基于PCA-BP神经网络的铁路客运量预测模型研究

本文分析铁路客运量影响因素,利用主成分分析(PCA)消除原始铁路客运量影响因素之间的相关性,将主成分分析结果作为BP神经网络的输入,并通过增加动量项、输入数据处理、调整学习速率优化BP神经网络,提出基于PCA-BP神经网络的铁路客运量预测模型。实例研究表明,与BP神经网络相比,PCABP神经网络能有效提高铁路客运量预测精度。     

基于组合预测方法的公路客运量预测

公路客运量预测是为了超前掌握公路客运量的发展趋势、特征和规律,有助于公路网的规划建设和管理。文章使用基于时间序列和回归分析的组合预测方法,对公路客运量进行预测。首先,分别使用单项预测方法进行客运量预测;其次,在对倒数权系数与合作对策权系数确定法进行改进的基础上,根据单项预测方法或者给予预权的组合预测方法的预测结果的平均预测误差绝对值和平均预测误差平方对预测组合的权重系数进行确定,并进行组合预测;最后,根据预测有效性判断标准,分别对比不同单预测方法之间、基于不同权系数确定方法的组合预测方法之间以及组合预测和单项预测方法之间的预测有效性。对比分析结果表明,组合预测方法预测结果的有效性较多数单项预测方法更优。     

基于LS-SVM的天然气管网负荷组合预测

针对现有组合预测模型,基于经验风险最小化原则,克服预测精度受组合模型限制的缺点,提出一种基于最小二乘支持向量机（LS-SVM）的天然气管网负荷组合预测模型,并与AR模型、BP神经网络模型、GM（1,1）模型以及最优权重组合模型进行了比较,得出基于最小二乘支持向量机的天然气管网负荷组合预测模型能够得到更高的预测精确度,可为天然气管网的安全运行以及优化调度提供决策支持的结论。     

基于EMD-APSO-SVR组合模型的铁路货运量预测

为了提高铁路货运量预测的准确性,减少类似新冠疫情这样突发事件对现有预测结果的不稳定影响,提出一种基于EMD和APSO优化的SVR组合预测模型。在综合考虑铁路货运量受GDP、铁路营业里程、原煤产量、钢材产量、第二产业增加值以及新冠疫情等因素情况下,对选取的货运量序列进行EMD处理,得到不同时间尺度下的IMF和残差;通过APSO优化SVR模型的参数,并利用优化后的组合模型对各IMF分量分别进行预测,相加得到最终结果。将APSO-SVR模型与EMDAPSO-SVR模型的预测状况进行对比,结果表明,本文建立的EMD-APSO-SVR模型的预测结果误差更小,其预测值与真实值的测定系数高于APSO-SVR模型;前者的平均绝对百分比误差仅有0.22%,能有效提升铁路货运量短期内的预测精度。     

基于主成分分析法的公路客运量预测模型分析

文章基于主成分分析的基本理论与模型,采用SPSS软件,对影响四川省公路客运量的相关因素进行主成分分析,克服多重共线性的问题,构建出四川省公路客运量预测模型。根据预测结果显示,该模型具有较高的精度,适用于影响因素指标较为明确的短期客运量预测,能够满足四川省目前公路客运量预测的需要,对四川地区的公路旅客运输发展也有着一定的指导作用,具有一定的科学性与有效性。     

基于二次指数平滑法的管道剩余壁厚预测

为判断管道的安全状况,对管道寿命做出合理预测,建立了基于二次指数平滑法的预测模型。首先对管道壁厚数据进行拟合,选择最合适的平滑次数,再采用先大范围筛查再小范围求精的方法获得最优权重系数,进一步增加预测模型的准确性。对预测结果进行方差分析和误差判断,结果显示,权重系数取0.89时的均方误差为0.008 509 mm~2,对应2017年的预测误差为0.52%,预测结果能达到较高的精度。     

基于组合模型的公路客运量预测研究

随着客运量与经济发展的联系越来越密切,如何更科学有效地对客运量进行预测变得越来越重要。文章分别介绍了灰色系统法、时间序列法、Elman神经网络及组合预测的方法原理,并以兰州市公路客运量为例,运用灰色模型、时间序列模型和Elman神经网络模型的组合模型进行客流预测,验证了该组合模型的合理性。     

基于数据分析的铁路列车到达晚点预测模型

准确估计列车的实际晚点时间对于列车运行图制定、列车调度员决策具有重要意义。为此,以荷兰铁路列车运行实际数据为研究基础,根据列车实际运行数据选择自变量,以列车的实际晚点时间为因变量,建立列车晚点的随机森林预测模型,并以BP神经网络模型作为对比,结果表明随机森林模型预测误差稳定,预测精度较高,比传统的神经网络方法取得了更好的预测效果。     

基于灰色理论的水路客运量预测模型

本文运用灰色系统理论,建立了基于灰色理论的水路客运量预测模型,利用模型进行了预测,并对模型进行了精度检验。从对我国水路客运量预测的结果来看,对历史实际值拟合得比较好,表明了模型具有较高的可靠性和实用性,对我国的水路客运及相关行业的发展能够起到一定的导向作用。     

基于SPSS主成分分析法在公路客运量预测中的应用

分析选取影响公路客运量的主要因素,基于SPSS统计软件对各因素进行主成分分析,将众多相关因素简化为少数不相关因素,消除由于变量过多导致的多重共线性影响,构建了河南省公路客运量预测模型。实例证明,该模型具有较高的精度,能够满足河南省公路客运量预测的需要。     

灰色BP网络串联式组合模型在铁路客货运输量预测中的应用

针对铁路客货运输量发展趋势的研究,建立一种基于灰色理论和BP神经网络的串联式组合预测模型。该模型首先用同一组数据序列建立不同参数的灰色方程,然后用各灰色方程分别预测,最后将各灰色方程预测的结果进行BP神经网络非线性组合,形成串联式组合预测模型。对湖南省铁路客货运量进行分析预测,结果表明:该组合模型预测的准确性高于单独使用灰色模型的准确性,是一种可靠有效的预测方法。     

CDUBGM-Markov模型在铁路客运量预测中的应用

文章在传统的灰色模型和马尔柯夫模型的基础上,提出了动态无偏灰色马尔柯夫模型,阐述了该模型的建立方法,并采用这三种模型对我国铁路客运量进行了预测,对比结果表明动态无偏灰色马尔柯夫模型的拟合效果较好,预测精度较高,是一种行之有效的预测方法。     

基于积分求导还原思想的新型边坡变形预测UGM(1,1)建模方法

文章通过研究传统预测模型的误差来源和传统UGM(1,1)灰色预测模型建模原理,提出一种基于积分求导还原思想构建的新UGM(1,1)模型,并以某高速公路一段路基边坡实测数据为依据,验证新型UGM(1,1)灰色预测模型的可行性及其预测结果的可靠性。算例预测结果表明:新UGM(1,1)模型的拟合和预测精度误差均达到合理范围5%以内,对非等时距灰色预测模型数值预测具有一定的参考价值。     

基于多尺度组合核极限学习机模型的隧道围岩变形预测及应用

隧道围岩变形序列具有高度非线性,采用常规方法很难得到满意的预测精度。为了提高隧道围岩变形的预测精度,基于实测变形数据,提出一种隧道围岩变形的多尺度组合核极限学习机预测模型。首先,通过集合经验模态分解技术将实测变形数据分解为多个不同的尺度序列,然后通过组合核极限学习机对各分量序列进行建模预测,最后将预测得到的各分量结果进行组合获得最终的预测值。改进模型中通过径向基函数和多项式核函数线性加权而成组合核函数,运用粒子群算法对核参数和加权系数进行优选,并通过马尔可夫链对模型的预测结果进行了讨论,可以较好地提高隧道围岩变形的预测精度。文章通过大相岭隧道围岩变形预测实例表明:提出的改进模型在单步预测和连续多步预测隧道围岩变形时,都能取得较高精度,对比可得优于贝叶斯正则化BP神经网络,与工程实例监测变形相比处于可接受范围内,具有一定的应用价值。     

基于GM(1,N)及神经网络的崇左铁路货运量预测

运量的预测是崇左地区铁路及物流业规划极其重要的依据。文章基于对崇左地区铁路运量影响因素的分析,利用灰度GM(1,N)预测模型对铁路运量上限进行预测,并建立BP神经网络预测模型对近年来崇左地区的铁路货运发生量进行预测,得到2014年铁路货运预测发生量及货运量上限。预测模型与实际数据拟合程度极高,且模型稳定,可根据模型及2015年规划基础数据对崇左地区铁路运量进行稳定预测。     

基于遗传算法的集装箱铁水联运运量组合预测

集装箱铁水联运是多式联运的重要形式之一，有利于充分发挥铁路运输在内贸运输和外贸集疏运方面大运量、低能耗的优势，是实现高效物流的有效途经。根据铁水联运运量数据小样本和不稳定的特点，将三次指数平滑方法、多元线性回归方法、BP神经网络方法组合，并通过遗传算法为单一预测方法赋权，建立了组合预测模型。以2011～～2020年铁水联运相关统计数据对模型进行实证分析，结果证明组合模型能在一定程度上提高预测精度和稳定性。     

基于广义费用的城市轨道交通客流分配

为了更加客观全面地反映城市轨道交通出行者决策行为，提升城市轨道交通客流预测准确性，缓解线路运营面临的高峰时段客流拥挤现象，从出行广义费用角度出发，开展城市轨道交通客流分配研究。综合考虑票价、出行时间、舒适度、准时性等因素，构建了城市轨道交通乘客出行广义费用计算模型；以北京地铁5号线为例，将广义费用作为出行阻抗引入客流分配之中，构建了基于广义费用的随机用户平衡条件下的城市轨道交通客流分配模型，并提出了嵌套Logit模型的迭代加权法用以求解模型；基于分配模型及算法，对不同票价和列车容量条件下的城市轨道交通客流分配结果进行了对比分析。结果表明，基于广义费用的城市轨道交通客流分配模型能够实现对轨道交通流量的有效预测，可对各类缓解高峰时段拥挤措施的实施效果进行评估，辅助城市轨道交通领域相关决策。     

基于不同优化算法的隧道洞口段拱顶沉降SVR预测模型及其比较评价

准确预测隧道洞口段沉降变形是保障安全进洞的重点工作，如何解决输入层维度高的问题以及准确描述机器学习预测模型的性能意义重大。因此，将主成分分析法（PCA）、优化算法和支持向量回归机（SVR）相结合，提出6个基于PCA和优化算法的SVR组合预测模型。首先，通过PCA筛选影响拱顶沉降的主要因素；其次，采用遗传算法（GA）、粒子群算法（PSO）和灰狼算法（GWO），对SVR的惩罚因子和核参数进行寻优；最后，将组合预测模型应用到温州市石鼻头隧道，采用相关性系数（R）、均方根误差（RMSE）和平均绝对误差（MAE）对预测模型的性能进行比较评价，并构建模型查询表。结果表明：组合预测模型均有较高精度，R≥0.987 0,RMSE≤6.792 4 mm,MAE≤3.493 7 mm;PCA降维后，GA优化后的SVR预测模型的预测效率提高了65%,PSO和GWO优化后的SVR预测模型减少了输入层维度，但需要更大的k值，降低了预测效率，PCA-GWO-SVR模型尤为明显；PCA-PSO-SVR预测模型的鲁棒性更强。     

铁路单列车票额分配优化研究

针对我国铁路目前票价单一、不能有效调节客流,票额分配对客流波动适应性较差的问题,根据收益管理理论,以铁路给定预测客流为依据,在基本票额分配中预留部分可灵活分配的票额作为全程通售票额,以应对客流预测误差等带来的影响;对区段剩余票额,按照尽可能分配长途票额的原则建立剩余能力优化模型,并为剩余票额制定动态票价来吸引客流、提高客运收益。算例结果表明,本文提出的票额分配模型能适应客流需求的波动,避免大量票额调整工作,根据不同购票时段的需求特点,对剩余能力进行动态定价来吸引潜在客流,提高铁路客运收益,为铁路票额分配和动态定价提供了优化方法。     

GM模型和Markov模型在公路客运量预测中的综合运用

文章在应用灰色理论构建的GM预测模型基础上,以Markov模型为修正方法,建立GM—Markov模型,并以陕西省2003—2012年公路客运量为基础数据对上述理论进行实例验证。结果表明：与实际客运量相比,GM模型的相对误差为11．08％,而GM—Markov模型的相对误差仅为5．61％,GM—Markov模型拟合精度较高,更加贴近实际情况。