我国东西部铁路货运量增长规律预测分析

通过分析我国东西部货运需求及铁路货运发展趋势,对东西部未来货运增长量进行定量预测,并提出提高东西部铁路通道运输能力的措施与方法。     

铁路货运量预测研究综述

为获得准确的铁路货运量预测,提升铁路货运组织效率,提高铁路物流规划的前瞻性。首先,分析铁路货运量影响因素研究现状,探讨新形势下铁路货运量影响因素的变化;其次,将应用于铁路货运量预测领域的方法分为基于统计学的传统预测方法和基于机器学习的智能预测方法两类并进行应用分析,着重对比梳理智能预测方法的改进方式、改进原理、改进效果和适用场景,从单一模型在数据预处理、参数选取、结构优化方面改进,不确定因素、动态性因素影响下组合预测模型构建和改进,海量、高维度、异构数据下铁路货运量预测的实现3个方面探讨铁路货运量预测领域需进一步研究的方向;最后,基于研究现状和发展特征,指明了铁路货运量预测领域的潜在研究热点和难点,以期为铁路货运组织和运营提供参考。     

ARIMA 模型在铁路货运量预测中的应用

铁路货物运输是国民经济的重要组成部分,对铁路货运量作出较为准确的预测,可为铁路管理部门提供决策参考.采用ARIMA模型对1990-2007年全国铁路货运量进行分析建模,并预测出未来几年的铁路货运量.     

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.     

中老铁路贸易货运量预测

随着中国铁路"走出去"战略的发展,海外项目越来越多,进出口贸易量是多数"走出去"铁路项目货运量的重要组成部分。如何通过贸易发展测算贸易量成为海外铁路运量预测的关键之一。通过探讨贸易额与贸易货运量的关系,预测中老铁路承担的货运量,为海外项目通过贸易额测算贸易量提供一种思路。     

基于Rough Set理论的铁路货运量预测

利用Rough Set理论通过对数据进行分析和推理发现隐含知识的优点，在结合该理论与铁路货运量预测要求的基础上，提出一个基于Rough Set理论的铁路货运量预测流程；合理选择统计指标并将相关原始数据代人预测流程涉及的各步骤后，得出预测我国铁路货运量发展水平的规则集；利用该规则集预测了“十五”期间我国铁路货运量的发展水平；该规则集有望在我国“十一五”规划的制定中发挥一定的参考作用。     

基于多因素的铁路货运量BP神经网络预测研究

在对铁路运输影响因素进行定性及定量分析的基础上,选取了国内生产总值、第二产业比重、原煤产量、原油产量等10个指标作为影响因素,运用BP神经网络模型构建它们与铁路货运量之间的复杂映射,从而对铁路货运量进行预测,并以近12年铁路货运量为实例进行验证。     

基于变权重组合模型的铁路货运量预测

介绍了变权重组合预测方法,建立了铁路货运量的变权重组合预测模型,并与1998-2007年铁路实际货运量对比,表明预测数据比较切合历史数据,接近货运量的实际情况。在此基础上预测了2008-2010年铁路货运量。     

广州南沙疏港铁路货运量预测研究

广州南沙疏港铁路的建设是广州市发展重心南移战略的需要，对于推动地区经济发展，改善地区交通结构具有重要意义。利用现有的交通、经济数据，采用四阶段预测方法，对南沙疏港铁路番禺区段的货运量进行了预测。     

基于灰色关联分析的LS-SVM铁路货运量预测

为提高对铁路货运量的预测精度及建模速度,在分析货运量影响因素基础上,提出基于灰色关联分析的LS-SVM铁路货运量预测方法。将货运量影响因素分为社会需求与铁路供给两方面因素,采用灰色关联分析法对两方面因素与货运量进行相关性分析,根据灰色关联度值,结合定性分析筛选LS-SVM输入变量,简化LS-SVM结构,再通过随机权重粒子群(SIWPSO)算法优化选择LS-SVM模型参数。通过对我国1980～2009年铁路货运量实例分析表明:该方法具有较快的收敛速度和较高的预测精度。     

基于BP神经网络的铁路货运量预测

在铁路货运量预测中，为改善传统预测方法数据拟合度不高、外推性不强等问题，提出基于BP神经网络技术的货运量预测模型，该模型采用贝叶斯正则化方法以提高神经网络推广能力。实验比较发现，该模型具有较强的自适应性，其拟合、预测结果优于灰色预测模型GM（1，1）和修正指数回归模型，证实了该方法的可行性和可靠性。     

基于复杂网络理论的铁路货运量预测

论证了复杂网络理论应用于铁路货运量预测的可行性,利用复杂网络理论对铁路货运网络进行了分析,用基于复杂网络传播的动力学模型定量预测了2006-2015年中国铁路货运量的发展.     

基于RBF神经网络的铁路货运量预测

对铁路货运量发展趋势进行预测是正确制定铁路货运营销战略的前提和基础,运用RBF神经网络法对铁路货运量进行了预测.     

铁路货运量预测风险分析及概率树评价法的应用

对铁路货运量预测中的风险因素进行分析,阐明货运量预测风险分析的意义。介绍铁路货运量预测的风险分析方法主要有定性分析法与定量分析法,讨论定量分析法之一的概率树评价法在控制铁路货运量预测潜在风险中的应用,通过算例说明利用概率树评价法能够有效降低各种不确定因素带来的预测偏差。     

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。     

基于经济周期的铁路货运量神经网络预测研究

针对现有铁路货运量预测方法存在较大突变性误差的问题,提出经济周期阶段参数的概念,将经济周期量化后作为一个输入因素提供给神经网络模型,用以学习记忆经济波动情况,建立基于经济周期的Elman神经网络预测模型,并以我国1992～2008年铁路货运量为实例对方法进行检验,与BP神经网络预测结果进行对比。实例表明,该方法有效减小突变性误差,预测精度较高,Elman神经网络在进行动态系统预测时效果更佳。     

基于相空间重构的铁路货运量神经网络预测

针对现有铁路货运量预测方法的不足,建立了基于相空间重构的神经网络预测模型。该模型在对货运量原始数据进行相空间重构的基础上,将重构后的数据输入神经网络进行学习训练,最后选取待预测的时间点来预测铁路货运量的发展趋势,并以大秦线1989--2008年的货运量数据为基础进行预测与验证分析。     

改建铁路包西线红柳林至钟家村段货运量预测

根据本线路的地理位置、路网构成和功能以及吸引区域运量特点，将运量分为“煤炭”和“大其他”（除煤炭外所有品名的货物）两大部分进行预测．煤炭运量根据产、运、销平衡法预测；大其他根据区际间的交流量进行路网预测分配，最终确定本线的货运量总水平．     

基于灰色Verhulst模型的铁路货运量预测研究

针对铁路货运量数据序列特征,将灰色Verhulst模型的建模方法引入铁路货运量的预测,并进行建模计算及预测值精度检验。