基于Holt-Winters模型的铁路月度货运量预测研究

铁路货运量预测是铁路运输市场分析的重要内容,对铁路货运业务的开展有着重要指导意义。铁路月度货运量数据序列是既有趋势性增长又有季节性波动特征的时间序列,Holt-Winters模型适用这类时间序列的预测。本文构建Holt-Winters乘法模型来进行铁路月度货运量预测,并以某铁路局化肥月度货运量为原始数据来做实证分析,最后与灰色模型、分组回归等传统预测模型的结果进行比较,结果显示Holt-Winters模型的预测精度最高。     

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.     

��·������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。     

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%.     

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.     

基于灰色模型的云浮港水运货运量预测

建立了灰色模型对云浮港水运货运量进行预测.根据云浮港2010年～2017年水运货运量建立了GM(1,1)灰色模型,模型平均相对误差较大,预测结果显示2018年～2021年云浮港水运货运量将保持较高增速.灰色关联分析显示云浮港水运货运量受到云浮进出口贸易影响较大,而国际经济增长有降速趋势,因此云浮港水运货运量增长也可能放缓.对模型进行改进,引入弱化缓冲算子,得到增速放缓的预测结果.对改进模型进行检验,检验结果表明改进模型精度较高,预测结果较为准确.     

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。     

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.     

基于改进新陈代谢GM(1,1)的ZPW-2000A型轨道电路故障预测

ZPW-2000A型无绝缘移频轨道电路在我国铁路线路上应用广泛,随着铁路线路向高速化、重载化的方向发展,传统的电务"故障修"及"定时修"在保证线路安全、提高运营效率及经济性等方面劣态日显.引入PHM理论,通过改进GM(1,1)模型实现ZPW-2000A轨道电路的故障预测.首先,为选取更优的预测模型,分别对传统GM(1,1)进行两次改进,即新陈代谢GM(1,1)模型与改进新陈代谢GM(1,1)模型.其次,引入预测步长思想,进一步提高模型预测精度.基于兰州西站轨道电路测试数据的算法验证表明改进新陈代谢GM(1,1)间接多步预测模型的预测结果最优.最后,通过实例验证了该模型在轨道电路故障预测中的有效性.     

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。     

组合预测在水路货运量预测中的应用

科学准确地预测水路货运量,超前掌握水路货运量发展的趋势、特点、规律和数量,是制定航道网规划的基础.本文运用改进的GM(1,1)模型和一次指数平滑模型相结合的组合模型对水路货运量进行预测,结果表明,组合预测综合考虑了各种因素的影响,能够提高水路货运量的预测精度,为航道网规划提供了科学决策依据.     

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.      

城市货运量的灰色Verhulst预测模型

以研究城市货运量的预测方法为目的,为了提高城市货运量预测模型的预测精度,分析了GM(1,1)和Ver-hulst预测模型的特点,发现Verhulst预测模型更适用于城市货运量的预测,采用灰色Verhulst预测模型对城市货运量进行预测,通过比较GM(1,1)和Verhulst预测模型的结果可知后者具有较高的精度和可靠性,最后通过实例说明预测方法的可行性,为实际决策提供理论参考。     

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.     

优化的分数阶GM(1,1)模型在桥梁线形控制中的应用

针对传统灰色预测模型用于大跨径刚构桥梁预拱度预测会出现过拟合现象和预测精度不高的问题,将分数阶算子GM(1,1)模型引入大跨径桥梁预拱度预测,并建立了一种基于牛顿二次插值的分数阶GM(1,1)新模型,实现了对传统GM(1,1)模型的阶数和背景值的双重优化.为了检验模型性能,将文中模型与传统GM(1,1)模型、分数阶GM(1,1)进行对比分析.通过实例验证,优化得到的分数阶GM(1,1)的预测平均相对误差为3.1％,相比传统的G M(1,1)减小了9％,预测精度进一步得到提高.新模型具有一定的实用性,且精度较高,对于同类型的桥梁施工控制有一定的参考价值.     

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。     

基于改进灰色马尔科夫模型的地铁客流预测

基于灰色理论和马尔科夫理论,建立传统的灰色预测模型和灰色马尔科夫预测模型,对西安地铁客流量的数据进行分析预测;然后对原始数据序列滑动平均处理,再用无偏GM(1,1)模型拟合系统的发展变化趋势,将修正后得到的模型与马尔科夫模型进行结合,提出改进的灰色马尔科夫模型预测方法。利用改进后的新模型对地铁客流的预测结果与传统的灰色马尔科夫模型进行对比。结果表明,改进后的灰色马尔科夫模型预测精度有显著提高。     

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。