基于灰色预测法的铁路集装箱运量预测

对运量发展趋势进行预测是正确制定铁路集装箱营销战略的前提和基础.运用灰色预测法对铁路集装箱运量进行了预测,得出铁路集装箱的发送箱数和吨数都将呈上升趋势.     

BP神经网络在铁路运量预测模型中的应用

将神经网络中的BP算法应用到货运运量预测方面,对铁路货运运量进行了预测,并对该模型在预测时产生的误差进行了分析.目的在于提高铁路货运运量预测能力,实现铁路货运的合理运输.     

基于B-P神经网络的北京地铁运量预测模型

分析影响北京地铁运量的因素,选取城市轨道交通内部生产、人口因素、乘客收入因素和交通因素等作为运量预测的关键要素,应用B-P神经网络(Back Propagation ANN,基于误差反向传播神经网络)模型,对未来几年内北京地铁运量进行预测分析.结果发现B-P神经网络对地铁客运量的预测较为适用,可为北京地铁运营规划提供决...     

灰色神经网络在混凝土结构徐变预测中的应用

根据灰色系统理论处理贫信息系统的优势,以及神经网络学习和自适应的优点,将灰色神经网络组合算法应用于混凝土结构的徐变预测中.利用GM(1,1)模型和BP人工神经网络,建立灰色新陈代谢短期组合预测模型和长期组合预测模型.该组合模型既克服了原始数据少,数据波动性大对预测精度的影响,也增强了预测的自适应性.通过自密实预应力混凝土梁长期变形试验结果的算例分析,表明短期和长期组合模型的预测结果均与试验结果吻合良好,该模型可以作为混凝土结构徐变预测的有效工具.     

基于灰色和神经网络的铁路客运量预测研究

准确的客流量预测在国家交通规划与管理中具有重要意义,预测方法的选择直接影响到预测的精度。客运量的预测具有小样本和非线性的特点。结合灰色理论和RBF神经网络的特点形成灰色-RBF神经网络模型,并采用客流运量分担率的方式对拟建铁路客流量进行预测。通过灰色理论对原始数据进行生成处理,将无规律的原始数据变为较有规律的生成数列,再利用RBF神经网络的超强适应能力和学习能力,大大加快学习速度并避免出现局部极小问题对生成数列进行预测,再将模型运用到客运量的预测中。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,得出灰色-RBF神经网络模型对客流量具有很好的预测性。     

基于腹地集装箱生成量分配的海铁联运运量预测方法研究

通过分析海铁联运运量的影响因素,提出基于集装箱货值的改进生成系数法来预测海运进出口集装箱内地生成量;采用多项Logit模型建立运输链选择模型,分析运输费用、运输时间和服务质量对运输链市场份额的影响,并预测腹地至港口各条运输链未来年份的市场份额;引入空重箱比例将重箱数量换算为运量。本文以陕西省为例,预测2010年陕西至上海海铁联运运量。分析表明,运输链市场份额对运输费用最为敏感,其次是服务质量和运输时间。     

上海浦东铁路集装箱运量预测

上海浦东铁路的建设将为提升上海港集装箱集疏运能力发挥重要作用。通过分析上海港集装箱吞吐量及其集疏运的现状，运用二次多项式回归模型对上海港集装箱运量进行了预测，并根据我国GDP的增长率和上海港的吸引能力对预测模型进行了适当修正。在确定铁路集装箱运输所占比重的基础上，对浦东铁路集装箱运量进行了预测，并核算了铁路集装箱班列的开行数量。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

铁路集装箱运输与产业经济的关联性分析

根据近几年成都地区铁路集装箱运量和成都四大支柱产业的工业总产值数据的统计,通过建立灰色相对关联度分析模型来分析集装箱与各产业的关联程度,从而对未来集装箱的发展提出优化班列网络、积极开展多式联运、重视信息化建设、提高服务质量等建议。     

BP-Adaboost集成学习算法在地铁施工沉降预测中的应用研究

为解决传统地铁施工沉降预测模型中沉降不随时间有序线性变化的问题,文章基于 BP 神经网络结合 Adaboost 增强学习方法构建 BP-Adaboost 集成学习预测算法,并将其应用于某地铁基坑施工地表沉降预测。实践表明,应用 BP-Adaboost 集成学习算法预测地铁施工地表沉降,不仅能够满足相关规范限值要求,而且相较于 BP 神经网络算法、灰色GM(1,1)算法其与实测数据的拟合精度更高,能够更好地反应地铁施工地表沉降规律,可为地铁施工安全提供技术保障。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

城市轨道交通客流量实时预测模型

城市轨道交通客流预测方法主要有基于调查的客流量预测方法和基于实际流量的事后统计方法。针对目前尚无根据实际客流量数据预测各个站的客流量的模型,提出了利用实际到站的客流量数据,通过建立灰色模型和马尔科夫链,预测下一站实际客流量的实时预测模型。试验仿真表明,该模型能较好预测实时客流量。     

基于分级节点的高速铁路货运动车组开行研究

“八纵八横”高速铁路网货运节点可以利用聚类分析法,依据货运总量、GDP、人口、社会消费品零售总额、快递业务量、线路连接数、城市类别和节点类别等指标划分为4个等级。基于灰色系统预测模型,预测2025年高速铁路货运量,构建数学模型计算保本货运量。依据节点划分、货运量预测、保本货运量结果,计算各等级节点中盈利OD所占的比例,结合日均OD量,分析各等级节点间开办高速铁路货运的可行性。研究表明,在一级节点之间可以开行高速铁路货运动车组专列,在二级节点之间可以开行客货联挂动车组,三、四级节点可以采用捎带运输的方式。     

用层次分析法优选集装箱中心站主箱场装卸工艺

研究目的：随着国内大型集装箱中心站建设的快速发展，优选18个集装箱中心站主箱场的装卸工艺，对中心站运营效率的提高起到关键的作用。 研究方法：运用层次分析法（AHP）确定集装箱中心站主箱场装卸工艺方案的影响因素及子因素的权重。 研究结果：得出了集装箱中心站主箱场优先采用轨道龙门吊装卸工艺。 研究结论：层次分析法对集装箱中心站主箱场装卸工艺的选择有很好的指导作用；装卸工艺各评价指标之间的比较取值越精确，则装卸工艺的选择越适合。     

铁路集装箱中心站智能大门信息系统集成设计

本文从铁路集装箱中心站智能大门功能入手，讨论智能大门信息系统构成及系统业务流程，论述中心站智能大门建设的必要性及可行性。     

西部陆海新通道货运量预测研究

西部陆海新通道在区域协调发展格局中具有战略地位,对我国深化陆海双向开放、推进西部大开发形成新格局等具有重要意义。在分析西部陆海新通道总体规划及铁路网规划的基础上,结合西部陆海新通道功能定位,分析货运量影响因素,从区域间货运量、对外贸易货运量、分流沿江通道货运量3个方面进行运量预测。针对每部分货运量,在分析历年货运量的基础上,综合采用多种预测方法,最终得到通道总货运量。西部陆海新通道货运量预测结果可以用于指导区域路网规划、运输组织优化及发展战略制定。     

基于马尔科夫—Verhulst模型的铁路货运量预测研究

铁路货运量是一个地区经济发展的先行指标之一,准确预测铁路货运量能够为该地区的发展规划起到指导作用。针对传统灰色Verhulst模型在进行铁路货运量预测时模型误差较大的问题,运用马尔科夫链模型对传统Verhulst模型的预测结果进行修正改进,以提高模型的预测精度。最后,通过引入实际案例,验证了经过马尔科夫链改进的灰色Verhulst模型在预测精度方面有了大幅度的提高,适用于甘肃省铁路货运量的预测。因此,应用该模型对甘肃省2015年到2017年的铁路货运量进行预测,为该地区的物流运输及其他相关行业的发展提供可靠的指标依据。     

灰色理论在铁路客运量预测中的分析研究

针对传统灰色预测模型存在对历史数据依赖性强、容错性小及抗干扰能力差的局限性，将无偏灰色理论与残差验证理论引入预测模型，从趋势曲线灰色拟合与状态分类方式上对传统灰色模型进行改进，提出无偏灰色预测铁路客运量方法；同时，对铁路客运量预测方法从定性预测和定量预测两个方面进行阐述并对其优缺点进行分析。依据建立的无偏灰色预测铁路客运量模型，以1997—2016年铁路客运量为基础数据，对铁路“十三五”时期的数据进行预测，通过残差检验和结果分析，其预测精度明显高于BP神经网络预测。     

基于深度学习的铁路客站视频融合智能监控系统的图像处理优化技术研究

针对复杂铁路客站现场全景视频高维特征缺乏、融合匹配不准确等问题，提出一种基于深度学习的铁路客站视频融合智能监控系统的图像处理优化技术。文章通过尺度不变特征变换算法检测出图像关键点，利用卷积神经网络进行高维特征提取，对错配点使用随机抽样一致性算法进行剔除，并对虚影问题进行了优化以获得更好的细节效果。提出的图像处理优化技术已应用于连云港—镇江高速铁路扬州东站。应用结果表明，该技术能有效防止图片失真，获得更好的拼接效果。