基于组合预测模型的铁路客运量预测研究

为提高铁路客运量的预测精度,对组合预测模型的权重分配方法及组合方式的预测效果进行研究。综合考虑预测误差及其均方差的影响,构建基于Logit模型的权重分配模型以解决组合预测模型的权重分配问题,并提出模型求解算法。以北京市铁路客运量预测为例,研究BP神经网络、霍尔特线性趋势指数平滑法和ARIMA模型的多种组合方案的预测效果,并验证基于Logit模型的权重分配模型的优势。研究结果表明：线性与非线性预测模型组合的预测精度优于线性与线性预测模型的组合,其中,B-H-A模型的组合预测效果最好,误差低至0.606%。另外,通过与等分权重法对比,基于Logit模型的权重分配模型赋值的权重能提高组合预测模型的预测精度,且适用性更好。     

基于用地区位的停车需求预测研究

停车规划的关键一步是停车需求预测,现行的停车需求预测主要是以用地功能为核心的预测模型,但该类模型考虑的影响因素比较单一,且有适用范围窄、预测精度不高等问题存在,并不能准确的进行停车需求预测。通过实际调研发现,用地区位条件与停车需求之间的关系比较密切。区位条件主要包括地理位置、交通状况、社会经济条件,重点分析三个因素内部因子的影响,建立区位条件和三个因素之间的关系模型。通过引进区位优势到停车需求预测模型,以达到对停车生成率模型进行改进的效果。最后将该模型运用到实际停车规划项目,验证了该预测模型的可操作性和实用性。     

基于发展战略的城市物流需求预测技术及应用

本文将城市物流需求分解为区域物流需求、内部物流需求、存量物流需求和增量物流需求,提出一种城市物流需求预测技术,解决城市物流需求预测与城市物流发展战略不相匹配的问题。     

共享单车停放需求影响因素分析和预测研究

为了解决城市共享单车的乱停乱放问题,本文基于北京市的共享单车出行大数据,提出了共享单车停放需求预测的多项Logit模型。首先分析了单车停放需求的影响因素,然后选取了时间、空间及天气方面的12个因素为自变量,通过Wald检验分析了这些因素与停放需求的相关性和显著性,基于多项Logit模型建立了共享单车的停放需求预测模型。结果表明:工作日、时段、商业区、所临道路类型、临近轨交站、高温、下雨、以及风力等级与共享单车停放需求显著相关;构建的预测模型总体预测准确率为77.5%,其中对出现频率最高的低停放需求预测准确率高达86.49%。     

基于遗传算法的BP神经网络短时交通流预测

对BP神经网络模型、方法及遗传算法的基本原理进行了分析,将遗传算法与标准BP神经网络算法相结合构建了基于遗传算法的神经网络算法;建立了基于BP神经网络的短时交通流预测模型,对BP神经网络算法及基于遗传算法的BP神经网络算法进行设计,并将其应用于短时交通流预测模型的仿真计算,仿真结果表明基于遗传算法的BP神经网络算法具有更快的计算速度及更好的适应能力,该方法可以较好地应用于短时交通流预测。     

基于PCA-BP神经网络的铁路客运量预测模型研究

本文分析铁路客运量影响因素,利用主成分分析(PCA)消除原始铁路客运量影响因素之间的相关性,将主成分分析结果作为BP神经网络的输入,并通过增加动量项、输入数据处理、调整学习速率优化BP神经网络,提出基于PCA-BP神经网络的铁路客运量预测模型。实例研究表明,与BP神经网络相比,PCABP神经网络能有效提高铁路客运量预测精度。     

基于多尺度组合核极限学习机模型的隧道围岩变形预测及应用

隧道围岩变形序列具有高度非线性,采用常规方法很难得到满意的预测精度。为了提高隧道围岩变形的预测精度,基于实测变形数据,提出一种隧道围岩变形的多尺度组合核极限学习机预测模型。首先,通过集合经验模态分解技术将实测变形数据分解为多个不同的尺度序列,然后通过组合核极限学习机对各分量序列进行建模预测,最后将预测得到的各分量结果进行组合获得最终的预测值。改进模型中通过径向基函数和多项式核函数线性加权而成组合核函数,运用粒子群算法对核参数和加权系数进行优选,并通过马尔可夫链对模型的预测结果进行了讨论,可以较好地提高隧道围岩变形的预测精度。文章通过大相岭隧道围岩变形预测实例表明:提出的改进模型在单步预测和连续多步预测隧道围岩变形时,都能取得较高精度,对比可得优于贝叶斯正则化BP神经网络,与工程实例监测变形相比处于可接受范围内,具有一定的应用价值。     

基于BP神经网络算法的共享单车需求预测

文章选取某地区不同时段的共享单车需求数据,采用BP神经网络算法构建了基于Tanh函数、Logistic函数、Relu函数、Identiey函数四种不同激活函数下的需求预测模型,并应用RMSE、MSE、MAE、R2四种模型评估指标对模型进行评估,从而选出最优需求预测模型进行共享单车的需求预测。结果表明:无论在检验训练数据下还是检验测试数据下,精度最高的模型为Tanh函数下的BP神经网络模型,其测试集下的标准误差(RMSE)比训练集下的标准误差(RMSE)略有上升,测试集下的拟合优度(R2)比训练集下的拟合优度(R2)略有下降,说明该模型具有强泛化性能。     

基于BP神经网络的PGIS空车位数预测建模研究

文章采用BP神经网络对城市停车诱导信息系统（PGIS）中的空余车位数进行预测研究,建立了基于BP神经网络的PGIS空车位数预测模型,并介绍了模型预测的过程和方法。     

基于遗传算法的集装箱铁水联运运量组合预测

集装箱铁水联运是多式联运的重要形式之一，有利于充分发挥铁路运输在内贸运输和外贸集疏运方面大运量、低能耗的优势，是实现高效物流的有效途经。根据铁水联运运量数据小样本和不稳定的特点，将三次指数平滑方法、多元线性回归方法、BP神经网络方法组合，并通过遗传算法为单一预测方法赋权，建立了组合预测模型。以2011～～2020年铁水联运相关统计数据对模型进行实证分析，结果证明组合模型能在一定程度上提高预测精度和稳定性。