基于马尔科夫链-BP神经网络模型对公路运量的预测研究

选取河北省某地区1998—2017年公路运量数据为例,采用BP神经网络模型进行预测并用马尔科夫链修正预测值,将公路运量实际值与BP神经网络预测值及马尔科夫链修正值作对比分析并预测了2018—2019年的公路运量数据.使用马尔科夫链修正后的BP神经网络预测模型可以将公路客运量和货运量的平均相对误差分别下降至2.07％和2.14％.修正后的模型不仅可以准确的对公路运量做出预测,而且可以为未来公路运输发展提供有利意见.     

基于指数平滑法和马尔科夫模型的公路客运量预测方法

分析了常用的客运量预测方法,提出了一种新的基于指数平滑法和马尔科夫模型的公路客运量预测方法.基于公路客运量的实际值、线性拟合值与二次曲线拟合值,采用二次曲线拟合的方法计算了初始值与平滑系数.以安徽省2000～2009年相关数据为基础,应用指数平滑法预测了2010、2011年的公路客运量.以-11％、一5％、0、5％、11％为划分阈值,将指数平滑法预测结果的相对误差划分为4个状态区间,应用马尔科夫模型对指数平滑法的预测结果进行修正,并与模糊线性回归模型、指数平滑法的预测结果进行比较.分析结果表明:应用提出的方法,2010、2011年安徽省公路客运量的预测结果分别为14.209、15.712亿人,相对误差分别为1.195％、0.492％;应用指数平滑法,预测结果分别为13.468、14.893亿人,相对误差分别为-3.399％、-4.746％;应用模糊线性回归模型,预测结果分别为13.573、15.325亿人,相对误差分别为-2.647％、-1.983％.提出的方法精度较高,满足实际需求.     

基于PCA和HMM的汽车保有量预测方法

分析了常用的汽车保有量预测方法,提出了一种新的基于主成分分析和隐马尔可夫模型的汽车保有量预测方法.选取国民总收入、人均GDP、人口总数量、城市化率、固定资产投资总额、进出口总额、城镇居民人均可支配收入、钢材产量、公路货运量、公路客运量、社会消费品零售总额11个指标作为汽车保有量的主要影响因素,运用主成分分析提取了主要影响因素的主成分.以提取的主成分与汽车保有量分别作为自变量、因变量,建立了回归分析模型.以汽车保有量回归预测值的年增长率为隐状态,以回归预测值与实际值的相对误差为可见信号,建立了隐马尔科夫模型,并对的汽车保有量回归预测值进行修正.分析结果表明:基于1994～2008年的中国汽车保有量及其主要影响因素的历史数据,应用提出的方法得到2009、2010年的汽车保有量修正值分别为6.220 96×107、7.825 12×107 veh;与2009、2010年实际汽车保有量比较,相对误差分别为-0.95％、0.30％.可见,基于主成分分析和隐马尔科夫模型的汽车保有量预测方法具有良好的预测精度,能够适用于短期预测.     

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...     

基于马尔科夫模型的沥青路面技术状况预测

以新疆伊犁地区的G3016线高速公路为依托工程,利用灰色预测模型对路面使用性能的变化进行分析,然后根据马尔科夫模型得到路面状况的状态转移概率矩阵和将来的状态转移概率,再进行预测值的修正,对路面技术状况进行预测.结果表明:采用马尔科夫模型得到路面技术状况预测值与实测值相差没有超过一个评价等级,预测精度较好,可以为管养单位...     

基于灰色加权马尔可夫链的大连铁路客运量预测

以2003~2013年大连铁路客运量数据为基础,采用灰色GM(1,1)模型预测方法和马尔可夫链相结合的方法对大连铁路客运量数据进行预测,给出了灰色加权马尔科夫链预测模型.不仅构造了状态转移概率矩阵,而且也获得了有效的滞时阶数.结果表明,在预测值与真实值的平均绝对误差方面,与灰色GM(1,1)模型相比,灰色加权马尔可夫链模型减小了一半,其预测效果十分理想.在此基础上,对2014~2020年大连铁路客运量数据进行了预测.     

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。     

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.     

基于灰色-马尔科夫链理论的公路客运量预测

客运量预测是公路网规划不可缺少的环节,是公路经济效益计算的重要基础。以四川省公路客运量为例,利用灰色系统理论,建立GM（1,1）预测模型,并将灰色GM（1,1）预测模型与马尔科夫链状态转移矩阵相结合,进一步提高预测结果的精度。从计算效果上分析,该方法求得的结果与其他方法相比,与实际值偏差较小,预测效果较好。     

基于模糊线性回归模型的公路货运量预测方法

确定了公路货运量的影响因素分别为GDP、人口数量、社会消费零售总额和农副产品产值,构建了基于模糊线性回归模型的公路货运量预测方法。以延安市公路货运枢纽规划为实例,1995～2004年的货运统计量作为因变量,确定了模型的模糊系数。以2005～2010年的货运统计量作为验证值,分析了模型的拟合精度,并将模糊线性回归模型的预测结果与指数平滑法、灰色模型、弹性系数法3种常见预测方法的预测结果进行比较。研究结果表明:在模糊线性回归模型中,t检验的平均值为0.673 07,说明预测值与实际值差异不显著,模型预测效果较好;4种方法的平均相对误差分别为0.073 1、0.100 3、0.167 8、0.232 9,可见,本文方法误差最小。     

基于粗糙集的公路客运量预测

公路客运量预测不仅是进行客运发展规划的基础,也是制定城市综合客运枢纽规划及综合交通规划的前提。通过对公路客运量预测决策表连续属性的离散化、决策矩阵构造及最简决策规则的获取,建立了基于粗糙集的客运量预测模型。该模型获取的最简决策规则避免了因历年统计数据波动而造成的预测误差,最终的预测结果为增长区间而不是绝对数值,更好的反映了公路客运需求。最后应用该模型预测成都市未来5 a的公路客运量,得到了客运量的增长区间。     

基于支持向量机的都市圈客运量预测模型

将都市圈客运量样本数据集分为训练集、测试集和检验集,采用最小最终误差预测准则确定预测值的损失函数参数与惩罚因子,选取ε-不敏感损失函数与高斯核函数减小预测复杂性,构建了基于支持向量机的都市圈客运量预测模型,并通过逐渐改变损失函数、惩罚因子与高斯核函数参数的取值,对京津冀都市圈客运量进行了预测。预测结果表明:客运量预测的平均相对误差为0.15%,预测值与实测数据拟合良好,整体变化趋势一致,反映了预测模型的可靠性。     

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。     

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。     

模糊多元回归模型在运输弹性系数预测中的应用

弹性系数法是交通预测的一种基本方法,其结果不仅受经济指标预测值的影响,还与预测方法的选择息息相关.文中以模糊多元回归理论为基础建立运输量与相关经济变量之间的关系式,并进行模型求解,进而可以对运输弹性系数进行预测.通过湖南省的公路客运量弹性系数预测结果表明,基于模糊多元回归模型的弹性系数预测方法可以确定弹性系数的变化范围,能够有效地解决观测数据不精确,以及指标变化不确定带来的预测精度问题,合理反映运输与经济发展的趋势关系.     

对湖北省公路客运量预测模型的探讨

介绍了一元线性回归、确定性时间序列模型、灰色模型预测的基本原理,利用这些预测方法对湖北省公路客运量进行预测,给出其预测公式、预测精度并绘出预测图形,比较了各预测方法在公路客运量预测中的特点。     

2003～2005年我国公路客运量预测分析

以过去10年我国公路客运量时间序列数据为依据,采用回归分析法和弹性系数法,对2003～2005年我国公路客运量进行了预测分析.研究结果对优化公路客运资源配置,建立完善的公路客运市场具有重要的意义,也可为一系列相关问题的决策提供科学和可靠的依据.     

基于加权马尔科夫-ARIMA修正模型的区域物流需求预测

为准确预测区域物流需求,采用自回归移动平均(autoregressive integrated moving average, ARIMA)模型建立具有线性关系的时间序列,考虑时间外的非线性影响因素,基于加权马尔科夫模型修正残差状态,构建加权马尔科夫-ARIMA模型,以我国1990—2021年月度货运周转量为物流需求数据来源,验证加权马尔科夫-ARIMA模型的预测精度。结果表明：单一ARIMA模型和加权马尔科夫-ARIMA模型对12期货运周转量预测结果的平均绝对百分误差分别为3.15%、2.22%,后者的预测精度优于前者。     

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。     

基于IWOGA算子的公路客运量组合预测模型

客运量预测是进行公路网规划的必要环节和计算公路经济效益的基础。为了提高公路客运量的预测精度,在现有客运量预测模型基础上,采用IOWGA算子将三次指数平滑、GM（1,1）预测和BP神经网络结合起来,建立组合预测模型,并以全国公路客运量为例,验证预测结果的精度。分析计算结果,将该模型所得结果与其它常用方法相比,与实际客运量之间相差较小,预测精度较好,可以作为预测公路客运量的有效方法。