基于改进灰色-马尔可夫链方法的铁路货运量预测

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.针对灰色模型的预测结果精确度受原始数据变化幅度的影响较大,且要求累加生成的数据列具有指数性质的缺点,采用带波动的多项式来替代GM（1,1）模型中的指数形曲线,并通过马尔可夫链对其预测结果进行修正,从而建立改进的灰色-马尔可夫链预测模型,同时利用该改进模型对我国铁路货运量进行预测,并与传统的GM（1,1）模型、改进的GM（1,1）模型和灰色-马尔可夫模型3种预测方法进行了比较,结果表明：提出的预测方法具有较高的精度,具有一定的可行性和有效性,预测结果可指导铁路建设与管理.     

基于灰色模型的铁路客流预测方法

在GM(1,1)预测模型基础上,构建2个不同的预测模型——GM(1,1)幂模型和对原始数据进行缓冲算子处理的GM(1,1)模型,采用Matlab建模,并将模型应用到铁路客流量预测,分析对中小样本振荡序列的预测效果。实例证明,GM(1,1)幂模型和对原始数据进行缓冲算子处理的GM(1,1)模型的应用范围和预测精度都优于灰色GM(1,1)模型,是非线性铁路客流量预测的一种有效方法,有助于制定铁路运输计划。     

基于灰色残差GM（1，1）模型的汽车货运量预测

针对近年来我国汽车货运量增长迅速的特点,运用灰色系统预测模型GM（1,1）对某地汽车货运量趋势进行预测,通过残差GM（1,1）模型对主模型的修正,并用后验差检验法对模型精度进行分析和检验,得到一个精确度非常高的预测模型,该模型符合汽车货运量的预测,并在实际预测应用中取得较好效果。     

公路货物运输量灰色马尔可夫预测模型

为了提高公路货物运输量的预测精度,结合灰色系统和马尔可夫链的特点,建立公路货物运输量灰色马尔可夫预测模型.在实例应用中,建立运输量GM(1,1)灰色预测模型,在获得预测值和残差检验的基础上,将原始数据序列划分为4个状态,计算状态转移概率,利用灰区间中位数建立货运量灰色马尔可夫预测模型,对货运量和货运周转量进行预测.将其预测结果与GM(1,1)灰色模型的预测结果比对,结果表明,灰色马尔可夫预测模型可以用于公路货物运输量预测,且其预测精度高于GM(1,1)灰色模型.     

基于改进灰色GM(1.1)模型的铁路货运量预测

针对铁路货运量年度长期预测对货运部门制定短期运输规划指导不足的问题,引入GM(1.1)模型预测铁路月度货运量.考虑货运量序列常呈振荡波动的特征,利用加速平移变换和加权均值变换弱化序列的波动性后,建立改进灰色GM(1.1)模型实现最终预测.对我国2019年11月至2020年5月铁路月度货运量序列拟合结果比较表明,与传统GM(1.1)模型相比,改进GM(1.1)模型在预测精度方面明显提高,能更好的拟合铁路月度实际货运量,解决了传统GM(1.1)模型对呈现振荡波动现象的铁路货运量预测精度较低的问题.     

GM(1,2)模型在内河货运量预测中的应用

内河航道货运量预测不仅具有模糊性和动态性的特点,而且受多个因素影响,为提高预测精度,运用GM（1,N）系统综合预测模型,考虑系统中多个相关因素,并结合GM（1,1）模型,以原始离散的内河货运量、国内生产总值GDP两组数列为基础,建立GM（1,2）模型进行预测,并对2种模型的预测精度进行了对比,结果表明,GM（1,2）模型由于考虑了经济因素一定程度上增加了预测精度。     

城市货运量的灰色Verhulst预测模型

以研究城市货运量的预测方法为目的,为了提高城市货运量预测模型的预测精度,分析了GM(1,1)和Ver-hulst预测模型的特点,发现Verhulst预测模型更适用于城市货运量的预测,采用灰色Verhulst预测模型对城市货运量进行预测,通过比较GM(1,1)和Verhulst预测模型的结果可知后者具有较高的精度和可靠性,最后通过实例说明预测方法的可行性,为实际决策提供理论参考。     

改进的GM（1，1）模型在交通货运量预测中的应用

改进的GM（1,1）模型是在原有的GM（1,1）模型基础之上,利用数学物理方法进行优化后的模型。根据某地区已有年份的货运量数据资料,运用该模型进行处理,并与改进前的GM（1,1）模型处理结果进行对比,取得了较佳效果。     

基于GA-灰色神经网络的沥青路面使用性能预测

为准确预估我国沥青路面使用性能的变化趋势,在传统灰色预测模型GM(1,1)的基础之上,提出了无偏GM(1,1)模型和滑动GM(1,1)模型,并通过遗传算法(GA)优化后的BP神经网络对传统、无偏与滑动GM(1,1)模型进行了组合,得到了兼顾灰色理论、遗传算法和BP神经网络优点的GA-灰色神经网络组合预测模型,并以具体实例验证了该模型的有效性。结果表明:传统GM(1,1)模型的平均相对误差为4.67%,无偏GM(1,1)模型的平均相对误差为4.64%,滑动GM(1,1)模型的平均相对误差为4.63%,灰色神经网络组合模型的平均相对误差为2.41%,而GA-灰色神经网络组合模型平均相对误差仅为0.54%,证明所提出的组合模型预测精度较高,误差较小,可作为制定路面养护计划的依据。     

铁路行车安全预警模型研究

结合国内外铁路行车安全判定的相关指标及我国铁路行车安全的特点,确定了铁路行车安全预警模型的指标体系.其次,针对警情指标的时间序列用Hodrick-Prescott滤波法(HP滤波法)对其进行分解,并对结果进行长期趋势分析.采用3σ方法确定了铁路行车安全预警模型的警限和警度;选取了优化无偏GM(1,1)模型进行预警指数的拟合及短期预测,并利用残差修正进一步改善了优化无偏GM(1,1)模型的拟合和预测效果.最后,以1998-2012年的铁路行车安全数据为案例验证了模型的有效性与实用性.预警模型的结果表明警情指标长期趋势向好,但未来应积极预防一般事故的发生,以减少事故造成的直接经济损失.     

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.      

基于改进灰色-马尔可夫链方法的公路货运量预测

科学的货运量预测对公路发展战略的制定具有十分重要的意义．针对灰色模型的预测结果精确度受原始数据变化幅度的影响较大,且要求累加生成的数据列具有指数性质的缺点,采用带波动的多项式来替代GM（1,1）模型中的指数形曲线,并通过马尔可夫链对其预测结果进行修正,从而建立改进的灰色-马尔可夫链预测模型,同时利用该改进模型对我国公路货运量进行预测,经分析表明预测结果具有较高的精度,预测方法具有一定的可行性和有效性,预测结果可指导公路建设与管理．     

组合预测模型在铁路货运量预测中的应用

货运量预测是铁路运输规划的基础,单一预测方法很难准确有效地进行运量预测。探讨组合模型在铁路货运量预测中的应用,以全铁路货运量及社会经济发展状况为样本,对未来铁路货运量进行预测。实证预测结果表明：组合预测模型能有效综合各模型的有用信息,从而提高模型预测精度,与单一模型相比,该方法具有较好的实用价值。     

基于改进GM（1,1）的长江干线水位预测方法研究

针对长江干线水位预测建模复杂、数据不全的问题,利用长江干线真实历史水位观测数据,基于灰色系统GM（1,1）模型,研究贫数据下长江干线水位预测.根据灰色系统中数据越近越有价值跟拟合曲线为指数曲线的特点,通过重新构造生成序列和重新定义初始边界条件对GM（1,1）模型进行优化并对最终结果进行分析,得出优化后的模型能更准确的预测水位的结论.     

小样本监测信息露天矿边坡变形预测模型对比分析

利用GM（1,1）,BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM（1,1）模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.     

新陈代谢GM(1,1)模型在建筑物沉降监测中的应用

通过对都匀市某在建大楼沉降数据处理,运用灰色系统理论,建立新陈代谢GM(1,1)模型对大楼沉降进行预测,并对所建模型精度检验,结果充分显示新陈代谢GM(1,1)模型在建筑物沉降变形分析中具有很强的实用性和有效性。     

一种离散GM(1,1)模型的研究

分析了离散GM(1,1)模型与原始GM(1,1)模型的关系,二者形式相同,建模机理相同,但建模过程不完全相同,所以二者的时间响应函数不同。解释了离散GM(1,1)模型比原始GM(1,1)模型优越的原因,并从理论上证明了该离散GM(1,1)模型不仅具有白化指数律、白化系数律重合性,而且具有线性变换一致性。