共查询到20条相似文献,搜索用时 15 毫秒
1.
马彪 《山东交通学院学报》2018,(1)
为合理制定城市轨道交通列车开行方案,同时为城市轨道交通公安机关布置警力提供科学依据,采用无偏灰色马尔科夫模型进行客流预测。分析灰色GM(1,1)模型和无偏灰色GM(1,1)模型的基本特点,在此基础上构建马尔科夫模型。以郑州地铁1~#线2017-02-03—02-18每日客流量为基础,分别利用无偏灰色GM(1,1)模型和马尔科夫模型计算客流量,并对预测结果进行检验对比。结果表明:马尔科夫模型较无偏灰色模型对客流量的预测精度提高54%。利用马尔科夫模型对未来3d的客流量进行预测,预测结果符合城市轨道交通客流的实际情况。 相似文献
2.
将灰色模型与马尔科夫链结合,建立了针对道路交通事故预测的灰色马尔科夫模型.既可以发挥灰色系统预测精确的特点,又可以利用马尔科夫链对准确预测波动性数据的优势.在灰色马尔科夫链模型的算法基础上,进行灰色马尔科夫链预测系统的设计.用我国道路交通事故次数的数据进行预测验证.结果表明.灰色马尔科夫链模型能很大的提高预测的精度和效果,符合实际要求. 相似文献
3.
铁路行车安全系统本身是一个部分信息未知的灰色系统,使用其他方法较难获取完整的事故致因信息,并据此建立可靠模型.在比较现阶段学者所采用的各类事故预测方法的基础上,选取2015—2019年铁路交通一般类事故统计数据,运用灰色预测法建立GM(1,1)模型,将模拟得到的2015—2019年数据与原始数据进行精度检验对比分析,验证模型的可行性.检验结果显示:后验差比值C=0.3391,小误差概率P=1,精度等级均为一级,灰色关联度ro1为0.8787,说明建立的模型具有可行性.预测结果显示2020—2022年的铁路交通一般类事故发生数分别为78、73和69,呈下降趋势. 相似文献
4.
5.
6.
《西安交通大学学报(医学版)》2019,(2):311-316
目的采用灰色预测模型、ARIMA自回归移动平均模型和NAR非线性自回归动态神经网络模型分别预测西安市出生缺陷率,探索出生缺陷的流行趋势和可能的未来走向。方法对2003-2015年在西安市各级开设产科的医疗保健机构出生的孕28周至生后7 d所有围产儿进行出生缺陷监测并收集资料。用2003年10月至2015年9月出生缺陷监测数据对西安市出生缺陷发生率数据分别构建数据模型,将同时期实际出生缺陷发生率与模型拟合数据进行比较,评价模型的预测性能,并预测西安市2016至2017年每季度出生缺陷发生率。采用Excel软件进行数据录入,SPSS 16.0软件包进行统计学分析,Matlab软件进行灰色模型预测和神经网络模型预测,ARIMA自回归移动平均模型使用R软件进行预测。结果灰色预测模型提示2016至2017年度西安市各季度出生缺陷率(‰)分别为9.62、9.67、9.72、9.77、9.82、9.87、9.92、9.97,呈缓慢上升趋势。ARIMA模型预测显示2016至2017年度西安市各季度出生缺陷率(‰)分别为11.98、12.83、11.28、11.78、12.23、11.73、11.80、12.00,仍在较高水平相对狭窄的区间波动。NAR神经网络模型预测西安市出生缺陷率(‰)为13.24、17.91、10.55、16.08、16.47、9.42、11.99、11.68,在2016年到达出生缺陷率峰值,2017年相比2016年开始出现下降。比较3种模型对出生缺陷发生率的发展趋势预测,灰色预测模型、ARIMA模型、NAR模型的均方根误差分别为1.353 009、1.181 373、0.555 347。结论 NAR模型对出生缺陷数据预测更可靠,ARIMA模型次之,灰色预测模型误差相对较大;加强出生缺陷的预防和控制工作仍然是今后较长一段时间的公共卫生重点工作。 相似文献
7.
徐良坤 《广州航海高等专科学校学报》2021,29(1):26-29
水上交通事故预测对于提高海上安全管理和预防事故的发生有重要的作用.为提高水上交通事故预测的准确性,构建了自适应过滤模型.以2011—2017年我国水上交通事故数据为基础,对2018年水上交通事故进行预测,并与一次指数平滑法、灰色GM(1,1)预测法预测结果进行对比验证.通过比较发现,自适应过滤法的相对误差较小、预测精度更高,本次预测相对误差率仅为1.68%.研究结果表明,自适应过滤法具有较好的自适应性,对于数据点较少的情况具有更高的预测精度. 相似文献
8.
9.
10.
《大连交通大学学报》2015,(3)
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. 相似文献
11.
基于灰色马尔科夫链模型的交通量预测 总被引:1,自引:0,他引:1
交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色GM(1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色GM(1,1)模型有更高的精度。 相似文献
12.
寸滩水文站是长江上游的主要控制站,分析可知,从20世纪70年代开始,由于年降水量的减少和气温的下降,年最高水位也呈逐渐下降的趋势.本文将灰色系统理论与马尔科夫链理论相结合,以1940年至2003年寸滩站年最高水位序列为研究对象,建立灰色马尔科夫预测模型.从预测结果看出,所建灰色模型大体反映了年最高水位的下降趋势,而经过马尔科夫模型对预测误差进行修正后,模型预测精度提高,计算值与实际值吻合良好.对其他站年最高水位的模拟分析表明,模型精度能满足年最高水位预报要求.说明灰色马尔科夫模型可以应用于长期预报中. 相似文献
13.
以提高铁路客流预测精度为出发点,通过对传统的灰色模型进行分析,采用积分的数学思想对灰色预测背景值进行优化.结合马尔科夫预测模型的优点,运用马尔科夫对优化后的灰色预测模型误差进行修正,提高了预测模型的精度.以我国铁路客流预测为实例,通过对预测模型的预测结果的对比研究,验证了模型的有效性. 相似文献
14.
以1992年至2005年兰州市公路客运量的实际值为基础,通过灰色模型对客运量的预测,得到了1992和2005年的公路客运量的预测值,结合实际客运量计算出其预测结果的相对误差。再对相对误差进行划分状态区间,运用马尔科夫模型得出2006年至2015年预测值的相对误差所处状态。从而得到经马尔科夫模型修正后的修正值,进而得到较高精度的客运量预测值。 相似文献
15.
分析了灰色和人工神经网络预测方法的互补性,在此基础上提出了将灰色与人工神经网络结合的灰色-神经网络混合模型.分别采用GM(1,1)模型、BP网络模型和灰色-神经网络混合模型对某港口货物吞吐量进行预测并用实测数据验证.结果表明,灰色-神经网络混合模型预测效果最佳. 相似文献
16.
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. 相似文献
17.
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。 相似文献
18.
为增强中国-加拿大贸易货物水上运输的安全,对加拿大水域航运事故进行了灰色关联分析,并建立了灰色区间预测模型.计算了各类航运事故序列与航运事故总数序列的4种灰色关联度.接近关联度反映了序列空间相对位置和几何形状的相似性,基于接近关联度的事故致因排序较准确.加拿大水域航运事故总数序列为振荡序列,建立灰色区间模型预测其范围,该模型精度较高.用该灰色区间预测模型预测了2019-2022航运事故总数范围,预测结果可用,未出现病态. 相似文献
19.
针对交通运输业中环境治理成本规划问题,提出基于数据包络分析(DEA)和扩展置信规则库(EBRB)的环境治理成本预测模型. 基于DEA模型对环境治理投入产出历史数据进行有效性分析,量化EBRB中每条规则的可靠度,建立考虑规则可靠性的EBRB模型,用于预测交通运输业的环境治理成本. 根据2004-2017 年我国各省份交通运输业环境治理实际数据验证模型. 研究结果表明,本文模型的准确性高于现有环境治理成本预测方法,可为相关决策者提供一个模型支撑和参考依据. 相似文献
20.
《西安交通大学学报(医学版)》2018,(1)
目的探讨建立ARIMA模型在梅毒月发病率预测中的应用价值,为梅毒防控工作提供依据。方法运用Eviews8.0软件对2009年1月-2015年12月我国梅毒月发病率数据建立ARIMA模型,利用2016年1月-6月实际数据验证,评价模型精度指标采用均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分误差(mean absolute percentage error,MAPE)、平均相对误差(mean relative error,MRE)。同法外推预测2016年7月-12月全国梅毒月发病率。结果 2009年1月-2016年6月全国梅毒月发病率最优模型是ARIMA(2,1,1)×(0,1,1)_(12),模型表达式为:(1-B)(1-B~(12))(1+0.820B)(1+0.566B~2)x_t~2=(1+0.365B)(1+0.897B~(12))ε_t,R~2=0.832,RMSE=0.181,MAE=0.118,MAPE=5.088。外推2016年7月-12月预测结果分别为3.124、3.008、2.906、2.691、2.714、2.717。结论 ARIMA模型具有较高的预测精度,可较好地拟合我国梅毒月发病率的演变趋势并进行短期预测。 相似文献