中老铁路货运增量市场空间预测研究

中国与东盟国际贸易呈现不断扩大的合作规模,中老铁路的建设对于加强中老两国之间的贸易和物流往来具有积极影响。基于中老铁路货源特征调查情况和中老两国双边贸易额的发展趋势,采用灰色预测模型预测了中老两国2023—2027年期间的货运量;结合中老铁路沿线货运业务辐射范围,选择运输时间、运输费用、准时性、安全性4个影响因素构建效用函数,并利用AHP法进行赋权,最后通过构建Logit模型预测了中老铁路运输通道内铁路及公路2024—2027年期间的货运量分担率和货运量。预测结果能够为中老铁路丰富集装箱联运产品体系、提高货运营销维度、大力发展多式联运与国际联运及构建货运品牌,进一步促进货运营销、提升规模化运输下的货源组织水平提供指导性的建议。

基于SARIMA-SVR模型的铁路货运量预测方法

鉴于铁路货运量受多种外部因素影响呈现显著的随机波动特征而难以准确预测,提出了SARIMA-SVR预测模型。首先,对全国铁路月度货运量序列进行季节时间序列(SARIMA)建模,得到模型的初始预测值及预测残差。其次,构建支持向量机(SVR)回归预测模型,将影响铁路货运量的外部因素作为模型输入项,SARIMA模型预测残差序列、月度货运量序列分别作为模型输出项,由此分别获得SARIMA模型预测残差的优化值以及SVR模型的货运量预测值。三是将优化后的SARIMA模型预测残差与其初始预测值相加,得到优化后的SARIMA模型预测值。四是再对优化后的SARIMA模型预测值和SVR模型预测值进行加权求和,得到SARIMA-SVR模型的预测结果。最后,对SARIMA-SVR模型进行消融实验验证模型有效性,并将该模型与经典预测模型进行测算精度对比。结果表明,SARIMA-SVR模型的预测精度优于单一模型和经典预测模型,在货运量预测方面具有良好的适用性。

基于MI-PSO-RBF神经网络的铁路客货运量预测研究

准确地预测铁路客货运量对合理配置运输资源、提高铁路客货运组织工作效率有重要作用。为提高铁路客货运量的预测精度,提出一种基于MI-PSO-RBF神经网络的客货运量组合预测模型。本研究对铁路客货运量的影响因素及其内在关联进行分析,选取相关指标,利用互信息素法对指标进行筛选,构建影响因素指标体系。基于该指标体系,运用粒子群算法优化的RBF神经网络模型分别对铁路客货运量进行预测,并与传统的BP神经网络、RBF神经网络预测模型进行比较。结果显示,经过参数调整优化后的MI-PSO-RBF神经网络在铁路客运量及货运量的预测精度方面表现最佳,测试集R2分别达到了0.9481与0.9911,具有较高的精度及泛化能力,表明该组合预测模型能够进一步提升神经网络模型预测铁路客货运量精确度。

基于区域空间经济整体规划与综合运输超级网络的铁路货运量预测建模方法研究

研究以PECAS整体规划建模框架为基础,提出基于区域空间经济整体规划与综合运输超级网络的铁路货运量预测建模方法。首先,运用PECAS模型实现社会经济活动时空变迁及其影响下的大区域内货运生成与分布预测。其次,以综合运输超级网络为基础,通过构建包括公、铁、水多方式的货运广义阻抗函数来模拟货物运输方式之间的竞合关系及承运人的运输路径选择行为。最后,基于随机用户均衡实现综合运输超级网络的一体化网络货流分配。研究以长江经济带为例,对区域铁路货运需求进行预测,将网络货流分配后主要断面流量的预测值与观测值进行对比,以检验模型的准确性。研究结果表明,所提出的方法在大区域范围内可以较好地预测铁路货运流量的分配情况,为区域内铁路货运需求预测与铁路基础设施规划提供决策支持。

用灰色模型分行业对新建城镇进行货运需求预测

由于社会高速发展而出现了许多新建城镇 ,对这些区域进行货运需求预测时 ,以前常用的许多方法很难实施或者因精度不高而无法得到满意的预测值 .因为缺乏基础资料 ,采用类比法又找不到合适的区域进行类比 ,所以尝试用灰色模型分行业对新建城镇进行货运需求预测 .采用此模型可望得到较满意的预测数据 。

基于可计算一般均衡模型的内蒙古煤炭货运量预测研究

为了预测内蒙古地区的煤炭货运量,文章基于可计算一般均衡理论构建了生产函数、贸易函数以及经济主体行为函数,并在内生商品价格中加入了货运成本从价率,使得该模型可以考虑到交通货运成本的货运量。研究表明:本模型预测的内蒙古煤炭货运量与实际情形能够很好吻合,二者最小误差仅为1.5%。模型预测未来2025年、2030年、2035年、2040年的内蒙古煤炭货运呈上升趋势。研究结论可为内蒙古地区提前预测煤炭货运量提供理论基础。

AdaBoost_BP神经网络在铁路货运量预测中的应用

为提高BP神经网络预测模型的预测准确性,将AdaBoost算法和BP神经网络相结合,提出了一种AdaBoost_BP神经网络预测模型。将该预测模型应用于我国1999年—2009年铁路货运量的历史统计数据,进行有效性验证,结果表明该模型对铁路货运量预测是有效、可靠的,且具有较高的预测精度,可应用于实际预测。

基于无偏灰色模糊马尔可夫链法的铁路货运量预测研究

针对传统灰色马尔可夫预测模型存在灰色偏差与抗干扰能力弱的局限性,将无偏灰色理论与模糊集合理论引入预测模型,从趋势曲线灰色拟合与状态分类方式上对传统灰色马尔可夫模型进行改进,提出无偏灰色模糊马尔可夫链预测铁路货运量的方法,并结合"十一五"期间中国铁路货运量和货运市场发展趋势的预测分析,详细阐述了该方法的具体应用,最后使用定性分析对该方法的预测结果进行检验与讨论。理论分析和算例表明,该方法有更可靠的预测结果,并且能够对铁路货运市场的发展趋势进行宏观的把握,有利于决策者的决策行为。

基于经济周期的铁路货运量神经网络预测研究

针对现有铁路货运量预测方法存在较大突变性误差的问题,提出经济周期阶段参数的概念,将经济周期量化后作为一个输入因素提供给神经网络模型,用以学习记忆经济波动情况,建立基于经济周期的Elman神经网络预测模型,并以我国1992～2008年铁路货运量为实例对方法进行检验,与BP神经网络预测结果进行对比。实例表明,该方法有效减小突变性误差,预测精度较高,Elman神经网络在进行动态系统预测时效果更佳。

货运量预测方法的比较

本文在对货运量预测理论和程序概述的基础上 ,介绍并比较了常用预测方法的优缺点 ,重点研究了三层BP神经网络的基本原理 ,构思了BP神经网络中长期货运量预测模型 ,并进行了预测 ,最后根据预测结果 。

基于可计算一般均衡的货运量预测模型

现有货运量预测模型大多未考虑货运交通成本及与之相关的政策因素的影响,导致许多货运量预测结果与实际值偏差较大,对诱增货运量预测不足。本文回顾了现有货运预测模型,并简要分析其优劣和适用范围,进而提出基于可计算一般均衡(CGE)的货运量预测模型。利用该模型对重庆市的货运量进行预测模拟,并与其它模型进行比较,结果表明本模型具有更好的预测效果。

基于改进粒子群优化算法的灰色神经网络的铁路货运量预测

针对现有铁路货运量预测方法的不足,提出基于改进粒子群优化算法的灰色神经网络(IPSO-GNN)的铁路货运量预测方法,通过IPSO对常规灰色神经网络(GNN)的白化参数进行优化,改善了GNN的不足,保证了预测精度;同时利用灰色关联分析法,计算了铁路货运量和影响因素间的关联度,以最主要的6个关联因素,建立了基于IPSO-GNN的铁路货运量预测模型。仿真实验结果表明,在铁路货运量预测中此模型预测精度优于常规GNN及其他预测方法,说明此预测方法有效可行。

基于FPSO灰色Verhulst模型的铁路货运量预测

为提高灰色Verhulst模型的预测精度,采用粒子群算法对灰色Verhulst模型的参数值进行优化,利用滑动窗对原始数据序列进行动态更新,使用Fourier序列修正模型的误差,提出FPSO灰色Verhulst模型预测铁路货运量的方法。以平均绝对误差、均方根误差、平均相对误差为评价指标,采用传统灰色Verhulst模型、GM(1,1)、径向基神经网络、FPSO灰色Verhulst模型分别对具有增长趋势、摆动发展以及交叉发展趋势的铁路货运量进行预测。结果表明,FPSO灰色Verhulst模型能更好地反映铁路运输过程中的突变因素,是一种减少误差、充分利用新生数据、提高预测精度的有效方法。

基于压缩感知的灰色理论模型及其在航空货运量预测中的应用

重点研究经济突发事件对中国航空货运量的影响,采用压缩感知理论提取经济突发事件对航空货运量的影响,并利用灰色理论拟合航空货运量的总体变化趋势。以2002-2009年中国每月航空货运量的统计数据为基础,通过Matlab的CVX工具箱得到航空货运量基于压缩感知理论的灰色模型。通过对原始数据拟合的结果分析可知,基于压缩感知理论的灰色模型既可以体现中国航空货运量的逐年递增趋势,也可以得到每年的逐月变化趋势,还可以得到经济突发事件对中国航空货运量的影响。给出基于压缩感知的灰色模型的2010年每个月预测值,最大预测误差不超过5.92%,为航空运力市场调控和发展提供理论支持。

基于广义回归神经网络的铁路货运量预测

针对BP神经网络预测存在局部极小缺陷和收敛速度慢的问题,提出基于广义回归神经网络(GRNN)的预测模型。基于我国1999—2008年铁路货运量的历史统计数据,应用GRNN模型和混沌BP神经网络模型对铁路货运量进行预测。通过两种预测模型的计算结果比较说明,GRNN模型具有良好的收敛性和较高的精度,而且模型结构简单、计算速度快,具有良好的实用性。

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006～2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.

基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,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,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。

基于集成学习的多式联运货运量预测模型构建

货运量精准预测是多式联运网络高效协同发展的重要基础,货运量时变性强、数据多样性缺失是实现精准货运量预测的问题所在。基于此,通过挖掘货物运输量(集装箱)的时间变化特征,构建初始相关时间特征输入集,结合斯皮尔曼相关性系数分布,采用Bagging+BP集成学习方法训练多个弱分类器,最终组合获取高精度的强学习模型。以南京龙潭港为例,对自回归移动平均模型(ARIMA)、Bagging+BP集成学习网络以及长短时记忆神经网络(LSTM)三种模型进行评价,实验结果表明,相比于其他模型,提出的Bagging+BP集成学习网络预测性能良好,有一定的实用价值。

基于Holt-Winters模型的铁路月度货运量预测研究

铁路货运量预测是铁路运输市场分析的重要内容,对铁路货运业务的开展有着重要指导意义。铁路月度货运量数据序列是既有趋势性增长又有季节性波动特征的时间序列,Holt-Winters模型适用这类时间序列的预测。本文构建Holt-Winters乘法模型来进行铁路月度货运量预测,并以某铁路局化肥月度货运量为原始数据来做实证分析,最后与灰色模型、分组回归等传统预测模型的结果进行比较,结果显示Holt-Winters模型的预测精度最高。

基于灰色模型的铁路分品类货运量预测

铁路分品类货运量预测是制定货运营销决策的依据。作者通过基础数据处理、构建微分方程、求解模型的时间响应方程3个步骤形成了灰色预测GM(1,1)模型的算法,同时介绍了模型检验方法。基于此,依据铁路1998—2010年的实际运量数据,预测得到2011、2012年铁路分品类货运量,进而对预测结果进行检验和分析,得到模型的适用性:即灰色模型对数据序列波动较少的品类预测效果较好,而数据序列波动性大的品类预测效果一般。最后,针对部分基础数据波动较大的序列,采用指数平滑法对灰色预测的结果进行修正,提高了总体的预测效果。