2023年全国铁路客运量创新高,旅客发送量达36.8亿人次

2023年全国铁路客运量创新高:发送旅客36.8亿人次,高峰日突破2000万人次。近日,中国国家铁路集团有限公司(以下简称国铁集团)宣布,2023年全国铁路客运量创下历史新高,全年共发送旅客36.8亿人次。这一数字不仅刷新了去年的纪录,也标志着中国铁路客运市场的持续繁荣。据了解,这一成就的背后,离不开国铁集团在基础设施建设、运能提升等方面的持续投入和努力。2023年全国铁路完成固定资产投资7645亿元,同比增长7.5%。其中,新线投产3637公里,其中高铁2776公里。这些新线路的开通进一步提升了铁路网络的覆盖面和通达性,为旅客提供了更加便捷的出行选择。国铁集团还表示,深化供给侧改革、满足出行需求也是推动客运量增长的重要因素。

基于Newton插值与超松弛技术的铁路客运量预测研究

为提高铁路客运量预测精度,提出Newton插值法对客运量原始数据进行预处理以解决因节假日或重大事件造成的数据异常问题。另外,引入超松弛技术(OR)对铁路客运量预测结果进行修正,提出非线性递减权重改进粒子群算法以优化松弛因子。最后,将Newton插值法、超松弛技术与GM(1,1)和BP神经网络预测相结合,提出铁路客运量Newton-GM-BP-OR组合预测方法,并以北京市铁路客运量预测为例验证预测方法的有效性。研究结果表明,基于Newton插值法处理异常客运量数据的预测效果较基于原始数据序列更好,改进的粒子群算法在求解松弛因子过程中体现出更好的寻优能力和收敛速度,且超松弛技术对GM(1,1)和BP神经网络预测结果的修正也使得Newton-GM-BP-OR组合预测方法具有更高的预测精度。

基于IPSO的霍尔特指数平滑系数的铁路客运量预测研究

为了提高霍尔特指数平滑法对铁路客运量预测的精度,基于改进粒子群算法(IPSO)对铁路客运量预测领域中霍尔特指数平滑系数的取值进行优化研究。以我国各省铁路客运量为研究对象进行仿真实验,以验证改进粒子群算法的寻优效果,并求解霍尔特指数以预测各省铁路客运量的平滑系数最优取值。研究表明,相较于经典的线性递减权重优化法和固定权重法,非线性递减权重优化的粒子群算法能更加准确地求出最优平滑系数,具有更好的寻优能力和收敛速度。以上海市为例,其收敛速度分别提高4代和14代,求解精度分别提高了0.00018、0.000006。

基于EMD-CNN-LSTM模型的铁路客运量短期预测研究

铁路客运量预测由于数据的强波动性、强随机性特征成为一个复杂的非线性问题,为解决此问题,以1990年1月—2020年1月的全国铁路月度客运量数据为基础,提出一种基于数据分解的组合预测方法。运用线性拟合与小波分析法对铁路客运量序列进行趋势与周期分析,对原始序列采用经验模态分解方法得到不同尺度的IMFs分量和残差分量并通过样本熵值近似程度进行叠加重构,运用CNN-LSTM组合预测模型,对各分量进行预测并将预测结果进行叠加,得到最终预测结果。采用均方根误差、平均绝对百分比误差和平均绝对值误差作为评价指标,比较EMD-CNN-LSTM与其他模型,结果表明,我国铁路客运量在月尺度上具有一定的趋势性及周期性,在预测过程中EMD-CNN-LSTM与其他模型相比,预测结果误差最小,预测精度优于其他模型。

基于特征挖掘的中长期铁路客运量预测

为实现不同场景下的铁路客运量预测,提升预测精度,提出一个通用的中长期铁路客运量预测理论框架,包括数据采集层、特征挖掘层和模型预测层:采集并整合预测所需的多源数据,进行特征构建和挖掘后,将特征输入预测模型进行预测。基于该框架,构建了基于EMD-LightGBM的中长期铁路客运量预测模型。最后,以1981—2021年的铁路客运量数据为例,解析了预测框架的构建过程,并对特征挖掘技术的应用效果进行了分析。结果表明,特征挖掘方法能大幅提升铁路客运量的预测精度和预测效率;所建预测框架可推广应用于线路或地区等不同场景的铁路客运量预测。

基于GM(1,1)–SARIMA组合模型的铁路客运量预测研究

精确预测铁路客运量是科学设置列车出行计划,铁路运输规划的重要前提,为了克服单一模型在铁路客运量预测上的不足,选取2010年1月至2019年12月全国铁路客运量数据,结合STL时序分解法将客运量数据分解为三项,探索性分析后,选用GM(1,1)和SARIMA模型对三项数据进行预测,组合成最终结果,以MAPE、RMSE和R^(2)为评价指标,将组合模型与单一GM(1,1)和SARIMA模型对比分析,试验结果表明,组合模型的R^(2)更接近于1,RMSE降低了55.31%~86.30%,MAPE降低了54.39%~82.61%。证明了GM(1,1)–SARIMA模型在铁路客运量预测上的准确性和适用性。

基于改进马尔科夫模型的铁路客运量预测研究

为提高铁路客运量预测的精度,在预测精度更优条件下,对马尔科夫模型状态划分区间的取值范围进行了研究,并在此基础上对模型进行了改进。先通过多层感知器神经网络预测了2004—2019年北京市的铁路客运量,再运用改进的马尔科夫模型对多层感知器神经网络预测结果进行修正,并与均等划分和均值-方差法划分状态区间的马尔科夫模型的预测修正结果进行对比。研究结果表明,改进的马尔科夫模型降低了预测过程的复杂性,具有更高的预测精度。相比于均等划分、均值-方差法划分状态区间的模型,改进的马尔科夫模型的预测误差分别减少了0.601%和0.683%。

改进的BP神经网络在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用改进的BP神经网络对铁路客运量时间序列进行预测。分析改进的BP神经网络原理,对1980年—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列神经网络预测模型,设计网络参数,进行网络学习与训练的仿真试验。对比分析改进的BP神经网络与标准的BP神经网络预测结果,证明改进的BP神经网络预测结果更准确,精度更高。

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。

基于双层次正交神经网络模型的铁路客运量预测

针对传统BP神经网络模型存在的计算效率和泛化能力低的问题,采用双层次特征分析方法对铁路旅客发送量统计数据的时间特征进行分析,提取出日趋势特征、月趋势特征、日周期性特征、月周期性特征、春运-暑运特征和黄金周-小长假特征作为模型的输入变量,建立双层次的BP神经网络模型,然后根据Gram-Schmidt正交化定理对双层次BP神经网络模型进行改进,在隐含层的输出采用Gram-Schmidt变换增加投影层,从而得到双层次正交神经网络模型。该模型包括2个相对独立的网络模型,1个用于处理客运量日数据,另1个用于处理月数据,2个网络模型的输出经过合成,最终得到客运量的预测结果。模型的应用证明,在铁路客运量预测中双层次正交神经网络模型比传统的BP神经网络模型更为有效。

支持向量回归机在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用ε支持向量回归机(-εSVR)对铁路客运量时间序列进行预测。分析-εSVR原理,对1980—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列SVR预测模型,并进行仿真试验。对比分析-εSVR与标准的BP人工神经网络预测结果,证明-εSVR预测结果更准确、精度更高。

改进SVR及其在铁路客运量预测中的应用

为了提高铁路客运量现有预测方法的预测能力，用训练样本与测试样本间的马氏距离对惩罚因子进行加权，对传统的支持向量回归机（SVR）进行了改进，在此基础上提出了基于改进SVR的铁路客运量时间序列预测方法．以1980-1998年铁路客运量预测为例，对SVR方法和BP人工神经网络（BPANN）方法进行了比较，结果表明，SVR方法能获得更准确的预测结果．

基于GM—周期扩展组合模型的铁路客运量预测

铁路客运量的准确预测对我国铁路建设项目投资和决策具有重要意义。由于铁路客运量预测系统本身是一个信息不完全的灰色系统,因此,可以通过建立(灰色)GM-周期扩展组合模型对铁路客运量的非线性动态变化进行预测。该模型运用灰色预测理论GM(1,1)与周期扩展模型结合,不但可以进行客运量的趋势预测,同时也可以充分考虑铁路客运量的周期波动性这一特征。最后,结合具体的实例验证说明该模型是科学合理的,预测值与实际值较吻合。

基于变权重组合模型的铁路客运量短期预测

科学、准确的铁路客运量短期预测是提高铁路客运系统竞争力与服务水平的关键。针对铁路短期客运量的特点,提出了一种基于灰色理论的变权重组合预测模型。为了获取不同模型在不同时刻的权重系数,采用广义回归神经网络对动态权重进行跟踪和预测。以2014年1~12月份的铁路客运量为研究对象,分别建立均值GM(1,1)模型、离散GM(1,1)模型、灰色Verhulst模型以及变权重组合预测模型。实例分析的结果表明,三个单一模型的平均相对误差分别为17.14%、16.99%和12.94%,而变权重组合模型为7.01%,变权重组合预测模型的预测精度明显高于单一模型。

基于灰色马尔柯夫过程的铁路客运量预测方法研究

将铁路客运量预测分为运量趋势预测和运量波动预测,分别采用灰色GM(1,1)模型和马尔柯夫过程进行预测,并将两者结合形成灰色马尔柯夫铁路客运量预测方法。根据1990年—2002年的铁路客运量数据,预测2003年的客运量以检验模型预测效果,并对我国“十一五”期间铁路客运量进行预测,分析证明基于灰色马尔柯夫过程预测方法的预测可信度。

基于灰色马尔可夫链模型的铁路客运量预测研究

阐述灰色马尔可夫链预测模型原理,根据灰色预测思想和马尔可夫链预测思想,将灰色GM(1,1)预测模型结合马尔可夫链状态转移,能较好地反映铁路客运量的发展规律。通过对我国铁路客运量预测的实证分析,说明灰色马尔可夫链预测模型对于具有一定波动性和随机性的铁路客运量有较高的预测精度。

基于灰色动态模型的铁路客运量预测与分析

对铁路客运量实时准确的预测与分析是铁路部门进行相关决策和判断的重要依据。运用灰色动态GM(1,1)模型,对武昌车站2000—2005年的客运量进行了预测,并结合实际统计数据对预测结果精度做出诊断和修正。基于此,对2006—2020年武昌车站的客运量进行了预测。结果显示,该模型直观,可操作性强,预测数据可靠,可以作为决策判断的依据。

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。

基于灰色理论的铁路客运量预测影响因素优化

为了更好地反映各种相关因素对客运量的影响,实现铁路客运量预测模型中影响因素的优化选择,采用灰色理论对影响因素进行分析,并针对传统灰关联分析在具体应用中存在的关联评价值趋于均匀化、分辨系数取值影响排序结果等不足,提出一种采用动态分辨系数的铁路客运量灰关联分析方法,从而得到各因素对客运量的关联度,实现铁路客运量预测模型中影响因素的优化选择.仿真实验以河南省铁路客运量为例,结果表明预测精度得到了提高,此方法可行并且有效.

基于粒子群算法优化支持向量机的铁路客运量预测模型

铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法(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了优化选择,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,从而表明了粒子群算法优化支持向量机的方法是有效的.