共查询到10条相似文献,搜索用时 46 毫秒
1.
基于灰色关联分析的LS-SVM铁路货运量预测 总被引:4,自引:0,他引:4
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。 相似文献
2.
3.
4.
基于多因素的铁路货运量BP神经网络预测研究 总被引:1,自引:0,他引:1
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。 相似文献
5.
6.
基于变权重组合模型的铁路货运量预测 总被引:1,自引:0,他引:1
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。 相似文献
7.
入世过渡期内我国铁路货运的发展趋势 总被引:1,自引:0,他引:1
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。 相似文献
8.
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。 相似文献
9.
基于BP神经网络的铁路货运量预测 总被引:8,自引:0,他引:8
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。 相似文献
10.
基于Rough Set理论的铁路货运量预测 总被引:2,自引:2,他引:0
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。 相似文献