基于改进LSTM-Prophet算法的客运量预测

利用该模型对2019年的铁路月度客运量数据进行预测，并与实际客运量进行对比分析，实验表明，LSTM-Prophet算法模型预测值的MAPE值为1.91%,MAE值为559.07,RMSE值为691.82,三个评价指标值都低于SARIMA模型、LSTM模型和GM(1,1)模型的评价指标值，所以LSTM-Prophet算法模型更能准确预测客运量数据，为决策提供参考价值。     

基于ARIMA模型预测梅毒月发病率的价值

目的探讨建立ARIMA模型在梅毒月发病率预测中的应用价值,为梅毒防控工作提供依据。方法运用Eviews8.0软件对2009年1月-2015年12月我国梅毒月发病率数据建立ARIMA模型,利用2016年1月-6月实际数据验证,评价模型精度指标采用均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分误差(mean absolute percentage error,MAPE)、平均相对误差(mean relative error,MRE)。同法外推预测2016年7月-12月全国梅毒月发病率。结果 2009年1月-2016年6月全国梅毒月发病率最优模型是ARIMA(2,1,1)×(0,1,1)_(12),模型表达式为:(1-B)(1-B~(12))(1+0.820B)(1+0.566B~2)x_t~2=(1+0.365B)(1+0.897B~(12))ε_t,R~2=0.832,RMSE=0.181,MAE=0.118,MAPE=5.088。外推2016年7月-12月预测结果分别为3.124、3.008、2.906、2.691、2.714、2.717。结论 ARIMA模型具有较高的预测精度,可较好地拟合我国梅毒月发病率的演变趋势并进行短期预测。     

基于SARIMA模型的广珠城际铁路客流量预测

为实现铁路车站发送客流量的短期预测,研究预测步长对短期客流预测效果的影响,分析了广珠城际铁路车站发送客流的特征和变化规律,结合客流特征及季节性差分自回归滑动平均模型（seasonal autoregressive integrated moving average,SARIMA）的适用性,构建了SARIMA客流预测模型,利用Python软件中的Statsmodels模块完成了SARIMA客流模型的精细化调参,以广州南站、小榄站的发送客流量为例验证了模型的有效性. 结果表明,SARIMA预测模型可以较好地适用于不同数量等级的客流预测,其预测精度随预测步长的增加而降低. 预测步长为1时,广州南站、小榄站、珠海站客流预测平均绝对百分比误差（mean absolute percentage error,MAPE）值分别为3.97%,5.83%,5.43%;预测步长增加为2时,各车站客流预测误差显著增加,广州南站、小榄站、珠海站客流预测误差MAPE值分别为5.31%,6.79%,7.62%;预测步长大于2时,预测误差基本保持稳定. 将SARIMA模型预测效果与随机森林（random forest, RF）、支持向量机（support vector machine, SVM）、梯度提升算法（gradient boosting, GB）、K最近邻算法（K-nearest neighbor, KNN）模型或方法的预测效果进行对比,预测步长为1时,SARIMA模型预测效果略优于其余4种模型,5种预测模型预测精度差距较小;预测步长大于1时,RF、SVM、GB、KNN模型预测误差随预测步长显著增加,预测误差为SARIMA模型的数倍. SARIMA模型在客流时间序列的多步预测方面具有较大的优势.      

基于指数平滑法和马尔科夫模型的公路客运量预测方法

分析了常用的客运量预测方法,提出了一种新的基于指数平滑法和马尔科夫模型的公路客运量预测方法.基于公路客运量的实际值、线性拟合值与二次曲线拟合值,采用二次曲线拟合的方法计算了初始值与平滑系数.以安徽省2000～2009年相关数据为基础,应用指数平滑法预测了2010、2011年的公路客运量.以-11％、一5％、0、5％、11％为划分阈值,将指数平滑法预测结果的相对误差划分为4个状态区间,应用马尔科夫模型对指数平滑法的预测结果进行修正,并与模糊线性回归模型、指数平滑法的预测结果进行比较.分析结果表明:应用提出的方法,2010、2011年安徽省公路客运量的预测结果分别为14.209、15.712亿人,相对误差分别为1.195％、0.492％;应用指数平滑法,预测结果分别为13.468、14.893亿人,相对误差分别为-3.399％、-4.746％;应用模糊线性回归模型,预测结果分别为13.573、15.325亿人,相对误差分别为-2.647％、-1.983％.提出的方法精度较高,满足实际需求.     

基于SARIMA模型的铁路月度客运量预测

铁路月度客运量数据序列在长期内具有线性增长趋势,且在短期内又随月份波动变化明显。本文通过构建季节差分移动自回归模型(SARIMA)对2016年铁路月度客运量进行精确预测,挖掘铁路月度客运量的季节性波动规律,为铁路客运管理人员调整列车运行图,制定客车开行方案提供重要参考,以便于铁路客运站确定客流高峰预警时间和提高客运组织效率。     

基于ARIMA-LSTM的高速公路交通安全组合预测模型研究

为建立准确有效的交通事故预测模型,提升高速公路交通安全水平,以重庆市11条高速公路2011—2016年共计65 119起交通事故为基础,选取“事故数量”和“死亡人数”2项总量指标,描述统计高速公路交通事故在时间维度上的月分布规律。通过自回归差分移动平均(ARIMA)模型捕捉时间序列数据中的线性时序特征,使用长短时记忆神经网络(LSTM)模型拟合预测残差序列中的非线性时序特征,建立了基于ARIMA和LSTM的高速公路交通事故组合预测模型,并以均方根误差(RMSE)、平均绝对百分比误差(MAPE)值作为模型的评估指标。结果表明：ARIMA-LSTM组合预测模型各项指标的预测精度均优于单一的ARIMA模型,其中“死亡人数”组合模型改善效果显著,其RMSE与MAPE值相较于ARIMA模型分别改善了55.83%和54.80%;“事故数量”组合模型的RMSE和MAPE相较于ARIMA模型改善了23.15%、23.29%。     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明:GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。      

基于高光谱成像技术的绝缘子污秽度预测

高光谱成像技术能对绝缘子进行非接触式成像,且具有多波段、图谱合一等特点. 为此,本文提出一种基于高光谱成像技术的绝缘子污秽度预测方法. 首先,利用高光谱成像仪对绝缘子进行成像,得到400～1 000 nm波段范围内的高光谱图像数据,并进行黑白校正;然后,获取感兴趣区域（region of interest,ROI）的反射率光谱曲线,进行Savitzky-Golay平滑、对数或一阶导数变换的预处理. 最后,联合部分的真实样本标签数据分别建立基于支持向量机的绝缘子污秽度预测（support vector machines-insulator contamination degree prediction,SVM-ICDP）和基于偏最小二乘回归的绝缘子污秽度预测（partial least squares regression-insulator contamination degree prediction,PLSR-ICDP）模型. 从实验结果中可知,当预处理方法采用一阶导数变换时,所建立的绝缘子污秽度预测模型效果最佳,即SVM-ICDP模型准确率达到91.84%;PLSR-ICDP模型的均方根误差（root mean square error,RMSE）为0.024 1.      

基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究

考虑铁路枢纽出租车客流需求量短时波动和历史时间序列等影响因素,为提升铁路枢纽站出租车需求量短时预测精度,提出了一维卷积神经网络(CNN)与长短时记忆神经网络(LSTM)的组合预测模型(CNN-LSTM)。采用人工计数法,获取铁路枢纽站出租车客流需求的时间序列数据,根据供需量平衡理论,建立理想条件下需求量短时计算模型。以标准化原始数据为CNN的输入,分别通过双层卷积和池化,提取原始数据特征向量输入特征,并以此作为LSTM的训练数据进行短时预测,将预测数据标准化还原后可得到匹配原始数据的预测数据。对比分析SARIMA、LSTM预测模型,构建的CNN-LSTM组合模型RMSE值有所降低,表明构建模型适用于铁路枢纽出租车需求量短时预测。     

铁路客运量的系统动力学预测

在分析铁路客运量主要影响因素的基础上,建立了铁路客运量预测的因果关系图和流程图,写出了DYNAMO方程,并对模型中的参数进行了标定,利用历史数据检验及灵敏度分析对模型的有效性进行了验证,对我国未来五年的铁路客运量进行了预测.结论显示,经检验模型有效可行,系统动力学方法较好地符合铁路客运系统的特征要求,能够很好地进行铁路客运量短期预测.     

基于CEEMDAN-GWO-LSSVM的高铁沿线短期风速预测模型

为提升高铁沿线风速短期预测的精度，利用基于自适应去噪完全集合经验模态分解(CEEMDAN)和灰狼优化(GWO)与最小二乘支持向量机(LSSVM)模型对高铁沿线风速进行短期预测。以某高铁沿线每间隔1 min采样的风速数据作为仿真对象展开建模实验并与其他组合预测模型进行比对。结果表明：CEEMDAN-GWO-LSSVM模型可以显著提升风速预测精度和准确性，其中均方误差(MSE)、平均绝对误差(MAE)和均方根误差(RMSE)3项评价指标提升程度分别达71.17%、46.14%和42.49%,均为最高。降低预测过程中产生的误差，为我国高速铁路沿线的短期风速预测研究提供有益借鉴。     

基于线网稳定期的地铁客运量预测方法研究

地铁客运量预测为地铁服务提升及地铁运能优化提供数据基础,在地铁线网稳定期可采用日变系数法和回归预测法进行客运量预测。日变系数法针对历史客运量变化规律进行分析总结,使用日变系数进行短期周客运量预测;回归预测法通过Eviews预测软件,建立对应的预测模型进行周客运量预测,预测完成后用昆明地铁2019年历史客运量数据进行验证,并对两种预测方法的预测结果进行对比,进一步分析2种预测方法的适用条件及范围,进而提升预测的精确度。研究对比客运量预测方法,选取日变系数法和回归预测法进行客运量预测。     

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.     

高速路交通流短时预测方法

针对短时交通流变化的复杂性与非线性特点,分析了分类回归树模型的建立,包括模型的生长、分裂与剪枝,研究了模型在高速路交通流短时预测中的应用,并对美国波特兰州高速路网的真实交通流量数据进行分析建模.采用RMSE与MAPE误差分析法,将试验结果与传统的交通流预测方法ARIMA模型与Kalman滤波预测模型进行比较.对比结果表明:分类回归树预测模型的RMSE比ARIMA模型与Kalman滤波预测模型分别降低了42.1％、13.1％.     

基于UBGPM-Markov的铁路货运量预测方法

针对铁路货运量发展变化的非线性特性,采用非线性灰色模型中的无偏GM（1,1）幂模型进行预测,并用状态划分更为精细后的马尔可夫链修正预测值,从而建立优化后的UBGPM-Markov模型.通过对我国2000~2012年铁路货运量实例分析,与改进GM（1,1）模型、无偏GM（1,1）模型2种预测方法进行了比较,比较显示无偏GM（1,1）幂模型具有较高的预测精度.优化后的UBGPM-Markov模型更是显著提高了预测精度,将平均绝对百分误差（MAPE）由2.11%减少到0.55%.     

基于灰色加权马尔可夫链的大连铁路客运量预测

以2003~2013年大连铁路客运量数据为基础,采用灰色GM(1,1)模型预测方法和马尔可夫链相结合的方法对大连铁路客运量数据进行预测,给出了灰色加权马尔科夫链预测模型.不仅构造了状态转移概率矩阵,而且也获得了有效的滞时阶数.结果表明,在预测值与真实值的平均绝对误差方面,与灰色GM(1,1)模型相比,灰色加权马尔可夫链模型减小了一半,其预测效果十分理想.在此基础上,对2014~2020年大连铁路客运量数据进行了预测.     

�����������SARIMA���ģ�͵Ķ��ڽ�ͨ��Ԥ��

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点。构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势。实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型。然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测。     

铁路客运专线运营初期运量预测方法研究

为解决铁路客运专线建成初期客流形成不稳定的问题,充分考虑受运输条件限制的潜在需求,基于运输方式的经济性和运输阻抗,构建多元Logit模型预测通道内转移客流量,通过对比客运专线开通前后客运服务提升率对诱增客运量进行预测。以新建成的成绵乐客运专线为例,分别对其趋势客运量、转移客运量、诱增客运量运营初期预测,得到2017年和2020年通道总客运量,为铁路客运专线系统预测提供一种新思路。     

基于灰色GM(1,3)-马尔可夫链模型的公路客运量预测

为了获得更精确的公路客运量预测结果,经分析,以公路客运量、人口和国内生产总值数据为基础,将灰色模型预测方法GM(1,3)和马尔可夫链预测结合,构成组合模型,对公路客运量作出预测,通过对杭州市公路客运量预测的实例分析,对比预测值和实际值,得出基于灰色GM(1,3)-马尔可夫链模型获得的预测结果比灰色预测更加准确的结论,研...     

基于IWOGA算子的公路客运量组合预测模型

客运量预测是进行公路网规划的必要环节和计算公路经济效益的基础。为了提高公路客运量的预测精度,在现有客运量预测模型基础上,采用IOWGA算子将三次指数平滑、GM（1,1）预测和BP神经网络结合起来,建立组合预测模型,并以全国公路客运量为例,验证预测结果的精度。分析计算结果,将该模型所得结果与其它常用方法相比,与实际客运量之间相差较小,预测精度较好,可以作为预测公路客运量的有效方法。