基于灰色系统理论的船闸货运量预测研究

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，经检验，预测精度良好，模型为一级．应用所建模型进行了运量预测，通过后期2001～2003年实测值与预测值的对比，发现相对误差很小，预测结果合理可信，且优于常用的线性回归预测，由此可以认为，灰色预测方法是值得在水运界进行推广和探讨的．     

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.     

基于改进灰色-马尔可夫链方法的公路货运量预测

科学的货运量预测对公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公路货运量进行预测,经分析表明预测结果具有较高的精度,预测方法具有一定的可行性和有效性,预测结果可指导公路建设与管理．     

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.     

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MATLAB的ANFIS网络在水运货运量预测中的应用

阐述了自适应模糊推理系统(Adaptive Network—based Fuzzy Inference System，ANFIS)网络，提出了水运货运量预测的ANFIS网络预测模型．以MATLAB为工具，以1985～2001年我国水运货运量为训练样本；2002年我国水运货运量为校验样本，对网络进行训练后，预测了2003～2010年我国水运货运量．估算结果表明，同BP神经网络模型相比，此模型具有更高的准确性．     

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.     

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%.     

基于灰色残差GM（1，1）模型的汽车货运量预测

针对近年来我国汽车货运量增长迅速的特点,运用灰色系统预测模型GM（1,1）对某地汽车货运量趋势进行预测,通过残差GM（1,1）模型对主模型的修正,并用后验差检验法对模型精度进行分析和检验,得到一个精确度非常高的预测模型,该模型符合汽车货运量的预测,并在实际预测应用中取得较好效果。     

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。     

江苏省内河航道水运运输量预测

江苏省的水运货运在五大运输方式中具有较大的优势,搞好全省的水运发展规划对指导我省水运事业的发展十分重要,本文简要介绍了预测方法和步骤,全省内河航道货运量现状,货运量预测,OD运量分析,网络配流模型等。     

江苏省内河航道水运运输量预测

江苏省的水运货运在五大运输方式中具有较大的优势,搞好全省的水运发展规划对指导我省水运事业的发展十分重要。本文简要介绍了预测方法和步骤、全省内河航道货运量现状、货运量预测、ＯＤ运量分析、网络配置流模型等。     

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。     

��·������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。     

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.     

基于灰色系统理论的船闸货运量预测 ———以淮安船闸为例

在综合比较时间序列法、回归分析法、投入产出平衡法及弹性系数法的基础上,结合以上方法的各自优点,建立优化改进后的指数加权平均灰色系统预测模型,并通过残差、关联度及后验差等指标来检验灰色系统理论的精度,最后利用淮安船闸2012～2017年的实际数据进行验证。结果表明,改进后的灰色系统预测模型能够较好地满足船闸货运量的预测需求。     

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.     

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。