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.     

基于灰色GM(1,3)-马尔可夫链模型的公路客运量预测

为了获得更精确的公路客运量预测结果,经分析,以公路客运量、人口和国内生产总值数据为基础,将灰色模型预测方法GM(1,3)和马尔可夫链预测结合,构成组合模型,对公路客运量作出预测,通过对杭州市公路客运量预测的实例分析,对比预测值和实际值,得出基于灰色GM(1,3)-马尔可夫链模型获得的预测结果比灰色预测更加准确的结论,研...     

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%.     

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.     

灰色马尔可夫模型在交通事故预测中的应用

采用传统灰色GM(1,1)模型预测道路交通事故这类随机性、波动性较大的数据,存在拟合较差、精度不足等问题。运用马尔可夫模型对预测结果进行优化,并建立灰色马尔可夫预测模型。将该模型应用于1998~2007年全国道路交通事故数据来预测2008年事故次数,结果表明采用该模型预测精度达到96.9%,明显优于单独使用GM(1,1)模型的预测结果。     

基于灰色马尔科夫链模型的交通事故预测

以灰色GM(1,1)模型为基础,结合马尔科夫链模型建立灰色马尔科夫链模型GM(1,1),对灰色GM(1,1)模型的预测结果进行误差修正,并利用乌鲁木齐市交通事故的历史数据对2014~2016年的交通事故伤亡人数进行预测。结果表明:当利用灰色马尔科夫链GM(1,1)模型时,平均相对误差从单一GM(1,1)模型的4.32%降到1.67%,误差减少2.65%,预测结果更加可靠,能够为乌鲁木齐市采取有效措施预防交通事故的发生,提供可靠理论依据。     

用灰色马尔可夫模型预测水上交通事故量

灰色GM(1,1)是一种水上交通事故量预测模型．这种模型不适合长期的、随机和波动性较大的数据序列预测．马尔可夫模型适合描述随机波动性较大的预测问题．本文将两模型结合,形成一个灰色马尔可夫预测模型．按特定的状态划分方法,先用灰色GM(1,1)预测模型进行预测,再用马尔可夫模型预测结果进行优化,使预测精度大大提高．文中给出两个例子,算例证明了谊模型的诸多优点．     

桥梁技术状况预测的灰色马尔可夫链模型研究

提出将灰色马尔可夫链用于桥梁的技术状况预测中,以解决传统的回归分析模型无法考虑不确定因素对结构技术状况的影响和概率型模型对单一桥梁预测的局限性问题,提出了将灰色模型GM(1,1)与马尔可夫链有机结合起来,利用二者的优点充分考虑了桥梁技术状况的整体趋势和局部波动情况,最大限度地利用历史信息.通过对国外某桥的技术状况进行预测分析并与传统的预测方法进行对比,证实了该模型的预测精度.     

残差修正DGM模型在公路客运量预测中的应用

针对GM(1,1)模型预测条件的局限性,提出一种新的公路客运量预测模型--残差修正DGM模型,并利用该模型和GM(1,1)模型对1999年全国公路客运量进行预测,结果表明所建模型较之GM(1,1)模型有更高的预测精度.     

基于GM(1,1)模型的交通客运量发展预测

采用灰色系统理论中的GM(1,1)模型,选取2001~2005年我国客运运量数据,分别建立了铁路、公路和民航客运周转量的预测模型,经检验,模型精度等级较高。应用所建模型进行了2006~2010年客运周转量预测,并对照2006年实际运量数据,证明预测结果精度较高。最后讨论了GM(1,1)预测模型在运量预测实际应用中的指标选取、模型检验和应用范围。     

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.     

基于灰色模型的铁路客流预测方法

在GM(1,1)预测模型基础上,构建2个不同的预测模型——GM(1,1)幂模型和对原始数据进行缓冲算子处理的GM(1,1)模型,采用Matlab建模,并将模型应用到铁路客流量预测,分析对中小样本振荡序列的预测效果。实例证明,GM(1,1)幂模型和对原始数据进行缓冲算子处理的GM(1,1)模型的应用范围和预测精度都优于灰色GM(1,1)模型,是非线性铁路客流量预测的一种有效方法,有助于制定铁路运输计划。     

基于灰色系统理论客运量和客运周转量的预测

基于灰色系统GM(1,1)模型对道路客运量及客运周转量进行预测,可避免复杂的相关关系分析,解决由于原始数据离散带来的困难,得到高精度的预测结果.依此模型对山东省道路客运量及客运周转量进行了中短期预测.     

基于改进LSTM-Prophet算法的客运量预测

利用该模型对2019年的铁路月度客运量数据进行预测，并与实际客运量进行对比分析，实验表明，LSTM-Prophet算法模型预测值的MAPE值为1.91%,MAE值为559.07,RMSE值为691.82,三个评价指标值都低于SARIMA模型、LSTM模型和GM(1,1)模型的评价指标值，所以LSTM-Prophet算法模型更能准确预测客运量数据，为决策提供参考价值。     

灰色最小二乘马尔可夫链预测算法

科学的预测对于经济现象的研究和经济决策的制定都具有十分重要的意义,因此,关于经济预测理论和方法的研究一直是一个热点。将灰色模型预测方法GM（1,1）、最小二乘法与马尔可夫链预测相结合,提出灰色最小二乘马尔可夫链改进预测方法,并且针对我国能源消费总量的发展趋势进行了预测,得出比灰色预测更加准确的结论。从而证明,灰色最小二乘马尔可夫链改进方法是个好算法,更有利于决策者的经济决策行为。     

灰色预测模型在蚌埠市公路客运量预测中的应用

公路客运量预测是对客运量的发展趋势的动态分析,正确预测公路客运量对地区的经济发展格局和资源配置及公路运输企业的投资结构等都有重要作用。运用灰色系统模型理论,根据蚌埠市公路客运情况,建立GM(1,1)模型。通过残差检验、关联度检验和和后验差检验,得出所建GM(1,1)模型预测精度较高,适用于蚌埠市公路客运量预测。     

基于灰色PSO-BP的客运量预测模型

在灰色预测模型、BF神经网络与粒子群优化算法PSO的基础上建立基于灰色PSO-BP的公路客运量预测模型。并根据陕西省近10 a的公路客运量数据,对GM(1,1)、BP神经网络、灰色PSO-BP网络预测模型的预测结果进行比较,得出基于灰色PSO-BP的客运量预测模型能充分发挥各种算法的优势、提高预测精度,更适合运用在公路客运量预测的领域中。     

基于灰色模型和指数平滑法的集装箱吞吐量预测

提出了在灰色模型GM(1,1)和三次指数平滑法基础上的组合预测方法。集装箱吞吐体系是一个灰色系统,因此可以通过灰色系统进行建模并预测其吞吐量,通过对宁波港历年集装箱吞吐量的观察,发现其吞吐量呈持续的曲线增长趋势,因此考虑采用三次指数平滑法进行预测,在灰色GM(1,1)和三次指数平滑法的基础上采用了加权组合预测的方法,对宁波港今后几年的集装箱吞吐量进行了预测.     

基于灰色模型和指数平滑法的集装箱吞吐量预测

提出了在灰色模型GM(1,1)和三次指数平滑法基础上的组合预测方法。集装箱吞吐体系是一个灰色系统,因此可以通过灰色系统进行建模并预测其吞吐量,通过对宁波港历年集装箱吞吐量的观察,发现其吞吐量呈持续的曲线增长趋势,因此考虑采用三次指数平滑法进行预测,在灰色GM(1,1)和三次指数平滑法的基础上采用了加权组合预测的方法,对宁波港今后几年的集装箱吞吐量进行了预测.     

基于灰色理论的铁路客货运量预测研究

运用灰色系统理论,以全国铁路1996-2005年客货运量数据为基础,建立了基于改进的灰色理论的影子响应GM(1,1)模型,Dynamic GM(1,1)模型,修饰型残差GM(1,1)预测模型.并采用后验差检验对三种模型的拟合精度进行了检验,从而给出了每一条铁路干线所适合的最佳预测模型,使得决策者能够灵活地根据具体问题选择相应的预测模型,避免了单一模型对不同铁路干线预测结果出现波动和失真的不足.同时用等维灰数递补法预测2007年的客货运量.进而对管理决策人员作出科学,合理的决策提供了理论依据.