货运网络各种运输方式的里程规模.结合当前常规数据结构,建立不同运输方式所承担货物周转量合理比例的多目标货物周转量比例计算模型（CCTV Model）,并基于运输效率、运输效益、对经济增长的贡献分别确定了合理货物周转量构成比例.结果表明,模型利用国内的常规数据结构能够较好的预测综合货运周转量比例,并应用于未来综合货运结构的预测和分析,不同目标值决定了不同的运输方式货物周转量构成比例.     

成都双流机场旅客吞吐量的预测研究

机场旅客吞吐量是衡量一个地区发展的重要标志,也是实现机场资源有效配置的根据。因此,精确地预测机场旅客吞吐量对机场规划和建设具有重要的意义。选用2005—2017年的成都双流机场旅客吞吐量作为数据,首先,建立ARIMA模型和灰色预测模型并进行预测。然后,在此基础上运用赋权法对两种模型进行组合,形成灰色-ARIMA组合预测模型。最后,将3种模型的预测结果与实际值进行比较。结果证明,组合模型的预测平均绝对误差低于另外两种模型,具有较好的预测效果。     

基于多源数据融合的干线公交车辆 行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.     

基于多源数据融合的干线公交车辆行程时间预测

为提高城市中心区干线公交车辆行程时间的预测精度，在拟合公交车辆行程时间分布特征的基础上，提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合，其中混合高斯分布函数适用于单路段拟合，对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析，其中上游路段前2 个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测，其中改进的SVM模型的平均绝对百分比误差为6.26%，优于ARIMA模型的11.69%，更适用于短距离交叉口间的公交车辆行程时间预测.     

道路交通事故的灰色马尔科夫预测模型与算法

将灰色模型与马尔科夫链结合,建立了针对道路交通事故预测的灰色马尔科夫模型.既可以发挥灰色系统预测精确的特点,又可以利用马尔科夫链对准确预测波动性数据的优势.在灰色马尔科夫链模型的算法基础上,进行灰色马尔科夫链预测系统的设计.用我国道路交通事故次数的数据进行预测验证.结果表明.灰色马尔科夫链模型能很大的提高预测的精度和效果,符合实际要求.     

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度，提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间，利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间；将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量，基于底层BPNN模型预测车辆在目标路段的行程时间，进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试，并与其他4 种模型进行比较. 结果表明，所提模型具有较高的预测精度，尤其在雨天，比传统BPNN模型预测精度提高57.25%.     

灰色系统理论在道路货运量、货运周转量预测中的应用

基于灰色系统GM(1,1)模型和残差修正GM(1,1)模型,预测道路货运量及货运周转量,可充分开发并利用了少量数据中的显信息和隐信息,避免复杂的相关关系,克服原始数据的离散性,得到高精度的预测结果.以山东省道路货运量及货运周转量为例进行了中短期预测,并用后验差方法对预测结果进行了检验。     

基于数据驱动的电动自行车换电需求预测

换电企业在城市内建立换电柜，满足不断增长的电动自行车换电需求，涉及到换电柜的选址，电池的投放和换电需求的预测。本文分析了国内某大型换电企业的换电订单数据，发现换电柜存在使用严重不均衡问题,为提高使用率，降低换电成本，提出按区域对换电需求量进行聚类并预测的方法。首先，对换电柜位置进行K-means聚类，据此优化换电柜的投放量，提高使用率；随 后，采用整合移动平均自回归模型(Autoregressive Integrated Moving Average model, ARIMA)预测短时换电需求。实验发现，ARIMA模型在短时换电订单的需求预测上具有较高的预测精度，与其他基线模型相比，各指标均为最好，说明换电需求在时间上更趋于线性关系。本文提出的换电柜优化方法和短时需求预测结果为换电企业的换电柜选址和电池投放量提供数据支持。     

基于ARIMA模型预测梅毒月发病率的价值

目的探讨建立ARIMA模型在梅毒月发病率预测中的应用价值,为梅毒防控工作提供依据。方法运用Eviews8.0软件对2009年1月-2015年12月我国梅毒月发病率数据建立ARIMA模型,利用2016年1月-6月实际数据验证,评价模型精度指标采用均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分误差(mean absolute percentage error,MAPE)、平均相对误差(mean relative error,MRE)。同法外推预测2016年7月-12月全国梅毒月发病率。结果 2009年1月-2016年6月全国梅毒月发病率最优模型是ARIMA(2,1,1)×(0,1,1)_(12),模型表达式为:(1-B)(1-B~(12))(1+0.820B)(1+0.566B~2)x_t~2=(1+0.365B)(1+0.897B~(12))ε_t,R~2=0.832,RMSE=0.181,MAE=0.118,MAPE=5.088。外推2016年7月-12月预测结果分别为3.124、3.008、2.906、2.691、2.714、2.717。结论 ARIMA模型具有较高的预测精度,可较好地拟合我国梅毒月发病率的演变趋势并进行短期预测。     

模糊线性回归模型在航空客运周转量预测中的应用研究

为能准确把握航空客运周转量的未来特征,寻求高精度预测方法是学术界多年致力研究的热点.拟采用模糊线性回归模型预测我国航空客运周转量,并利用因子分析法对该模型及常见预测方法进行评估.评价结果可知:模糊线性回归模型的预测精度不仅高于单因数趋势外推的预测方法(灰色模型、增长率统计法和指数平滑法),也高于多因素综合性预测模型(多元线性回归),说明此模型在预测航空客运周转量的变化中有一定实用价值.     

交通流预测的马尔科夫粒子滤波方法研究

智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.针对目前马尔科夫交通流量预测模型在精度方面的不足,以及交通流量随机性、波动性的特点,提出马尔科夫粒子滤波交通流预测模型.一方面,将对交通流量预处理后的样本数据应用于马尔科夫模型中预测未来交通流量,能够较好地描述交通流量的变化趋势;另一方面,针对该预测结果精度的不足及对非线性预测不稳定的缺点,引用粒子滤波算法,将预测结果及权值进行不断更新,以及样本重选样过程,经过多次迭代,使样本粒子更加逼近真实预测值,从而提高预测精度.最后,以北京昌平区某检测器检测到的交通量进行仿真,将预测结果与传统马尔科夫链进行误差对比分析.结果表明,本文提出的马尔科夫粒子滤波交通流预测模型 5 min间隔误差为6.14%、1 h间隔误差为6.04%,预测精度高,具有更好的适用性和稳定性.     

基于ARIMA模型的城市轨道交通进站量预测研究

客流量预测是客运组织的基础,预测结果能够为运营管理及应急处置提供决策依据。针对城市轨道交通客流量预测问题,在分析轨道交通站点客流的周期性波动规律及变化趋势的基础上,构建自回归积分滑动平均模型(ARIMA)进行站点进站客流量的短期预测。以北京地铁为例进行实证分析,利用符合要求的季节ARIMA模型对客流量进行短时预测,选取东直门站实际客流进行模型参数标定,并对路网上典型车站(端点站、中间站、换乘站及接驳站)进行客流预测。研究结果表明:自回归积分滑动平均模型的平均预测误差仅为4%,具有较高的预测精度,验证了预测方法的准确性。     

寸滩站年最高水位预测模型研究

寸滩水文站是长江上游的主要控制站,分析可知,从20世纪70年代开始,由于年降水量的减少和气温的下降,年最高水位也呈逐渐下降的趋势.本文将灰色系统理论与马尔科夫链理论相结合,以1940年至2003年寸滩站年最高水位序列为研究对象,建立灰色马尔科夫预测模型.从预测结果看出,所建灰色模型大体反映了年最高水位的下降趋势,而经过马尔科夫模型对预测误差进行修正后,模型预测精度提高,计算值与实际值吻合良好.对其他站年最高水位的模拟分析表明,模型精度能满足年最高水位预报要求.说明灰色马尔科夫模型可以应用于长期预报中.     

基于灰理论的成都市铁路旅客周转量预测

铁路旅客周转量是一个受多种因子制约的多层次的复杂关系量,将成都市2004—2008年铁路旅客周转量作为基础数据,运用灰理论所提出的灰系统模型预测法,建立GM（1,1）模型,预测2009--2011年的铁路旅客周转量。预测结果表明2009--2011年成都市铁路旅客周转量总体呈上升趋势。同时,GM（1,1）预测值经过检验,预测结果精度较高,说明预测方法的可靠性,预测结果对合理布局规划成都市铁路枢组具有重要的现实意义。