铁路客运量数据挖掘预测方法及应用研究

在分析铁路客票数据特征的基础上,提出采用分段模糊BP神经网络对铁路客运量进行数据挖掘预测。通过对铁路客票数据的分段处理,提高了网络学习的收敛速度和预测精度,并在MATLAB环境下建立了分段模糊BP神经网络模型,在仿真试验中各分段的期望输出和实际输出之间吻合较好,从而证明了分段模糊的数据处理方法是有效的;同时,预测的客运量和实际客运量数值非常接近,说明分段模糊BP神经网络得到的数据挖掘预测模型对铁路客运量有很好的预测效果,该预测模型可信,为预测铁路客运量提出了一种新思路。     

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。     

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。     

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Verhulst-RBF的铁路客运量预测

为更准确地预测铁路客运量,采用灰色关联法,分析不同因素对铁路客运量的影响程度,确定主要影响因子,并将其作为预测指标,提出基于Verhulst-RBF神经网络的铁路客运量预测组合模型。基于四川省近14年的铁路客运量数据,进行组合模型测试。实验结果表明,Verhulst-RBF神经网络组合模型的预测精确度高于单一的Verhulst模型或单一的RBF神经网络模型。     

基于结构优化BP神经网络的铁路“走出去”目标国宏观风险评估模型研究

本文综合考虑典型的BP神经网络模型优缺点,对典型3层前馈型BP神经网络模型进行结构优化,提出随机重连BP神经网络模型。综合各项因素研究,提出铁路"走出去"目标国铁路项目投资建设风险评估指标体系。运用"一带一路"32个沿线国家数据,通过建立随机重连BP神经网络模型,对模型进行训练和预测验证,其精度达到目标要求,验证了此模型可用于海外铁路项目投资建设的风险评估。     

沪宁城际铁路客流短期预测研究

为提高沪宁城际铁路运营组织效率,通过对沪宁城际铁路短期客运量的时序特征和变化规律的分析,表明短期客运量时间序列是一种具有周期性特征、增长趋势缓慢的非平稳时间序列。在此基础上,建立ARIMA乘积季节模型,并运用该模型对沪宁城际铁路南京站发送量客流进行预测,结果表明ARIMA乘积季节模型具有较好的预测精度,适宜做城际铁路的短期客流预测。     

新型组合模型在铁路客运量预测中的应用

客运量是用来测算交通运输业所承担的工作量,反映了运输业为国民经济和人民生活服务的数量指标,准确的客运量预测直接影响到铁路项目的经济效益评价及铁路交通组织安排。根据客流量数据的特点,提出新的组合预测方法,构建线性时间序列灰色GM(1,1)模型和考虑客流量影响因素的非线性遗传算法优化BP神经网络模型。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,并将组合模型预测结果和单一模型相比,得出新型线性和非线性组合模型预测精度更高,取得了满意的效果,为客流量的预测提供了一种新的工具。     

基于BP神经网络的铁路轨道几何不平顺预测方法

设备密集型重载铁路对轨道平顺状态预测技术十分重视,受限于数据挖掘分析技术,轨道检测车在养护维修计划决策支持方面还未完全发挥应有的作用。本文根据轨道不平顺的变化特点,采用神经网络方法对重载铁路轨道不平顺7项参数进行预测,从而为养护维修策略的决策提供支持。将某重载铁路K420+000~K426+000区段长达18个月的轨道不平顺检测数据用于模型训练并进行预测分析,结果显示:双隐层、单隐层BP网络模型和多元回归分析模型的均方预测误差平均值分别为0.065 2、0.068 9、0.105 1,平均相对误差分别为8.03%、8.65%、11.57%。双隐层BP网络模型模型精度更高,该模型为重载铁路轨道不平顺发展预测的研究提供了新的思路。     

基于BP神经网络的铁路货运客户满意度评价模型

简要介绍BP神经网络原理,说明最基本的BP神经网络主要由输入层、中间隐含层、输出层3个部分构成。分析影响铁路货运客户满意度的主要因素：货场设施、服务状况、运输成本和货运业务,在此基础上建立铁路货运客户满意度指标体系,提出基于BP神经网络的铁路货运客户满意度评价模型,并以某铁路货运营业站为例对其客户满意度进行评价,验证该模型的可行性。