铁路客运量分析探讨

我国铁路长期以来运能短缺,铁路客运量增长受到制约,导致铁路客运市场份额呈现持续下降的态势。分析铁路客运量运距构成表明,铁路在中长途运距的客运市场中具有绝对优势,但大部分铁路客运量的运程在500km以下,运程仅200km以下的占40%以上。因此,加快城际铁路建设进程,提高铁路在客运的市场竞争力,不仅是铁路自身生存发展的需要,更是全面建设小康社会的必然需求。     

铁路客运专线的客运量预测

铁路客运专线建成后，其运量主要由趋势客运量、转移客运量和诱增客运量3部分组成。以陇海线郑州西安客运专线为例，指出在转移和诱增客运量预测中应注意OD调查的准确性、服务特性的拟定和模型参数的标定。同时提出客运量分配时应注意的几个原则，以及有待进一步研究的主要问题。     

铁路客运量再创历史新高

适应经济平稳较快发展对铁路运输的需求,充分发挥铁路局直接管理站段新体制和运输生产力新布局的优势,深化内涵扩大再生产,全国铁路客货运量在连续三年大幅度增长的高起点上再创历史新高.2006年,全国铁路旅客发送量完成12.6亿人,同比增加1亿人,增长8.7%;旅客周转量完成6622亿人公里,同比增加560亿人公里,增长9.2%.     

基于Verhulst-RBF的铁路客运量预测

为更准确地预测铁路客运量,采用灰色关联法,分析不同因素对铁路客运量的影响程度,确定主要影响因子,并将其作为预测指标,提出基于Verhulst-RBF神经网络的铁路客运量预测组合模型。基于四川省近14年的铁路客运量数据,进行组合模型测试。实验结果表明,Verhulst-RBF神经网络组合模型的预测精确度高于单一的Verhulst模型或单一的RBF神经网络模型。     

2003年SARS对我国铁路客运量的后影响评价

2003年SARS是高传染性的公众健康危机,我国铁路旅客运输出现严重“滑坡”并蒙受巨大损失。本文依据本底趋势线理论,对此次危机造成铁路客运量损失、危机生命周期及全国28个省市区差异进行了定量分析与估算。结果显示:①2003年SARS共造成铁路客运量损失1.043亿人,占全国客运量总损失的10.22%,相对损失率为9.69%;②2003年3~4月危机开始生成显现,5~6月全面爆发并达到鼎盛,7~10月为衰减恢复期,SARS危机对铁路客运的影响持续8个月;③SARS危机对全国各省份铁路客运量所造成的损失差异较大,其中,北京、辽宁、广东、四川、黑龙江、河北的客运量损失在686万~867万人,江苏、河南、浙江、陕西、吉林、上海、山西的客运量损失在417万~607万人;④剔除青海和广东两省,26个省份铁路客运量损失与客运量基数、SARS确诊人数具有显著的相关性,其中,SARS确诊人数的边际系数为11.4%。     

加德满都至博克拉铁路客运量预测研究

新建加德满都至博克拉铁路项目位于尼泊尔中部,线路由尼泊尔首都加德满都至博克拉,正线全长164.395 km。由于沿线区域欠发达,几乎无铁路分布,项目客运量预测存在基础资料少、铁路统计调查数据缺失等困难,针对上述困难,对预测的方法进行研究,根据项目客流特点,将尼泊尔划分为17个小区,采用四阶段法进行客运量预测。结合小区人口和旅游客流的现状及增长情况,预测各小区的交通生成量,采用重力模型法得到总客流OD,通过Logit模型得到铁路OD,最后根据最短路径法进行客流分配,从而得出项目区段客流密度和车站旅客发送量,本项目的预测对类似项目有一定的参考作用。     

日本铁路面对客运量下降的对策

东日本铁路公司(JR East)的E131系电动车组将于2021年在东京以北的3条线路上投入使用,以实现在人口不断减少的半农村地区更经济地运营。     

基于Box-Jenkins的铁路客运量短期预测

对客运量的发展趋势进行科学预测是铁路客运企业正确进行市场决策的基础。运用Box-Jenkins对某铁路局的客运量进行了预测,结果显示Box-Jenkins模型在分析处理短期客运发送量预测工作中的非平稳时间序列上,具有一定的优势,预测结果可信。     

基于时空序列的铁路客运量数据挖掘预测

在分析铁路客运量数据的时空复杂性特征的基础上,以铁路假日运输管理系统中春运期间的客运量数据为依据,采用BP神经网络的数据挖掘方法进行铁路客运量数据挖掘预测研究。通过BP神经网络的建模方法把客运量的空间属性、数据属性和时间属性有机地结合起来,将数据的建模含于网络的数值当中。网络在学习过程中系统误差始终保持持续稳定的下降趋势,没有产生局部振荡和陷入极小现象,整个学习过程中系统稳定性较好。各样本之间的期望输出和实际输出之间吻合较好,从而证明所采取的数据处理方法的有效性和网络学习参数的合理性。根据BP神经网络得到的预测模型在仿真试验中的期望输出和实际输出之间吻合较好,预测的客运量和实际客运量数值非常接近。     

铁路客运量数据挖掘预测方法及应用研究

在分析铁路客票数据特征的基础上,提出采用分段模糊BP神经网络对铁路客运量进行数据挖掘预测。通过对铁路客票数据的分段处理,提高了网络学习的收敛速度和预测精度,并在MATLAB环境下建立了分段模糊BP神经网络模型,在仿真试验中各分段的期望输出和实际输出之间吻合较好,从而证明了分段模糊的数据处理方法是有效的;同时,预测的客运量和实际客运量数值非常接近,说明分段模糊BP神经网络得到的数据挖掘预测模型对铁路客运量有很好的预测效果,该预测模型可信,为预测铁路客运量提出了一种新思路。     

从IT角度看“9.11”事件:您的业务受到保护了吗?

美国“9.11”恐怖袭击事件发生后,众多公司的数据信息和IT设施遭受了巨大损坏,这些公司的业务运转也面临威胁。在这种情况下,美国EMC公司的SRDF复制软件帮助许多公司如愿以偿地迅速恢复了业务运转,因此这款软件被美国Barron杂志赋予了“技术英雄”称号。通过这一灾难,全球各地的企业和IT主管们充分认识了这类技术的重要性。下面,是这次事件给企业界带来的教训和启示。     

新型组合模型在铁路客运量预测中的应用

客运量是用来测算交通运输业所承担的工作量,反映了运输业为国民经济和人民生活服务的数量指标,准确的客运量预测直接影响到铁路项目的经济效益评价及铁路交通组织安排。根据客流量数据的特点,提出新的组合预测方法,构建线性时间序列灰色GM(1,1)模型和考虑客流量影响因素的非线性遗传算法优化BP神经网络模型。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,并将组合模型预测结果和单一模型相比,得出新型线性和非线性组合模型预测精度更高,取得了满意的效果,为客流量的预测提供了一种新的工具。     

合肥铁路枢纽的客流现状及客运量预测研究

分析合肥铁路枢纽客流增长趋势和客流波动特点,采取数学建模,运用指数平滑预测法,预测合肥铁路枢纽客运量发展趋势。     

灰色理论在铁路客运量预测中的分析研究

针对传统灰色预测模型存在对历史数据依赖性强、容错性小及抗干扰能力差的局限性,将无偏灰色理论与残差验证理论引入预测模型,从趋势曲线灰色拟合与状态分类方式上对传统灰色模型进行改进,提出无偏灰色预测铁路客运量方法;同时,对铁路客运量预测方法从定性预测和定量预测两个方面进行阐述并对其优缺点进行分析。依据建立的无偏灰色预测铁路客运量模型,以1997—2016年铁路客运量为基础数据,对铁路“十三五”时期的数据进行预测,通过残差检验和结果分析,其预测精度明显高于BP神经网络预测。     

超限学习机在铁路客运量预测中的应用研究

传统的预测方法对实验对象要求严格、需要人工设置大量参数,导致算法学习速度较慢、预测误差较大等不理想结果。本文引入机器学习中的超限学习机(Extreme Learning Machine,ELM)对铁路客运量进行预测,建立铁路客运量网络预测模型。利用国家统计局公布的1997~2014年铁路客运量数据做了验证,并以2014年的数据为依据对客运量进行月度预测。结果表明:2010~2014年预测值与实际值的平均误差为0.61%,2014年每个月预测值与实际值的误差均低于1.00%。重复的实验证明ELM算法具有很好的泛化能力和鲁棒性,为铁路客运量的预测提供了一种新的工具。     

改进重力模型在铁路客运量预测中的应用

对重力模型参数随时间变化的规律进行了研究,用正弦函数描述了重力模型参数的波动规律,改进了原有重力模型将参数标定为常数的缺陷,并通过数据拟合对实例进行了验证,结果表明该模型预测精度较高。     

基于灰色和神经网络的铁路客运量预测研究

准确的客流量预测在国家交通规划与管理中具有重要意义,预测方法的选择直接影响到预测的精度。客运量的预测具有小样本和非线性的特点。结合灰色理论和RBF神经网络的特点形成灰色-RBF神经网络模型,并采用客流运量分担率的方式对拟建铁路客流量进行预测。通过灰色理论对原始数据进行生成处理,将无规律的原始数据变为较有规律的生成数列,再利用RBF神经网络的超强适应能力和学习能力,大大加快学习速度并避免出现局部极小问题对生成数列进行预测,再将模型运用到客运量的预测中。最后结合新建兰州至中川机场铁路项目及调查数据进行客流量的预测研究,得出灰色-RBF神经网络模型对客流量具有很好的预测性。     

美国城市轨道交通客运量创50年新高

根据美国公共交通运输协会（APTA）的统计，美国的城市地铁、通勤列车和轻轨2007年的客运量达到半世纪以来最高水平。2007年，美国城市轨道交通的客运量达103亿人次，比2006年增长2．1％，