基于机动车增长影响的公路客运量预测研究

公路客运量是公路网规划中分析区域交通运输需求常用的指标,规划中采用的模型大多基于经济、人口等单项指标进行推测,较少考虑近年来机动车迅速增长对公路客运市场的冲击,因此提出一种基于机动车增长影响的公路客运量预测方法,通过分析相关影响因素,利用山西省历史数据建立模型,并利用模型预测分析发展趋势。

基于多元统计和改进BP网络的公路客运量预测

本文在利用主成分分析方法筛选出影响公路客运量的2个主导因子的基础上,分别采用回归分析法和改进神经网络方法对公路客运量进行了预测,预测结果表明两种预测方法都具有较高的精度,而引进了动量法和学习速率自适应调整策略的神经网络,其预测精度更高,但回归分析法能更好地揭示各因子对公路客运量的相对贡献率。

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。

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,研究结果表明:该模型对公路客运量预测有一定的实用价值.

基于灰色Verhulst-马尔可夫链组合预测方法的公路客运量预测研究

将灰色系统理论和马尔可夫链理论相结合,提出了灰色Verhulst—马尔可夫链组合预测方法来预测具有饱和状态发展趋势的观点;结合广东省公路客运量发展趋势来对该组合预测方法进行具体应用。计算分析证明,该模型较灰色Verhulst模型、灰色GM(1,1)—马尔可夫模型具有预测精度高、适应弹性大、实用性强等特点,可对公路客运量的发展趋势进行宏观把握,对宏观决策具有指导意义。

基于遗传算法优化支持向量机的公路客运量预测

公路客运量预测是公路规划建设的一项重要工作。针对其难以建立精确预测模型的问题,结合支持向量机与遗传算法,提出了一种公路客运量预测的新方法。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用遗传算法来优化其训练参数,以得到优化的支持向量机的预测模型。以北京市的数据作为应用算例,并与BP神经网络及RBF神经网络的预测结果进行对比分析。实验结果表明,基于遗传算法的支持向量机模型的预测精确更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用遗传算法进行支持向量机参数优选的方法是可行有效的。

灰色关联弹性模型在公路客运量预测中的运用

根据公路客运量预测受到多因素影响以及非线性的特点[1],选取了影响公路客运量的主要因素,并计算出关联因素对公路客运量的关联度,进一步提出了灰色关联弹性模型预测公路客运量的方法。该方法提出灰色综合弹性系数的概念,基于灰色关联弹性模型的原理,根据若干年已知数据计算得出的灰色综合弹性系数并预测出后面紧邻若干年份的客运量。将该模型运用到对我国公路客运量的预测,发现预测精度同传统弹性系数法相比有了一定提高,验证了该模型具有一定的实用性和参考价值。

基于BP神经网络的公路客运量预测方法

公路客运量是交通科学管理的基础性数据资料,能够反映出公路运输产出成果,对提高公路交通管理层次及建立畅通、高效的公路交通系统,具有重要意义。为提高公路客运量的预测精度,选择与公路客运量相关的主要社会指标(包括公路客运量、汽车保有量、国民总收入、人均GDP、人口总量、城镇居民人均可支配收入、社会消费品零售总额和城市化率),运用灰色关联分析法进行计算分析,最终确定公路客运量影响因子为汽车保有量、人均GDP、人口总量和城市化率。将所确定的因子作为公路客运量的预测指标,建立基于BP神经网络的公路客运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最小相对误差为1.1%,平均相对误差为2.78%。

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他常用方法相比,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.

一种顾及多因素影响的公路客运量预测模型

提出采用双线性模型预测公路客运量。预测模型包含时序自回归项、线性回归项和双线性项三部分。为了研究模型参数的时变特性,将公路客运量预测分为模型参数的预测和在此基础上的客运量预测,采用多层递阶方法计算模型的时变参数,然后进一步分析拟合参数的变化曲线,计算后续时段的参数预测值,并以此进行公路客运量预测。实例分析表明,双线性动态预测模型能很好地反映公路客运量的发展特性,具有较高的预测精度和实用价值。

成都市公路客运量预测

在分析成都市1990-2001年交通运输发展历程,特别是公路旅客运输需求的基础上,运用多种数学模型,预测成都市未来特征年的公路客运量,为成都市公路主枢纽客运系统布局规划修编提供依据显得尤为重要。

基于粒子群算法优化支持向量机的公路客运量预测

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法(PSO)优化支持向量机(SVM)的公路客运量预测模型,利用PSO寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高。

自适应神经网络在公路客运量预测方面的应用

针对城市公路客运量具有模糊、不易预测的特点,采用自适应神经网络模型,选择适当的参数,分析城市公路客运量与人口、GDP之间的关系,并利用它们之间的关系对城市公路客运量进行预测,取得了比较好的结果。

利用季节指数修正指数平滑预测值对公路客运量进行预测

利用季节指数修正指数平滑预测值对公路客运量进行预测纪跃芝（吉林工学院基础部，长春１３００１２）公路客运量的预测，按时间长短分为短期、中期和长期预测．短期预测是制定年度、季度运输生产计划的基础，而中期（３—５年）和长期预测是制定企业经营运输方针、企业技...

基于乘法ARIMA模型的公路客运量预测

在收集了2004-2007年我国公路客运量月度数据的基础上,进行时间序列分析,建立了我国公路客运量月度数据的求和自回归移动平均(ARIMA)模型。分析结果显示:与常用的多项式曲线预测模型和灰色预测模型相比,模型ARIMA(2,1,2)(1,1,1)12有更好的预测效果,可以用于我国公路客运量月度数据的短期预测。

基于分阶段的一次指数平滑法的公路客运量预测

基于一次指数平滑法的局限性，提出用分阶段的一次指数平滑法预测公路客运量的方法，实践证明，这种改进的一次指数平滑法具有很好的预测精度。

GM(1,3)模型在交通系统公路客运量预测中的应用

交通系统公路客运量预测不仅具有模糊性和动态性等特点,而且受多个因素影响。许多交通研究人员只根据客运量一个因素,用GM(1,1)模型预测。文章运用GM(1,N)系统综合预测模型,考虑系统中多个相关因素,并结合GM(1,1)模型,以原始离散的公路客运量、人口和国内生产总值GDP三组数据数列为基础,建立GM(1,3)模型来预测公路客运量。在详细论述了系统综合预测模型GM(1,3)的建立过程后,用后验差检验法对预测结果进行了检验,预测精度较好,表明此模型对公路客运量预测有一定应用价值。

基于GM模型和马尔科夫模型的公路客运量预测

以1992年至2005年兰州市公路客运量的实际值为基础,通过灰色模型对客运量的预测,得到了1992和2005年的公路客运量的预测值,结合实际客运量计算出其预测结果的相对误差。再对相对误差进行划分状态区间,运用马尔科夫模型得出2006年至2015年预测值的相对误差所处状态。从而得到经马尔科夫模型修正后的修正值,进而得到较高精度的客运量预测值。

影响浙江省公路客运量主要因素的回归分析

为了研究浙江省的公路客运量,选取居民总消费水平、全省生产总值、年末总人口数、人均可支配收入、通车总里程数和其他客运总量六个主要影响因素,根据多元线性回归方法建立数学模型,运用SPSS统计软件,得到这些影响因素与浙江省公路客运量的关系,并对未来的公路客运量进行一些预测.

基于LSSVM和马尔科夫链模型的公路客运量预测

通过分析常用的客运量预测方法,提出了基于LSSVM和马尔科夫模型的组合预测模型。以2004年~2013年兰州市公路客运量的实际值为基础,通过LSSVM对客运量的预测,得到了2014和2015年的公路客运量的预测值,结合实际客运量计算出其预测结果的相对误差。对相对误差进行划分状态区间,运用马尔科夫模型对预测结果进行修正,进而得到高精度的客运量预测值。最后将所得结果与应用单一的LSSVM预测方法及时间序列方法预测所得结果进行对比。分析结果表明,基于LSSVM和马尔科夫链模型的组合预测模型预测精度较高,满足实际需求。