���ڶ���“�ֽ�-����”���Ե�����������Ԥ��

货运量预测是制定物流政策和决定物流基础设施布局的重要依据。针对受多因素影响的货运量预测具备较强非线性和模糊性特征,提出一种基于趋势分解和小波变换的多重“分解—集成”预测方法。利用趋势分解将货运量分解为趋势项和非趋势项,通过小波分解将非趋势项进一步分解成低频项和高频项,分别建立预测模型,选用相加集成得到货运量预测值。实证表明,“分解—集成”的预测策略将非平稳货运量分解为相对平稳的子序列组合,降低了问题复杂度,有效提高了预测性能,与传统的趋势分解预测模型和小波分解预测模型相比,多重“分解—集成”预测模型精度更高。     

�ۿ�����Ԥ���о�������TEI@I������

基于TEI@I理论框架,本文提出了适用于港口物流货运复杂系统的TEI@I的综合集成预测模型,并基于青岛港集装箱吞吐量数据,预测和分析了TEI@I的港口物流货运量的集成预测理论框架的各部分.预测结果表明,基于TEI@I集成预测模型的效果远远优于单独模型的预测结果,方向变化统计量(Dstat)的评价结果从66%-77%提高到了100%,对主要决策者方向性的判断更有实际意义.其次,TEI@I方法论中将数据“先分解后集成”的思想,引入了对数据的非线性部分的分析和预测,该方法不仅提供了分析外部冲击对具体数据序列的影响程度,影响周期的分析思路,而且将分析后的序列集成,对不同模型的预测精度有了很大的提高.     

港口物流预测研究:基于TEI@Ⅰ方法论

基于TEI@Ⅰ理论框架,本文提出了适用于港口物流货运复杂系统的TEI@Ⅰ的综合集成预测模型,并基于青岛港集装箱吞吐量数据,预测和分析了TEI@Ⅰ的港口物流货运量的集成预测理论框架的各部分.预测结果表明,基于TEI@Ⅰ集成预测模型的效果远远优于单独模型的预测结果,方向变化统计量(Dstat)的评价结果从66％ -77％提高到了100％,对主要决策者方向性的判断更有实际意义.其次,TEI@Ⅰ方法论中将数据“先分解后集成”的思想,引入了对数据的非线性部分的分析和预测,该方法不仅提供了分析外部冲击对具体数据序列的影响程度,影响周期的分析思路,而且将分析后的序列集成,对不同模型的预测精度有了很大的提高.     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

��·������Ԥ��ĸĽ�BP�����緽��

铁路货运量与其影响因素之间存在着复杂的非线性关系，传统的BP神经网络模型能对非线性系统进行很好的拟合，但模型的预测能力不强。通过单位根检验，可知铁路货运量及其影响因素的时序列数据是非平稳的。本文通过分析BP神经网络的传递函数对非平稳时间序列预测的不利影响，提出用差分法对输入数据进行预处理，在此基础上建立了铁路货运量预测的改进BP神经网络模型，并通过实例计算说明了这种改进BP神经网络方法对提高铁路货运量预测精度的有效性，最后利用该模型对2006—2O1O年的铁路货运量进行了预测。     

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。     

综合小波分解和BP神经网络的交通小区生成交通短时预测

针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.     

基于小波与混沌集成的短时交通流预测

针对现有短时交通流预测模型的不足,提出了一种用于交通流短时预测的小波与混沌集成方法。首先对交通流序列进行小波分解,分别得到低频部分和高频部分,并在此基础上作进一步分析,结果表明交通流存在混沌特性。然后应用混沌理论分别建立低频部分和高频部分的预测模型,对低频部分和高频部分进行预测。最后应用小波理论对混沌模型预测的结果予以重构,实现对原始交通流序列的预测,与现有方法比较,结果表明该方法具有较高的精度和应用前景。     

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。     

基于经验模态分解与支持向量机的道路交通状态预测

为准确预测道路交通状态,提出以经验模态分解和支持向量机组合的预测模型,对道路多维车流的速度进行预测。以重庆市出租车GPS数据为例,利用EMD解决非线性、非平稳信号上的优势,将速度数据进行分解,得到一组本征模态分量和一个余量;然后,利用SVM对各分量进行单独预测;最后,将预测的各层结果进行融合,得到最终的预测值。仿真结果表明:对基于时空的车流速度进行预测能得到更准确的结果,EMD和SVM组合预测模型比单一SVM模型的预测精确度更高。     

基于Gompertz曲线和三次指数平滑法的货运量组合预测

在简单介绍Gompertz曲线拟合法和三次指数平滑法两种单项货运量预测方法的基础上,引用最优加权组合建模理论,以预测误差的平方和最小为目标函数来确定最优权重系数,建立组合预测模型.以1999～2010年京杭运河苏北段货运量的统计数据为基础,运用所建立的组合预测模型对2015～2035年京杭运河苏北段的货运量进行预测.预测结果表明,组合预测方法是有效的、可靠的,并且预测精度比单一预测方法有很大的提高,该方法具有很好的实用价值.     

基于MATLAB的ANFIS网络在水运货运量预测中的应用

阐述了自适应模糊推理系统(Adaptive Network—based Fuzzy Inference System，ANFIS)网络，提出了水运货运量预测的ANFIS网络预测模型．以MATLAB为工具，以1985～2001年我国水运货运量为训练样本；2002年我国水运货运量为校验样本，对网络进行训练后，预测了2003～2010年我国水运货运量．估算结果表明，同BP神经网络模型相比，此模型具有更高的准确性．     

基于马尔科夫链-BP神经网络模型对公路运量的预测研究

选取河北省某地区1998—2017年公路运量数据为例,采用BP神经网络模型进行预测并用马尔科夫链修正预测值,将公路运量实际值与BP神经网络预测值及马尔科夫链修正值作对比分析并预测了2018—2019年的公路运量数据.使用马尔科夫链修正后的BP神经网络预测模型可以将公路客运量和货运量的平均相对误差分别下降至2.07％和2.14％.修正后的模型不仅可以准确的对公路运量做出预测,而且可以为未来公路运输发展提供有利意见.     

基于残差修正GM(1,1)模型的包神北线货运量预测

运用灰色理论,以包神铁路北线2010—2016年的货运量为基础对包神北线的货运量进行预测。根据GM(1,1)模型建立的步骤,建立包神北线货运量预测模型,并对残差进行分析,并通过残差修正模型对残差进行修正;最后使包神北线货运量的预测值在合理的预测精度之内,并对预测结果进行分析。为管理决策人员做出科学合理的决策提供理论依据。     

基于产业结构测度的货运量预测模型

在对货运量预测理论及步骤概述的基础上,重点分析基于产业结构测度的货运量预测模型。并以合肥市为例,将单位GDP货运量的生成量与产业结构测度二者关系数量化,建立二者关系模型,根据统计学的方法检验模型的可靠性,并利用该模型预测地区货运量。     

基于GA-BP模型的铁路货运量预测

针对于目前已有铁路货运量预测方法的缺陷与不足,提出基于遗传算法和神经网络的混合预测模型对铁路货运量的预测方法进行改进优化,目的保证其预测精度.首先引用灰色关联分析法,以此来确定全国铁路货运量与其主要影响因子之间的关联度,然后按照其关联度在标准值之上的关联因子,建立GA-BP神经网络预测模型.最后通过实例分析表明,此模型预测精度及推广能力均优于传统的预测方法,从而证明该方法的可行性和有效性.     

基于时间序列法的公交车站间行程时间预测模型研究——以苏州1路公交为例

准确预测公交站间行程时间是先进的出行者信息系统(ATIS)的核心,是公交运营和管理的关键问题之一。本文采用改进的时间序列法进行公交车辆站间行程时间预测,利用游程检验法检验时间序列平稳性,并借鉴EMD算法把非平稳时序分解为若干个平稳时序的线形组合,然后对每个平稳时序用指数平滑模型预测。最后,依托苏州1路公交运行数据对该预测模型进行验证,结果表明,该预测模型不仅能够准确的预测公交站间行程时间,还能增强时间序列法对于突发事件的反应能力,大幅提高预测精度。     

基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.     

演化功率谱解耦及其工程应用

为提高非平稳过程的模拟效率,简化非平稳激励下的结构响应分析,将演化功率谱解耦为一系列时间系数与小波函数傅里叶变换模平方乘积之和,即把一般非平稳过程分解为若干个均匀调制非平稳过程之和,并将其应用于非平稳随机过程模拟和结构随机响应分析.研究结果表明:演化功率谱近似解耦具有较高的精度;演化功率谱解耦后,快速傅里叶变换算法一般可使非平稳随机过程的模拟效率提高数十倍,且模拟样本时程的自相关函数估计值与目标值非常吻合;非平稳激励下的结构响应分析得以简化,且与目标值相比,计算结果的误差很小.