基于灰色线性回归模型的哈尔滨铁路枢纽客运量预测研究

客运量是铁路客运枢纽规划的基础,准确掌握铁路客运量的发展规律,可为铁路枢纽制定运输计划与线路改造等提供参考依据。由于铁路客运系统是一个信息不完全的灰色系统,在进行客运量预测时,将灰色预测模型与线性回归模型结合,消除单一模型在预测过程中产生的较大误差,使模型更加灵活、预测数据更加准确。采用该模型预测哈尔滨铁路枢纽客运量,对模型精度进行评价检验,验证结果表明:评价指标方差比与小误差概率均为第一等级,评价检验结果为优,预测结果可靠。     

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。     

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。     

基于灰色-马尔可夫链的铁路货运量预测研究

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。采用灰色模型预测方法GM(1,1)和马尔可夫链预测相结合,提出了灰色-马尔可夫链改进预测方法,利用偏差对灰色模型值进行状态划分,并采用马尔可夫状态转移矩阵对状态的转移变化进行分析,并针对我国铁路货运量的未来趋势进行了经济预测的分析,确定待测年份偏差最可能处于的状态。     

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。     

基于改进灰色-Markov模型的铁路货运量需求预测

通过Markov状态转移矩阵对改进后的灰色预测结果进行修正,构建改进灰色-Markov预测模型,并对我国铁路未来货运量需求预测进行了实证分析。     

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。     

基于灰色-马尔可夫链改进方法的铁路货运量预测研究

科学的预测对于经济现象的研究和经济决策的制定都具有十分重要的意义,因此,关于经济预测理论和方法的研究一直是一个热点。本文将灰色模型预测方法GM(1,1)和马尔可夫链预测相结合,提出灰色马尔可夫链改进预测方法,并且针对我国铁路货运量的发展趋势进行了预测,得出比灰色预测更加准确的结论。从而证明,灰色马尔可夫链改进方法的预测结果更加准确可靠,更有利于决策者的经济决策行为。     

基于无偏灰色模糊马尔可夫链法的铁路货运量预测研究

针对传统灰色马尔可夫预测模型存在灰色偏差与抗干扰能力弱的局限性,将无偏灰色理论与模糊集合理论引入预测模型,从趋势曲线灰色拟合与状态分类方式上对传统灰色马尔可夫模型进行改进,提出无偏灰色模糊马尔可夫链预测铁路货运量的方法,并结合"十一五"期间中国铁路货运量和货运市场发展趋势的预测分析,详细阐述了该方法的具体应用,最后使用定性分析对该方法的预测结果进行检验与讨论.理论分析和算例表明,该方法有更可靠的预测结果,并且能够对铁路货运市场的发展趋势进行宏观的把握,有利于决策者的决策行为.     

基于GRA-PCA-GA-BP网络模型的铁路货运量预测分析

科学预测铁路货运量能够为我国铁路政策的制定、铁路货运相关规划的出台提供决策支持,对促进我国铁路货运向现代物流转型具有重要意义。为保证铁路货运量预测精度,在数据样本较少且数据波动较大时,提出基于GRA-PCA-GA-BP网络模型进行铁路货运量预测的方法。利用灰色关联分析和主成分分析对影响铁路货运量的输入指标进行预处理,再利用遗传算法优化取得BP神经网络的权值和阈值,进而求得更为准确的铁路货运量预测值。通过实例分析验证,GRA-PCA-GA-BP网络模型有效、可靠,具有较高的预测精度。     

基于变权重组合模型的铁路货运量预测

介绍了变权重组合预测方法,建立了铁路货运量的变权重组合预测模型,并与1998-2007年铁路实际货运量对比,表明预测数据比较切合历史数据,接近货运量的实际情况。在此基础上预测了2008-2010年铁路货运量。     

铁路货运量的灰色预测模型

通过对近年全国铁路货运量的统计数据进行分析,运用灰色理论建立了铁路货运量预测模型。经过实际数据计算和精度检验,验证了灰色预测模型的有效性。     

基于神经网络的铁路货运量预测

阐述构建铁路车务系统运输指标预测体系的重要性,并以某车务段发送量的数据为例建立了基于BP网络的预测模型,提出了可利用十八点统计2．0系统数据库和神经网络的结合,建立铁路运输指标预测体系的建议。     

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。     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型.首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起...     

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。     

基于经济周期的铁路货运量神经网络预测研究

针对现有铁路货运量预测方法存在较大突变性误差的问题,提出经济周期阶段参数的概念,将经济周期量化后作为一个输入因素提供给神经网络模型,用以学习记忆经济波动情况,建立基于经济周期的Elman神经网络预测模型,并以我国1992～2008年铁路货运量为实例对方法进行检验,与BP神经网络预测结果进行对比。实例表明,该方法有效减小突变性误差,预测精度较高,Elman神经网络在进行动态系统预测时效果更佳。