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.     

支持向量机在货运量预测中的应用研究

在分析现有货运量预测方法所存在问题的基础上,建立了货运量预测的支持向量机模型,并以我国1981～2001年的货运量和相关经济指标的历史统计数据作为学习样本,分别选用3种不同的核函数,通过拟合训练和外推预测分析,验证了支持向量机用于货运量预测的有效性,并对模型中的有关参数进行了探讨分析。     

基于多因素的铁路货运量BP神经网络预测研究

在对铁路运输影响因素进行定性及定量分析的基础上,选取了国内生产总值、第二产业比重、原煤产量、原油产量等10个指标作为影响因素,运用BP神经网络模型构建它们与铁路货运量之间的复杂映射,从而对铁路货运量进行预测,并以近12年铁路货运量为实例进行验证。     

基于广义回归神经网络的货运量预测

根据货运量形成的原因 ,分析了货运量和相关影响因素之间的关系以及货运量预测的特点。在此基础上 ,建立货运量预测的广义回归神经网络 (GeneralRegressionNeuralNetwork ,GRNN)模型 ,并以我国 1981～ 2 0 0 1年的货运量和相关经济指标的历史统计数据作为学习样本 ,通过拟合训练和外推预测分析 ,验证了GRNN用于货运量预测的有效性     

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。     

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。     

基于相空间重构的铁路货运量神经网络预测

针对现有铁路货运量预测方法的不足,建立了基于相空间重构的神经网络预测模型。该模型在对货运量原始数据进行相空间重构的基础上,将重构后的数据输入神经网络进行学习训练,最后选取待预测的时间点来预测铁路货运量的发展趋势,并以大秦线1989--2008年的货运量数据为基础进行预测与验证分析。     

基于BP神经网络的铁路货运量预测

在铁路货运量预测中，为改善传统预测方法数据拟合度不高、外推性不强等问题，提出基于BP神经网络技术的货运量预测模型，该模型采用贝叶斯正则化方法以提高神经网络推广能力。实验比较发现，该模型具有较强的自适应性，其拟合、预测结果优于灰色预测模型GM（1，1）和修正指数回归模型，证实了该方法的可行性和可靠性。     

基于Rough Set理论的铁路货运量预测

利用Rough Set理论通过对数据进行分析和推理发现隐含知识的优点，在结合该理论与铁路货运量预测要求的基础上，提出一个基于Rough Set理论的铁路货运量预测流程；合理选择统计指标并将相关原始数据代人预测流程涉及的各步骤后，得出预测我国铁路货运量发展水平的规则集；利用该规则集预测了“十五”期间我国铁路货运量的发展水平；该规则集有望在我国“十一五”规划的制定中发挥一定的参考作用。