基于改进灰色GM(1.1)模型的铁路货运量预测

针对铁路货运量年度长期预测对货运部门制定短期运输规划指导不足的问题,引入GM(1.1)模型预测铁路月度货运量.考虑货运量序列常呈振荡波动的特征,利用加速平移变换和加权均值变换弱化序列的波动性后,建立改进灰色GM(1.1)模型实现最终预测.对我国2019年11月至2020年5月铁路月度货运量序列拟合结果比较表明,与传统GM(1.1)模型相比,改进GM(1.1)模型在预测精度方面明显提高,能更好的拟合铁路月度实际货运量,解决了传统GM(1.1)模型对呈现振荡波动现象的铁路货运量预测精度较低的问题.     

短期货运预测模型研究

短期货运量的预测对于交通运输系统的运作与管理具有重要意义．本文将回归分析与时间序列分析相结合,提出一个带有回归项和时间序列误差项的回归-时序混合模型,用以进行短期货运量的预测．在对模型进行识别、初估计的基础上,采用极大似然方法进行参数估计,经反复拟合,并对模型进行相应检验,最后得到符合要求的拟合模型。应用此回归-时序混合模型进行月度货运量的拟合预测,并与多元线性回归模型和季节ARIMA模型的拟合预测结果相比较,表明回归-时序混合模型可以提高短期货运量的预测精度。     

��·������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。     

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ARIMA模型的极端事件下铁路货运量预测研究

合理预测货运量是铁路部门制定列车开行方案及组织管理的基础,在类似突发疫情这种极端事件时,准确预测铁路货运量的数据与变化趋势对铁路工作的开展有重要的参考意义。建立ARIMA模型,利用2010年1月—2020年1月的铁路货运量正常数据与疫情突发后2020年2月的异常数据,对2020年3—10月的铁路货运量进行预测。结果表明,ARIMA模型能够结合异常数据对极端事件发生后的铁路货运量进行较精准的预测。     

组合预测模型在铁路货运量预测中的应用

货运量预测是铁路运输规划的基础,单一预测方法很难准确有效地进行运量预测。探讨组合模型在铁路货运量预测中的应用,以全铁路货运量及社会经济发展状况为样本,对未来铁路货运量进行预测。实证预测结果表明：组合预测模型能有效综合各模型的有用信息,从而提高模型预测精度,与单一模型相比,该方法具有较好的实用价值。     

BP神经网络在新疆货运量预测中的应用

在分析货运量影响因素的基础上,利用BP神经网络建立新疆货运量时间序列预测网络结构模型.利用1995～2006年新疆货运量历史数据,对模型进行训练和拟合,再选用2007 ～2008年的历史数据作为网络模型检验样本,同时采用移动平均法、指数平滑法对新疆货运量进行预测,并对预测结果作对比分析.研究表明,采用BP神经网络预测新...     

基于多种模型的黑龙江省公路货运量组合预测

利用黑龙江省公路货运量时间序列信息,基于多种模型对黑龙江省公路货运量进行组合预测,为管理部门的决策提供依据。     

航空货物运量分形预测及R／S分析

航空货运量预测是航空公司运力安排的重要参考。本文根据分形拼贴定理,由分形插值方法求取一个吸引子与航空货运量历史数据相近的迭代函数系统,建立分形预测模型,对航空货运量进行预测。预测结果表明,该方法不存在收敛性问题,数据收集简单,具有较好的实用性。货运量时间序列R/S分析进一步表明了预测值的合理性。     

基于GM(1,1)残差二次修正的铁路货运量预测

铁路货运量是铁路运输能力的重要体现,也是确定铁路交通基础设施建设规模的主要依据。铁路货运量的预测结果是否合理,会对铁路的运输生产及效益产生直接影响。在传统GM(1, 1)灰色预测及GM(1, 1)残差一次修正模型的基础上,建立GM(1, 1)残差二次修正预测模型,从而提高模型预测的精度,并基于残差二次修正后的模型预测未来三年我国铁路的货运量,以期为铁路部门制定未来铁路运输发展战略,合理利用资源,充分发挥铁路运输能力提供参考。     

铁路枢纽内货运量的模糊预测

分析了铁路枢纽内影响货运量的因素，讨论了不同因素的数据处理方法，建立了预测货运量的模糊回归模型，并通过算例求解，对某铁路枢纽的货物发送量进行了预测。     

基于GA-BP模型的铁路货运量预测

针对于目前已有铁路货运量预测方法的缺陷与不足,提出基于遗传算法和神经网络的混合预测模型对铁路货运量的预测方法进行改进优化,目的保证其预测精度.首先引用灰色关联分析法,以此来确定全国铁路货运量与其主要影响因子之间的关联度,然后按照其关联度在标准值之上的关联因子,建立GA-BP神经网络预测模型.最后通过实例分析表明,此模型预测精度及推广能力均优于传统的预测方法,从而证明该方法的可行性和有效性.     

基于改进灰色-马尔可夫链方法的铁路货运量预测

科学的货运量预测对铁路发展战略的制定具有十分重要的意义.针对灰色模型的预测结果精确度受原始数据变化幅度的影响较大,且要求累加生成的数据列具有指数性质的缺点,采用带波动的多项式来替代GM（1,1）模型中的指数形曲线,并通过马尔可夫链对其预测结果进行修正,从而建立改进的灰色-马尔可夫链预测模型,同时利用该改进模型对我国铁路货运量进行预测,并与传统的GM（1,1）模型、改进的GM（1,1）模型和灰色-马尔可夫模型3种预测方法进行了比较,结果表明：提出的预测方法具有较高的精度,具有一定的可行性和有效性,预测结果可指导铁路建设与管理.     

基于残差修正GM(1,1)模型的包神北线货运量预测

运用灰色理论,以包神铁路北线2010—2016年的货运量为基础对包神北线的货运量进行预测。根据GM(1,1)模型建立的步骤,建立包神北线货运量预测模型,并对残差进行分析,并通过残差修正模型对残差进行修正;最后使包神北线货运量的预测值在合理的预测精度之内,并对预测结果进行分析。为管理决策人员做出科学合理的决策提供理论依据。     

基于ARMA模型的经济非平稳时间序列的预测分析

时间序列分析方法是经济领域研究的主要工具之一．它用合适的模型描述历史数据随时间变化的规律，并预测经济变量值．而ARMA模型是适用于任何序列的发展形态的一种高级预测方法，它描述时间序列的动态性和发展变化规律．文中通过ARMA模型分析时间序列的随机性和平稳性，以一种商品月度销售额具体分析，用sas软件检验模型的可行性，并预测应用．结果表明．模拟值和真实值接近，在实际应用中预测值的准确对于指导商家的战略决策起重要作用．     

用改进的前向神经网络预测铁路货运量

对影响铁路货运量的因素进行了分析。根据影响铁路货运量的诸因素的特点，介绍了一种改进的前向神经网络预测方法，并建立了铁路货运量前向神经网络预测模型。算例表明，其预测精度高于常规预测方法。     

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

“一带一路”背景下中—老运输通道货运量分担率预测方法研究

为了分析中老铁路开通运营后货物运输发展格局,在考虑货主选择货物运输方式影响因素的基础上,选取运输能力、运输时间、运输费用、服务水平4个因素作为效用函数的构成变量,然后利用AHP法赋权,最后通过改进Influ-Logit模型来预测中老运输通道内公路及铁路货流分担率。预测结果显示:中老铁路开通后,公路与铁路的货运分担率分别为53.1%和46.9%,中老铁路运输相比公路具有较大优势,特别是区域市场的货运量分担率具有很大的提升空间。     

基于UBGPM-Markov的铁路货运量预测方法

针对铁路货运量发展变化的非线性特性,采用非线性灰色模型中的无偏GM（1,1）幂模型进行预测,并用状态划分更为精细后的马尔可夫链修正预测值,从而建立优化后的UBGPM-Markov模型.通过对我国2000~2012年铁路货运量实例分析,与改进GM（1,1）模型、无偏GM（1,1）模型2种预测方法进行了比较,比较显示无偏GM（1,1）幂模型具有较高的预测精度.优化后的UBGPM-Markov模型更是显著提高了预测精度,将平均绝对百分误差（MAPE）由2.11%减少到0.55%.     

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.