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。     

基于灰色关联度的铁路货运量关键影响因子选取方法研究

影响铁路货运量的因素众多、关系复杂,而且不同因素对于铁路货运量变化的影响程度不同。通过对影响铁路货运量的各方面因素进行分析,从宏观经济、铁路货运市场供需、物流环境?3?个方面选取具有代表性的、可量化的指标作为货运量影响因子,利用灰色关联度分析模型,求解出各影响因子序列与铁路货运量之间的关联度,并根据关联度排序情况进一步确定影响因子与铁路货运量的紧密程度,从而实现对铁路货运量关键影响因子的筛选。     

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。     

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。     

铁路货运量的内部影响因素及其敏感度分析

针对铁路货运量的主要13项内部影响因素,以2004~2014年间11年的铁路运输指标统计数据为训练样本,采用BP神经网络建立这些因素与货运量的映射关系,再根据该映射以权积法求解货运量对各因素的敏感度系数,从而定量计算出各项因素对铁路货运量的影响程度。研究结果表明:国铁正式营业里程、货车保有量、货运密度和货车机车平均牵引总重这4项因素对货运量的影响要显著大于其他因素,若需在货源充足的情况下提高货运量,则以上4项因素是需要着重优先考虑的因素。     

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。     

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。     

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。     

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。     

基于投入产出模型的省际间货运量模拟研究

现有货运量模拟研究多针对某一区域的货运总量,较少涉及货运流向。在2012年中国31省市投入产出表的基础上,采用引力模型估算区域间贸易系数矩阵,采用列系数模型编制中国31省市42部门的区域间投入产出表,将价值流量转化成货运流量得到省际间货运量。利用2012年资料对模型参数进行率定,利用2017年资料对模型进行验证。研究结果表明:模型在考虑GDP增长和产业结构调整对货运量的影响下,可以较好地模拟各区域货运总量和区域间的货运流向,可为研究GDP和产业结构对货运量的影响提供量化方法,为规划未来交通基础设施的建设规模提供参考。     

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.     

铁路货运量影响因素分析及对策研究

结合近年我国主要经济发展趋势,从宏观经济、居民生活水平及进出口贸易,电力行业及发电形式,煤炭、钢铁行业影响,金属矿石行业影响等方面分析影响铁路货运量的外部因素,以及铁路路网、铁路运输装备水平、体制改革、铁路运能、运价等影响铁路货运量的内部因素,以扩大铁路运量为目标,提出大宗货物采用精细化组织模式、既有线开行重载列车、全面构建铁路货运物流体系、逐步完善铁路快速货运产品等措施建议。     

国外资讯

正DB Cargo货运量受新冠肺炎疫情影响急剧下降德国铁路股份公司下属货运子公司(DB Cargo)受到新冠肺炎疫情的严重打击。2020年3月,该公司的货运量与2019年同期相比下降25%;到2020年4月中旬,下降35%。导致这一情况的主要原因是汽车工厂的关闭。汽车工业相关领域的运输是德国铁路货运运营商(包括DB Cargo)     

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。