基于组合误差优化模型的城市轨道交通短期客流预测研究

为提高城市轨道交通短期客流预测的准确性,构建了一种基于组合误差优化的短期客流预测模型。采用预测误差值对预测值进行优化校正,弱化传统SVM模型在实际预测中误差对预测结果的影响,以提高模型的预测精度。数据选取样本周期内郑州市地铁1号线每小时客流量组成的样本序列并进行了仿真验证。结果显示,经误差优化后的预测模型的预测精度有了明显提高,且优化后的预测值与误差预测值的趋势具有较高的一致性。     

地铁列车振动环境响应预测方法

我国地铁列车振动环境响应预测中采用的经验法计算简单,可对线路上多个敏感目标快速预测,但它的缺点在于预测的输出量单一、预测精度低;解析法、半解析法和数值法可利用计算机模拟技术对单个敏感目标进行预测,但是用于同时预测地铁沿线多个敏感目标的列车振动环境响应时,计算工作量大、时间长,并且预测的精度和可靠性存在不确定性.为了降低预测误差、减少预测的不确定性,可辅之基于现场测试的两位校准法和实测传递函数法对预测模型进行校正和验证预测结果.为提高预测的可靠性,并兼顾预测精度和效率,应将整条地铁线路按敏感目标距线路的距离分为不同的预测区域、按照敏感目标对环境振动影响的敏感程度分为不同等级、按照地铁建设工程项目的各个设计阶段,综合运用既有各类预测方法,动态进行分区域、分等级和分阶段的地铁列车振动环境响应预测;建议开展既适用于整条地铁线路、又适用于线路个别重点敏感目标的地铁列车振动环境响应预测方法以及动态预测评价体系的研究.     

融合人工智能算法的铁路路基沉降预测方法

首先利用三阶多项式拟合、GM(1,1)和BP神经网络等算法构建了铁路路基沉降单预测模型；然后基于误差法和熵值法，以合肥地铁4号线盾构隧道下穿既有铁路的监测数据为基础，融合三阶多项式拟合、GM(1,1)和BP神经网络构建了组合预测模型，实现铁路路基沉降的分阶段预测；最后，利用平均绝对误差、均方误差和平均绝对百分比误差评价模型精度。结果表明：基于误差法和熵值法的组合预测模型能显著提高预测精度，预测相对误差均小于±5%，预测均方根误差均小于±0.1 mm，验证了提出的组合预测模型的有效性。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型。结果表明：组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠。与单一模型相比,该法具有较好的实用价值。     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型.结果表明:组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠.与单一模型相比,该法具有较好的实用价值.     

高速铁路线下工程沉降变形组合预测探讨

沉降变形组合预测方法是以适当的加权平均形式组合多种模型，各种模型优势互补，达到有效提高预测精度的目的。介绍了组合预测理论的基本情况，对组合预测的方法进行了简要探讨，同时对与线下工程沉降变形有关的组合预测应用案例进行了概述，最后对组合预测在高速铁路无砟轨道线下工程沉降变形预测中的应用前景作展望。     

短时交通流预测模型综述

介绍短时交通流预测的背景和意义,将短时交通流预测的方法分为5类,包括基于统计分析的预测模型、非线性理论模型、基于仿真的预测模型、智能预测模型及混合预测模型。对这5类预测模型进行逐一介绍,并对其在算法复杂度、预测精度、计算时长、适用路段等方面进行分析。短时交通流预测研究领域今后可能的发展趋势是数据来源多样化、混沌理论和深度学习逐渐发展,组合预测模型更加多样,预测精度不断提高。     

GM(1,1)-Logistic路基沉降组合预测模型研究与应用

路基沉降预测是指导正确施工及运营期路基养护的一个重要因素.GM(1,1)模型及Logistic模型被广泛应用于路基最终沉降量的预测.基于组合预测的基本理论,结合GM(1,1)模型及Logistic模型的特点,提出了GM(1,1)-Logistic组合路基沉降预测模型,采用线性组合预测方法,以过去一段时间内组合预测误差平方和最小为原则来求2个预测模型的加权系数.结合工程实际监测数据的计算结果和分析表明,GM(1,1)-Logistic组合预测模型在预测精度上比单个模型具有更好的适用性.     

改进的车轮踏面磨损量最优非负变权组合预测模型

为准确获取车辆轮对踏面随列车运行里程的磨损量变化情况,以灰色离散GM(1,1)模型、指数平滑模型和线性回归模型为单项预测模型,以灰色关联度最大为最优准则,建立车轮踏面磨损趋势的最优非负变权组合预测模型。与各单项模型、以组合预测误差平方和最小为最优准则的变权组合模型进行对比。研究结果表明,变权组合模型的局部预测精度和全局预测精度均高于各单项模型,而本文模型有效抑制了基于误差平方和最小的变权组合模型误差"放大"的缺陷,预测精度及稳定性更高。     

基于Markov链修正的铁路运量灰色组合预测模型研究

预测模型的准确与否直接决定着未来经济规划与决策的有效制定。将灰色GM(1,1)-Verhulst组合预测模型与马尔可夫链方法相结合,同时引入信息熵理论的知识,提出基于Markov链修正的熵权法灰色组合预测方法,并以甘肃省2004年～2015年铁路客运量作为原始数据序列进行模型拟合,而且还以此为基础对甘肃省未来几年内的客运量发展趋势进行预测。结论:(1)在已知实际客运量年份内,该灰色组合预测模型的预测精度比单一灰色预测模型更高、更加准确;(2)采用马尔可夫链方法获得该组合模型的偏差规律,并依照此规律对预测结果进行修正,即由一个单一的预测数值修正成为区间和概率组成的预测范围;(3)通过比较2016年～2017年的客运量实际值、组合预测模型的单一预测值和Markov链修正的预测区间值,发现Markov链修正的预测结果与客运量实际值的吻合性良好,进一步验证此预测方法的可信性。     

灰色变权组合模型的货车车轮踏面磨耗预测

为探讨变权组合模型在货运专线车轮踏面磨耗趋势预测中的应用,采用基于灰色新息GM(1,1)模型、灰色离散GM(1,1)模型和指数平滑模型为一体的变权组合方法研究货运专线车轮踏面随走行公里的磨耗趋势,并与各单项模型预测结果和定权组合预测结果作对比,研究结果表明:应用组合方法比单纯应用单项预测模型方法更合理,预测结果更可靠,且变权组合预测模型优于定权组合预测模型,预测精度较高。本文所提出的变权组合预测方法能够很好地预测货运专线上车轮踏面的磨耗趋势,是一种研究运输专线上车辆轮对维护决策的有效方法。     

城市轨道交通进站客流量短时预测模型研究

利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平。首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差。     

基于OWGA算子的隧道变形最优组合预测

研究目的:根据隧道变形数据预测隧道的变形发展情况,结合具体工程实践,采用最新非线性预测理论,在文献综述的基础上,结合对数灰关联度与OWGA算子,把预测值和观测值的对数序列之间的灰关联度设定为目标函数,有序加权集成做为诱导变量值的预测精度,提出一种新最优隧道变形预测模型。采用MATLAB编程分别实现灰色预测、指数平滑预测、自回归移动平均预测,并利用基于对数灰关联度的有序加权几何平均组合预测模型,在对数灰关联度最大的意义下求出组合模型的最优权重,通过隧道变形预测的实例分析,说明新模型的有效性和合理性。研究结论:(1)基于OWGA算子的隧道变形预测,在预测误差平方和、均方误差、平均绝对误差、平均绝对百分比误差、均方百分比误差等预测有效性精度指标下,比灰色预测,平滑预测,ARMA预测等预测方法的预测精度都高,误差最小;(2)通过工程实例检验,该预测方法的预测结果不但合理、有效,而且是优性预测;(3)本研究成果可应用于隧道安全监测和变形预测领域。     

基于小波分析和神经网络的网络流量预测

网络流量的准确预测对于提高网络服务质量与网络安全有很重要的作用.本文主要对流量序列进行小波分解和重构,并结合神经网络对网络流量进行预测,新的算法可以有效提高预测精度.通过分析神经网络及非线性预测模型的优劣,建立一个网络流量预测模型.同时利用实际采集的网络流量数据对模型进行仿真,证实该模型可以有效控制由各种因素导致的误差,从而提高网络流量的预测精度.     

铁路客流总量预测方法研究

客流预测是铁路运输进行运力布局,产品调整的重要基础。预测的科学性、精确度将直接影响运输生产,因此努力提高客流预测的精度与可用性,是目前运输学科的一个热门研究领域。本文提出基于历史与预售的时间序列（HAP）预测方法对铁路客运中、短期客运总量进行预测分析,以预测铁路客流总量,控制预测误差。经过实际应用,验证了该方法的科学性和合理性。     

基于概率分布的轨道不平顺发展统计预测

针对轨道不平顺的随机性,应用数理统计原理和方法,对轨道动态不平顺检测数据进行统计分析,研究轨道不平顺的概率分布特性。分析讨论基于不平顺分布函数特征的不平顺发展统计预测方法,比较不同统计预测模型的预测效果和预测精度。研究结果表明:轨道不平顺概率分布接近于正态分布;在轨道不平顺概率分布特性分析的基础上,指数平滑预测方法具有较好的预测效果和预测精度,能够用于轨道不平顺发展预测问题的研究。     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。     

UKF地铁短时客流预测研究

为获得较为可靠的地铁车站实时客流,提出基于神经网络与无迹变换卡尔曼滤波(UKF)结合的信息融合预测方法。首先利用各站点间进出客流时空相关性,在运行时间约束下组织预测向量,以BP神经网络为函数表达给出目标站点客流的初步预测值。在此基础上,利用无迹变换卡尔曼滤波解决神经网络过学习造成的误差,以提高预测结果精度。最后选取实例验证算法的准确性,结果表明,该改进算法可有效提高预测精度,满足运营需求。     

探讨预测路外伤亡事故的方法

分析了几种预测路外伤亡事故的方法，其中加权综合预测法考虑了两种或两种以上预测结果的权重，因此可减少预测误差，提高预测的准确性，是一种值得推广的预测方法。