神经网络与四阶段预测法在铁路运量预测中的组合应用研究

利用神经网络与四阶段预测法组合构造出新的交通量预测模型,以胶济铁路提速改造为例,就构造的客运量预测模型进行了应用研究。其中以平均增长率法计算客流量的交通分布;以重力模型法计算诱发客流;依据运输阻力构建的分担率模型计算转移客流;在计算诱发客流时考虑了时间价值。

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先,使用差分整合移动平均自回归(autoregressive integrated moving average, ARIMA)模型对中国铁路货运量进行初步预测;其次,利用长短时间记忆(long short-term memory, LSTM)神经网络对残差进行校正,并将其与极端梯度提升(extreme gradient boosting, XGBoost)模型结合,采用误差倒数法确定权重,构建一种加权组合模型;最后,将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(mean square error, MSE)、均方根误差(root mean squared error, RMSE)、平均绝对值误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)对上述模型的预测精度进行对比分析。使用2007—2021年全国铁路货运量月度数据进行实验,实验结果表明:组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。

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。

基于混沌理论的铁路客货运量预测研究

应用混沌理论的相空间重构方法,分析与铁路运量相关的12组时间序列,分别计算它们的嵌入延迟时间、嵌入维数、关联维数、最大Lyapunov指数等混沌统计量,并以此为依据判断12组时间序列的混沌特性。结果显示:铁路客货运量及周转量不具有混沌特性,对应的4组时间序列不是混沌的;铁路客货运量、周转量的增量及增长率都具有明显的混沌特性,它们对应的8组时间序列是混沌的。在识别是否混沌的基础上,应用基于最大Lyapunov指数预测方法,对铁路客货运量、周转量进行预测检验及预测结果分析。

基于“三阶段法”的高速铁路短期运量预测

考虑到我国未来年度的OD分布预测中的路网构成变化、区域经济布局变动、区域经济增长速度差异等一些具有时变性和特殊性因素,采用在"四阶段法"运量预测基础上改进而成的"三阶段法"进行高速铁路短期客运量预测。首先采用组合预测模型进行趋势运量预测,然后采用多元LOGIT模型进行方式分担,最后采用弹性系数诱增模型进行诱增运量预测。以京沪高铁为例,采用"三阶段法"预测了2014年和2015年京沪高铁本线及跨线单向客流量。

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。

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.

基于灰色关联分析的支持向量机的铁路货运量预测研究

采用基于灰色关联分析的支持向量机对铁路货运量进行预测.首先利用灰色关联分析法对影响铁路货运量的因素进行分析处理,然后利用基于高斯核函数的支持向量回归机建立了铁路货运量预测模型.通过分析预测结果可以发现,经过灰色关联分析后的支持向量机模型对复杂的铁路货运量数据有较好地处理能力,且预测相对误差较小.特别地,由于支持向量机的适应性,该模型具有较高的泛化能力,对影响因素较为复杂,样本数量小的预测问题可以提供一定参考.

自适应粒子群最小二乘支持向量机在铁路货运量预测中的应用

针对铁路货运量与其影响因素间的复杂非线性关系,建立自适应粒子群最小二乘支持向量机(APSO-LSSVM)模型用于铁路货运量预测研究,利用最小二乘支持向量机的优良特性预测铁路货运量,并采用自适应粒子群算法优化选择LSSVM的参数。通过对我国铁路货运量的实例分析检验APSO-LSSVM模型的预测性能。结果表明,APSO-LSSVM模型有效地预测了我国铁路货运量,具有较高的预测精度及较快的收敛速度。

基于SSA-GM-GPR的铁路客运量预测研究

铁路客运量预测主要存在客运量数据易受噪声污染、数据呈现非线性和非平稳的特征关系两方面问题。为解决此问题,文中提出一种基于奇异谱分析(SSA)的集成预测方法。首先,对原始数列进行奇异谱分析,剔除噪声数据后重构包含主要特征信息的趋势序列;其次,对趋势序列分别采用灰色预测模型(GM)和高斯过程回归模型(GPR)进行预测,再采用优势矩阵法对各预测结果进行集成,得出最终预测值;最后,以我国铁路客运量年度数据为实证,选择均方误差(MSE)和平均绝对百分比误差(MAPE)作为评价标准,与原始序列模型和单一模型的预测结果进行对比。结果表明,与其他模型相比,基于SSA-GM-GPR的铁路客运量预测模型预测精度较高。采用所提出的模型预测2020—2022年客运量,可为铁路管理组织制定工作计划提供理论支撑。

河南省铁路客运量预测中影响因素的灰关联分析

铁路客运量预测是铁路旅客运输组织工作的重要基础和主要依据之一。从定性和定量两个角度出发,提出了铁路客运量预测的影响因素体系,并建立了铁路客运量多目标灰关联评价模型。该模型的应用,可以对各个地区的铁路客运量影响因素进行评价比较,并分析各种因素的影响程度,确定其层次结构及对客流的关联度,对于提高现有铁路运量的预测精度有着极其重要的现实意义。

基于DA-Elman的铁路货运量预测

为提高铁路货运量预测精度,针对Elman神经网络的预测精度受其权值和阀值的影响,提出了一种基于DA-Elman的铁路货运量预测方法。选择国内生产总值、铁路货运量、公路货运量、公路运营路程、铁路运营路程、铁路复线比例、铁路货物周转量和铁路运输从业人员8项指标作为DA-Elman的输入,铁路货运量作为DA-Elman的输出,建立DA-Elman的铁路货运量预测模型。选择我国2000-2018年铁路货运量数据为研究对象,研究结果表明,与PSO-Elman和Elman相比,DA-Elman的铁路货运量预测精度最高,为铁路货运量预测提供了新的方法和科学决策的依据。

基于灰色系统理论的铁路客运量预测

铁路客运量预测是铁路部门的重要工作之一，准确的预测结果有利于提高铁路系统的运行效率，增强铁路运输的可靠性，从而提高铁路系统的经济效益与社会效益。