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GA-GM(1,N,α)幂模型的铁路客运量预测

针对在铁路客运量预测领域传统的灰色预测模型不能反映真实系统的非线性结构特点及其背景值的赋值不合理的问题,提出使用对系统相关因素引入幂指数且经过背景值优化的GM(1,N,)幂模型进行客运量预测。背景值优化时设置待定参数,利用线性组合结构重新计算背景值。对此模型产生的较多的待定参数,采用能够并行运算、全局寻优的遗传算法进行一次性求解。最后使用此模型对甘肃省铁路客运量进行建模预测,并与传统GM(1,N)模型、GM(1,N)幂模型进行对比分析。结果证明,GM(1,N,)幂模型具有更高的预测精度,对铁路客运量预测有一定的应用和研究价值。     

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。     

基于时空序列的铁路客运量数据挖掘预测

在分析铁路客运量数据的时空复杂性特征的基础上,以铁路假日运输管理系统中春运期间的客运量数据为依据,采用BP神经网络的数据挖掘方法进行铁路客运量数据挖掘预测研究。通过BP神经网络的建模方法把客运量的空间属性、数据属性和时间属性有机地结合起来,将数据的建模含于网络的数值当中。网络在学习过程中系统误差始终保持持续稳定的下降趋势,没有产生局部振荡和陷入极小现象,整个学习过程中系统稳定性较好。各样本之间的期望输出和实际输出之间吻合较好,从而证明所采取的数据处理方法的有效性和网络学习参数的合理性。根据BP神经网络得到的预测模型在仿真试验中的期望输出和实际输出之间吻合较好,预测的客运量和实际客运量数值非常接近。     

超限学习机在铁路客运量预测中的应用研究

传统的预测方法对实验对象要求严格、需要人工设置大量参数,导致算法学习速度较慢、预测误差较大等不理想结果。本文引入机器学习中的超限学习机(Extreme Learning Machine,ELM)对铁路客运量进行预测,建立铁路客运量网络预测模型。利用国家统计局公布的1997~2014年铁路客运量数据做了验证,并以2014年的数据为依据对客运量进行月度预测。结果表明:2010~2014年预测值与实际值的平均误差为0.61%,2014年每个月预测值与实际值的误差均低于1.00%。重复的实验证明ELM算法具有很好的泛化能力和鲁棒性,为铁路客运量的预测提供了一种新的工具。     

基于改进LS-SVM算法的列车通信网络时延预测方法

由于通信网络诱导时延的存在会对列车牵引制动系统造成影响,因此对时延精准预测并实现补偿十分重要。提出了一种基于改进粒子群(PSO)算法优化的最小二乘法支持向量机(LS-SVM)算法对列车通信网络时延进行预测,搭建了列车网络控制系统半实物平台,使数据通过多功能车辆总线(MVB)进行传输,分别改变车辆控制单元(VCU)特征周期及负端口数量大小,以获取大量不同特性的时延数据。将数据分组后利用改进的PSO算法优化LS-SVM算法进行预测仿真。仿真结果表明,与传统的LS-SVM算法及Elman神经网络算法的预测方法相比,所提出的方法在列车通信网络的时延预测方面具有更好的快速性和准确性。     

基于无偏灰色组合动态模型的铁路客运量预测研究

针对目前铁路运输客运量预测在精度方面的不足，提出一种无偏灰色组合动态预测模型，应用于现有铁路客运量的预测。通过借鉴无偏GM(1,1)模型直接建模思想，对传统的灰色Verhulst模型作出改进，即对原始序列作倒数生成，运用新生成的倒数序列建立无偏灰色Verhulst模型，以消除传统的灰色Verhulst模型自身的一些偏差；为进一步提高模型的拟合精度及收敛速度，引入马尔科夫链方法对无偏灰色Verhulst模型的拟合结果进行修正，同时兼顾数据序列具有一定的时效性，构建出无偏灰色组合动态客运量预测模型。以我国兰青铁路某区段2010—2019年共10年的客运量数据作为原始数据，验证模型的可靠性与准确性，并与传统EDGM(1,1)模型、灰色Verhulst模型和无偏灰色Verhulst模型作对比，结果表明，本文模型在预测精度方面更凸显优势，能有效提高预测结果的准确性。     

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IPSO的霍尔特指数平滑系数的铁路客运量预测研究

为了提高霍尔特指数平滑法对铁路客运量预测的精度,基于改进粒子群算法(IPSO)对铁路客运量预测领域中霍尔特指数平滑系数的取值进行优化研究。以我国各省铁路客运量为研究对象进行仿真实验,以验证改进粒子群算法的寻优效果,并求解霍尔特指数以预测各省铁路客运量的平滑系数最优取值。研究表明,相较于经典的线性递减权重优化法和固定权重法,非线性递减权重优化的粒子群算法能更加准确地求出最优平滑系数,具有更好的寻优能力和收敛速度。以上海市为例,其收敛速度分别提高4代和14代,求解精度分别提高了0.000 18、0.000 006。     

基于GM—周期扩展组合模型的铁路客运量预测

铁路客运量的准确预测对我国铁路建设项目投资和决策具有重要意义。由于铁路客运量预测系统本身是一个信息不完全的灰色系统,因此,可以通过建立(灰色)GM-周期扩展组合模型对铁路客运量的非线性动态变化进行预测。该模型运用灰色预测理论GM(1,1)与周期扩展模型结合,不但可以进行客运量的趋势预测,同时也可以充分考虑铁路客运量的周期波动性这一特征。最后,结合具体的实例验证说明该模型是科学合理的,预测值与实际值较吻合。