我国东西部铁路货运量增长规律预测分析

通过分析我国东西部货运需求及铁路货运发展趋势,对东西部未来货运增长量进行定量预测,并提出提高东西部铁路通道运输能力的措施与方法。     

我国东西部铁路货运量增长规律预测分析

通过分析我国东西部货运需求及铁路货运发展趋势，对东西部未来货运增长量进行定量预测，并提出提高东西部铁路通道运输能力的措施与方法。     

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。     

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。     

铁路货运量组合预测方法的研究

介绍了两种以灰色预测和线性回归预测理论为基础的组合预测模型,分析其理论基础、算法思路和计算步骤。通过对甘肃省铁路货运量的实例验证,说明了这两种组合预测模型的可行性。     

广州南沙疏港铁路货运量预测研究

广州南沙疏港铁路的建设是广州市发展重心南移战略的需要，对于推动地区经济发展，改善地区交通结构具有重要意义。利用现有的交通、经济数据，采用四阶段预测方法，对南沙疏港铁路番禺区段的货运量进行了预测。     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型。结果表明：组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠。与单一模型相比,该法具有较好的实用价值。     

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。     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型.结果表明:组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠.与单一模型相比,该法具有较好的实用价值.     

中老铁路贸易货运量预测

随着中国铁路"走出去"战略的发展,海外项目越来越多,进出口贸易量是多数"走出去"铁路项目货运量的重要组成部分。如何通过贸易发展测算贸易量成为海外铁路运量预测的关键之一。通过探讨贸易额与贸易货运量的关系,预测中老铁路承担的货运量,为海外项目通过贸易额测算贸易量提供一种思路。     

新亚欧大陆桥连霍段铁路货运量预测研究

合理科学预测铁路货运量对铁路基础设施规划建设具有重要意义。概述新亚欧大陆桥连霍段现状及沿线经济发展情况,阐述回归预测模型和灰色预测模型原理,充分考虑以上2种预测模型优势,构建回归-灰色组合预测模型。在此基础上,通过对新亚欧大陆桥连霍段铁路货运量的预测,对回归预测模型、灰色预测模型和回归-灰色组合预测模型的预测结果进行比较分析,表明回归-灰色组合预测模型预测结果更能真实反映实际情况,可以为相关决策部门提供参考依据。     

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...     

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。     

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。     

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。     

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....     

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LSTM网络的铁路货运量预测

准确预测铁路货运量对铁路货运组织工作的开展极为重要,特别是短期(月、日)货运量数据直接关系到铁路各项运输计划的编制。人工神经网络模型因其强大的学习能力而被广泛运用于各领域的预测,其中的LSTM网络适合处理和预测铁路货运量这类间隔和延迟相对较长的时间序列。考虑不同时期货运数据的特点分别建立基于月货运量数据的LSTM多变量预测模型和基于日货运量数据的LSTM时间序列模型。基于广铁2010—2017年的货运量数据,运用所建模型预测各月和每日的货运发送量,并与ARIMA模型预测方法和BP神经网络方法的预测结果相比较。结果表明,LSTM网络预测效果更佳。     

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。