共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
基于灰色关联分析的LS-SVM铁路货运量预测 总被引:4,自引:0,他引:4
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。 相似文献
3.
针对铁路货运量的主要13项内部影响因素,以2004~2014年间11年的铁路运输指标统计数据为训练样本,采用BP神经网络建立这些因素与货运量的映射关系,再根据该映射以权积法求解货运量对各因素的敏感度系数,从而定量计算出各项因素对铁路货运量的影响程度。研究结果表明:国铁正式营业里程、货车保有量、货运密度和货车机车平均牵引总重这4项因素对货运量的影响要显著大于其他因素,若需在货源充足的情况下提高货运量,则以上4项因素是需要着重优先考虑的因素。 相似文献
4.
《铁道货运》2019,(11)
对铁路货运量的影响因素进行分析有助于铁路运输企业把握铁路货运量的演变规律,制定符合市场需求的运输计划。通过灰色关联分析法分阶段探究我国铁路货运量与国民经济活动、综合交通运输体系统计指标的关联程度,并用ARDL模型实证分析铁路货运量与代表性影响因素的长期影响关系。灰色关联分析结果表明,2004—2011年我国铁路货运量主要与铁路基础设施能力和第二产业经济的发展密切相关,2012—2017年主要与煤等矿产品的生产与消费、公路货运竞争密切相关。ARDL模型结果表明,2004—2017年铁路货运量对煤炭消费总量的变化最敏感,其次是工业增加值和GDP,随后是居民消费水平,铁路货运运价对铁路货运量的长期影响程度最小。经比较,基于工业增加值的ARDL模型对铁路货运量的预测精度较高。 相似文献
5.
货运量是影响铁路专用线经济效益和社会效益的关键因素,也是铁路专用线建设和运营的基础.分析铁路专用线货运量影响因素,将影响因素归结为规划设计、运营服务和外部环境及发展等3类15项.构建铁路专用线货运量影响因素的系统动力学关系模型,根据系统动力学模型中的影响因素回路,分析各影响因素的相互作用和影响范围.根据系统动力学模型的... 相似文献
6.
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。 相似文献
7.
基于径向基神经网络的铁路货运量预测 总被引:12,自引:0,他引:12
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。 相似文献
8.
基于多因素的铁路货运量BP神经网络预测研究 总被引:1,自引:0,他引:1
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。 相似文献
9.
10.
结合近年我国主要经济发展趋势,从宏观经济、居民生活水平及进出口贸易,电力行业及发电形式,煤炭、钢铁行业影响,金属矿石行业影响等方面分析影响铁路货运量的外部因素,以及铁路路网、铁路运输装备水平、体制改革、铁路运能、运价等影响铁路货运量的内部因素,以扩大铁路运量为目标,提出大宗货物采用精细化组织模式、既有线开行重载列车、全面构建铁路货运物流体系、逐步完善铁路快速货运产品等措施建议。 相似文献
11.
基于灰色预测-马尔可夫链-定性分析的铁路货运量预测 总被引:3,自引:0,他引:3
科学的货运量预测对铁路发展战略的制定具有十分重要的意义。分析以往对铁路货运量预测的相关文献及其预测精度,并分析影响预测精度的因素,定量分析与定性分析相结合有利于提高预测的准确性。采用灰色预测-马尔可夫链-定性分析相结合的方法对铁路货运量进行预测,经分析表明:灰色模型预测结果精确度受原始数据变化幅度的影响较大,通过马尔可夫链修正,预测结果得到较大改善;由GM(1,1)预测值及马尔可夫状态转移下的最大概率可知铁路货运量的发展趋势;"十一五"期间铁路货运量增长速度将放缓,但仍将保持较高的增长率。 相似文献
12.
浅谈影响铁路货运量的主要因素及铁路货运发展战略 总被引:1,自引:0,他引:1
根据铁路现存的问题 ,从体制、产品、价格、服务等方面分析了影响铁路货运量的主要因素 ,进而从货运体制改革、发展代理制、新价格体系的建立、运输产品的新意几方面提出了铁路货运发展战略。 相似文献
13.
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。 相似文献
14.
准确预测铁路货运量对铁路货运组织工作的开展极为重要,特别是短期(月、日)货运量数据直接关系到铁路各项运输计划的编制。人工神经网络模型因其强大的学习能力而被广泛运用于各领域的预测,其中的LSTM网络适合处理和预测铁路货运量这类间隔和延迟相对较长的时间序列。考虑不同时期货运数据的特点分别建立基于月货运量数据的LSTM多变量预测模型和基于日货运量数据的LSTM时间序列模型。基于广铁2010—2017年的货运量数据,运用所建模型预测各月和每日的货运发送量,并与ARIMA模型预测方法和BP神经网络方法的预测结果相比较。结果表明,LSTM网络预测效果更佳。 相似文献
15.
16.
17.
2020年初的新冠肺炎疫情对供应链上下游企业影响的波及,导致全社会货运量均受到不同程度的影响.在分析疫情对铁路货运量的影响基础上,针对货运总体需求下降、运输组织效率有待提高、营销激励机制有待加强等问题,通过畅通信息渠道、快速应对市场需求变化、建立"互利共赢"合作机制促进企业复工复产,通过加强运输组织、优化货运产品结构提... 相似文献
18.
19.
20.
为提高北京货运发展质量,在阐述北京公铁货运量比例变化、货物周转量比例变化和里程变化等交通结构演进概况的基础上,从政策、资源结构、经济发展、交通科技进步、技术经济性和固定资产投资等方面分析北京公铁交通结构演进影响因素,采用层次分析法计算影响因素权重,并运用灰色关联度分析法对影响因素进行进一步分析.结果 表明,北京公铁货运... 相似文献