交通规划四阶段法在物流需求预测中的应用

结合交通规划四阶段法的特点,在城市物流规划中的物流需求预测基础上,研究了物流需求分阶段的预测方法,并对物流需求预测模型进行了应用分析,最后基于四阶段物流需求预测,论述了相应的城市物流调查与分析的内容和方法。     

山地组团城市停车换乘方案评价方法

停车换乘(P+R)作为城市交通系统中的重要组成部分,已经被许多发达国家所采用,并发挥了积极的作用。而对于新建P+R设施的地区来说,需要对其进行详细的分析,以达到修建P+R设施的目的。以重庆市观音桥地区预建的3个P+R设施为研究对象,先以确立选址合理和满足需求为重要评价指标,建立评价集。经观音桥地区现状调查,评价了P+R设施位置的合理性。然后,结合二项Logit模型,对P+R设施进行了需求预测,评价了设施的规模对缓解中心区交通的作用。     

全球集装箱航运业发展趋势权威性预测

集装箱航运业遭遇种种难题可以理解船东和集装箱航运公司担心舱位运力的增长的速度将远远超出人们最乐观的需求预测。但是为何许多托运人也在担心这种情况呢?     

基于零售终端数据的卷烟消费需求预测方法研究与探索

为准确掌握区域市场卷烟消费的真实需求，提高需求预测的准确率和科学性，为卷烟工商业企业货源采购与货源投放等业务提供数据支撑，文章结合烟草行业特点和统计工作方法，以某市级烟草公司零售终端市场为研究对象，提出了一种卷烟消费需求多元预测方法。该方法通过完善数据模型，强化预测数据资源管控，尝试将“业务公式预测法”和“时间序列模型”相结合，使用“直线趋势预测方法”和“季节性指数法”等分析方法，构建了一套市场真实消费需求分析预测方法和流程规范。应用该方法预期能实现区域市场卷烟需求预测工作随季节性和周期性变化的动态分析调整，具有很强的实用性和推广性，对区域市场卷烟消费需求预测工作具有一定的参考价值。     

我国航空旅客运输需求预测——基于计量经济学与系统动力学组合模型

航空运输需求预测是民航发展规划和决策的前提,预测结果的精度会对民航的发展产生重要的影响.基于系统动力学原理构建了民航客运需求系统的因果关系图,分析了各因素间的因果关系,在此基础上,建立了航空客运需求的系统动力学模型,并引入了计量经济学来建立模型的数学方程.然后,对模型进行了有效性检验,结果显示建立的模型可以较好地反映民航客运的实际需求,证明了模型的有效性.最后,应用该模型对我国未来几年的航空客运需求进行了预测,并对比了不同的预测情景,结果显示经济水平对航空客运需求影响显著,宽松的人口政策在一定程度上会降低航空客运需求.     

基于故障树的备件需求预测研究

作为装备备件需求预测的重要方法之一,故障树分析法是对现有成熟装备的主要预测方法.在分析装备结构的基础上,结合装备故障情况建立相关故障树模型,并通过某型导弹的例子给出了在保障度一定的前提下,如何对装备中备件进行有效的预测配置,为备件需求预测研究提供了必要的理论基础.     

新建工业园区货运出行分布预测方法研究

在全国工业园区快速建设的大背景下,针对新建工业园区基础数据不足的特点,采用定性与定量相结合的方法进行货运出行分布预测,利用易获取的土地产出率、用地性质及面积等数据进行货运总量预测,引入小区重要度概念进行小区发生吸引预测,利用系统平衡法实现在无现状OD表下的货物出行分布预测。     

"十四五"重载铁路运输需求预测及发展对策探讨

重载铁路运输具有载重高、运能大、成本低等优点,发展重载铁路运输是支撑国家发展战略、提升铁路货物运量、推动物流降本增效的根本需要.基于重载铁路发展现状和"十四五"经济社会发展形势,通过分析我国重载铁路路网规模较低、线路间分流压力加大、货车轴重和载重偏小、运用组织难度大等问题,结合十四五期间重载铁路煤炭运输需求预测情况,提...     

基于用地区位的停车需求预测研究

停车规划的关键一步是停车需求预测,现行的停车需求预测主要是以用地功能为核心的预测模型,但该类模型考虑的影响因素比较单一,且有适用范围窄、预测精度不高等问题存在,并不能准确的进行停车需求预测。通过实际调研发现,用地区位条件与停车需求之间的关系比较密切。区位条件主要包括地理位置、交通状况、社会经济条件,重点分析三个因素内部因子的影响,建立区位条件和三个因素之间的关系模型。通过引进区位优势到停车需求预测模型,以达到对停车生成率模型进行改进的效果。最后将该模型运用到实际停车规划项目,验证了该预测模型的可操作性和实用性。     

基于机器学习的共享单车热点区域识别及需求预测

近年来,公共自行车交通系统已成为界上很多国家公共交通规划的一部分。无锁桩式共享单车系统,正经历快速发展,引发了公共自行车领域的变革。随着系统规模的扩大和用户数量的增加,共享单车的过量投放和随意停放问题成为系统运营的阻碍。本研究以北京市共享单车系统的运营数据为基础,采用数据驱动模式,探索用户出行需求的时空分布,提出基于机器学习方法的热点区域识别和需求预测框架。借助聚类算法实现对热点区域的识别和划分,借助集成学习实现对出行需求的预测。实验结果显示,模型的平均误差率为6.8%。本研究将在共享单车的空间部署和调度任务的及时安排等方面,为系统运营者提供有效参考。