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Bi-LSTM网络的铁路短期货运量预测研究

短期货运量预测研究是铁路运输企业编制日常工作计划的重要依据,准确的货运量预测结果对铁路货运组织工作具有积极意义.针对铁路短期货运量预测,建立基于双向长短时记忆网络(Bi-LSTM)的短期货运量预测模型,以某铁路局集团公司4 122 d、136个月的货运发送量为实验数据分别进行各月和每日货运发送量的预测,其误差分别为5....     

我国铁路货运量影响因素探析

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。     

我国铁路货运量增长不对称性研究

为提高铁路货运的市场竞争力,在阐述我国铁路货运及其竞争对手发展趋势的基础上,分析铁路货运量增长存在的不对称性,确定增长不对称性系数的计算方法,以和方差、残差标准差、确定系数、校正后的确定系数进行拟合精度比较,选择出精度最高的模型作为衡量铁路货运量不对称性曲线的模型,以历年铁路、公路货运量为例,研究确定铁路货运确实存在畸形不对称增长的现象,计算的不对称性系数为正数,而公路货运不存在不对称增长性,与计算公路货运不对称增长系数为负数相符,为促进铁路货运量发展提供研究依据。     

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。     

基于改进灰色模型的东北地区铁路货运量预测

铁路货运量预测在国家和区域经济发展规划中具有十分重要的作用。灰色GM(1,1)预测模型被广泛应用于铁路货运量预测研究中。本文在建立灰色GM(1,1)模型的基础上,采用更符合东北地区经济发展态势的改进灰色模型——新陈代谢GM(1,1)模型对东北地区2006—2011年铁路货运量进行预测。通过对原始数据与预测数据的精度检验后发现:新陈代谢GM(1,1)模型满足四种精度检验要求,符合一级预测标准并适合中长期预测,适合于东北地区铁路货运量的预测研究。最后应用新模型预测2012—2015年东北地区的铁路货运量,使得预测数据更加合理化。与灰色预测的基本模型相比,改进的预测模型具有较好的实用价值。观察预测数据发现东北地区货运量呈单调递增趋势,有良好的发展态势。     

入世过渡期内我国铁路货运的发展趋势

通过分析我国铁路货运在入世过渡期内发展的内外部环境，对铁路外贸货运量及总货运量的发展趋势进行了预测，对大力发展我国铁路货运提出了几点可行性建议。     

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。     

RBF神经网络在铁路货运量预测中的应用

基于回归和时间序列模型的传统预测方法以及目前较为常用的灰色预测和BP神经网络预测方法，建立了RBF神经网络模型对全国铁路货运量进行详细分析和预测。利用铁路货运量的原始数据构造时间序列，并对时间序列进行分析和相应的处理。将处理后的数据构造为一个非线性映射，利用RBF神经网络进行逼近。利用Matlab对灰色预测、BP神经网络预测和RBF神经网络预测模型进行仿真实验，得出3种预测模型的平均相对误差，分别为7.67%、4.79%和1.31%。表明RBF神经网络预测方法的预测精度比另外两种预测方法高很多，可为铁路货运量预测研究提供方法支撑。     

基于灰色DGM(2,1)模型的四川省铁路货运量预测

基于四川省铁路货运量的数据特征,引入灰色系统理论,建立四川省铁路货运量DGM(2,1)预测模型,并对其预测值进行精度检验,得出该模型精度为一级,模型精度高、可用于货运量的预测的结论。在此基础上对四川省2010-2015年的铁路货运量进行了预测,结果呈现单调的递增趋势,发展态势良好。     

基于灰色线性回归模型的哈尔滨铁路枢纽货运量预测研究

为合理规划哈尔滨铁路枢纽基础设施及物流网络,促进哈尔滨铁路枢纽更好地服务于现代物流发展的需要,基于哈尔滨铁路枢纽的定位与货运现状,在考虑线性回归模型与灰色预测模型各自优势的基础上,构建哈尔滨铁路枢纽货运量预测的灰色线性回归模型,通过计算平均偏差比率对模型进行检验。检验结果表明,灰色线性回归模型预测结果平均偏差比率较小,介于灰色预测模型和一元线性回归模型之间,同时该模型结合了货运量与时间变化、生产总值之间的关系,预测结果切合实际,可以为制定铁路货运枢纽规划及物流发展战略提供科学决策依据。     

基于小波灰色GM(1,1)模型的货运量预测研究

基于铁路运输货运量的预测对铁路运输发展战略的制定以及铁路运输设施效益的提高有着重要的意义,为提高铁路货运量的预测精度,通过利用小波降噪分析法,消除实验数据存在的噪声,提高原始序列的光滑度,在此基础上对新生成的序列应用灰色GM(1,1)模型进行预测。用此模型对1990~2014年铁路货运量进行验证,研究结果表明:改进后的模型相比于直接应用灰色GM(1,1)模型预测得到的结果精度更高,其拟合效果更好。     

灰色预测算法在铁路货运预警系统中的应用研究

在阐述铁路货运量形成原因的基础上,针对货运量变化情况,分析产业结构、能源政策、竞争与替代关系、运输结构、运价水平等铁路货运量主要影响因素,提出采用灰色预测算法对铁路货运量进行预测,在此基础上建立灰色预测模型,应用灰色预测算法分品类预测东北地区短期铁路货运量,将预测结果与回归预测算法、移动加权平均预测算法的预测结果进行比较分析,最后将该预测算法应用于铁路货运市场监测系统的货运市场预警子系统中,结果达到客户预期满意度。     

基于FPSO灰色Verhulst模型的铁路货运量预测

为提高灰色Verhulst模型的预测精度,采用粒子群算法对灰色Verhulst模型的参数值进行优化,利用滑动窗对原始数据序列进行动态更新,使用Fourier序列修正模型的误差,提出FPSO灰色Verhulst模型预测铁路货运量的方法。以平均绝对误差、均方根误差、平均相对误差为评价指标,采用传统灰色Verhulst模型、GM(1,1)、径向基神经网络、FPSO灰色Verhulst模型分别对具有增长趋势、摆动发展以及交叉发展趋势的铁路货运量进行预测。结果表明,FPSO灰色Verhulst模型能更好地反映铁路运输过程中的突变因素,是一种减少误差、充分利用新生数据、提高预测精度的有效方法。     

我国产业结构变动对货运需求的影响分析

分析了我国产业结构的变化趋势，铁路货运量及货运市场的发展，运用多元线性回归模型对我国产业结构的变动方向与铁路货运量的相关性进行了分析，并根据产业结构的变动趋势，提出了对铁路货运发展的相关政策调整和措施的建议。     

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。     

基于径向基神经网络的铁路货运量预测

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。     

基于灰色预测-马尔可夫链-定性分析的铁路货运量预测

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。     

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.