高速铁路日常客运量的EMD-Informer组合预测方法

铁路客流需求的科学预测是进行运输组织方案决策的重要依据。以高速铁路历史客票数据为基础,结合经验模态分解(empirical mode decomposition,EMD)与机器深度学习中的注意力机制,提出高速铁路日客流量的EMD-Informer组合预测方法。首先采用EMD方法分解高速铁路客流量序列,获得具有周期特征和线路客流内在特征的模态分量,再利用Informer模型分别训练和预测各模态分解分量,并通过多头注意力机制高效挖掘客流数据内在规律和捕捉数据序列中的关键特征,在此基础上重组各分量预测值,从而得到高速铁路日常客流的整体高精度预测值。同时,根据结合问题特征的大量实验,明确可供实际运用参考的超参数设置规则。基于京沪高速铁路全线的实例计算分析表明,相对对比预测方法,EMD-Informer组合预测方法在高速铁路客流的单步预测及超前预测上均具有明显更小的预测误差。

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。

基于运量预测的赣粤运河开发综合效益

基于高速公路与铁路的货运量现状,对广东省陆路交通的综合运量进行预测,得到赣粤运河建成后的近期及远期运量,在此基础上对赣粤运河开发的综合效益进行了分析。研究发现:2035年、2050年赣粤运河预测运量约为1 500万t和2 000万t;赣粤运河开通后,相比于公路运输,预计可节约运输成本14.9亿~19.8亿元/a, 2035—2050年新增产值的经济贡献为2.1亿~2.9亿元,且有利于关联行业的发展;赣粤运河的建设与运营能够通过推动城镇化建设、增加就业、促进乡村振兴、助力航运文化发展、加快航运创新、维护国土安全等多种渠道带来社会效益;在水资源利用及生态保护层面,赣粤运河的建设不仅能够提升发电、灌溉等效益,更可实现节能减排等生态效益,每年节能量可达到9.86万~13.14万t标准煤,减少碳排放量21.37万~28.49万t。

基于灰色拟合和因子模型的道路客运量预测

为推进我国城市道路客运健康、可持续发展,需加强我国城市班车客运、旅游客运特征和发展趋势分析,并提出新的道路客运量预测方法研究。基于以上目的,道路客运量预测就回归预测法、卷积神经网络预测法、遗传算法预测法等现有交通量预测方法进行回顾、优缺点分析和总结,对适合班车客运预测的灰色预测法进行模型优化,创新提出班车客运灰色拟合预测法,另结合旅游客运特征和因子,提出了旅游客运量影响因子模型预测法。重点引入灰色拟合预测法和旅游客运因子预测模型,通过函数拟合和对景区预测因子显著度等进行研究,得出科基于灰色拟合和因子模型的道路客运量预测方法、模型,并以2023年武汉市道路客运量预测案例进行精准验证,为我国城市道路客运事业发展提供方法借鉴和参考。

平陆运河直接腹地港口货运量预测及运河效益分析

平陆运河是西部陆海新通道的重要组成部分,是广西发展向海经济至关重要的基础工程,同时也担任着综合广西各基础设施网络于一体的角色。以运河腹地港口为媒介,定量分析预测运河航道直接腹地港口吞吐量,以期为平陆运河建成通航后的货运需求提供参考;从经济与生态两个角度入手,定性分析运河建成后的经济效益与生态效益,从而助力将广西北部湾港打造成为内通外畅、连江接海的国际门户港。

新环保形势下绍兴港诸暨港区水运运量预测研究

通过对绍兴港诸暨港区水运货源相关行业进行调研,结合诸暨市经济产业发展情况,将实际情况与货物吞吐发展趋势相结合,对诸暨港区未来的港口吞吐量进行综合分析及预测。为之后诸暨港区的总体规划提供相应的支持。

基于线性回归模型的春运客运量预测研究——以重庆为例

春运期间营业性客运量是旅客活跃程度的重要指标,合理预测春运期间营业性客运量为行业管理部门运力场站储备、应急调度工作提供重要依据。以重庆市春运期间为例,基于分析2014—2023年各方式客运量与春运期间各方式营业性客运量,构建基于线性回归理论的春运期间营业性客运量预测模型,并通过相关系数检验,得知春运期间各方式营业性客运量与上一年全年各方式客运量存在明显线形相关,并以2024年重庆春运期间营业性客运量进行验算,证明模型测算结果较为准确,为以后春运期间营业性客运量预测提供理论依据。

基于线性回归模型的铁路客运量预测与实证分析

以郑州市为例,利用计量经济学的方法对郑州市铁路客运量的影响因素进行单变量和多变量分析,采用普遍最小二乘法(OLS),分别研究地区生产总值、总人口数、接待国内外游客总量、居民消费价格指数对郑州市铁路客运量的影响程度。利用EViews软件,以2000—2016年的铁路客运量数据作为训练集,2017—2018年的铁路客运量数据作为测试集,分别进行一元线性回归和多元线性回归分析,通过多重共线性、异方差、自相关性的检验以及模型拟合优度的比较,得到最佳郑州市铁路客运量预测模型,模型解释能力为99.07%。经测试集相对误差检验,构建的模型预测值与实际值误差小于2%,多元线性回归模型预测效果很好,可为地区铁路客运量的短期预测及相关部门的客运决策提供数据支持。

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。

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作，因此，关于铁路货运量预测理论和方法的研究一直是一个热点。但是，铁路货运量受多种因素影响，且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数（RBF）神经网络对货运量进行分析及预测。通过对1989～2002年全国铁路货运量的历史数据分析处理后，得到铁路货运量增长量的时间序列，将时间序列视为一个从输入到输出的非线性映射，引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后，用2003～2004年的增长量进行模型检验，并与BP神经网络、灰色预测模型预测结果进行对比，结果表明，应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。

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。

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。

运输通道公路旅客中长距离OD模型构造及分段客运量预测

针对运输通道公路旅客中长距离出行特征及调查点OD不一致问题,通过对各运输线路(高速公路、国道等)影响区域交通小区划分及变化的分析,提出利用既有的不同线路上各个调查点的OD调查结果,采用合并、拆分的方法构造通道OD的基本原理及旅客中长距离出行OD模型约束条件和修正方法,进而利用构造的OD模型预测未来年OD分布,推算通道内公路旅客中长距离出行的分段客运量,并结合京郑运输通道的公路分段客运量预测阐述了该方法的具体应用。

基于灰色线性回归组合模型铁路客运量预测

铁路客运量的准确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,准确预测铁路客运量是铁路运输企业面向市场、把握未来的重要保障。针对铁路客运系统是一个信息不完全的灰色系统,运用灰色预测理论构建灰色模型GM(1,1)与线性回归的组合模型,用于对未来五年内河南省铁路客运量进行预测。研究表明,模型改善了原线性回归模型中没有指数增长趋势和基本灰色预测模型中没有线性因素的不足,和单一模型相比,预测精度更高,预测结果更为可靠,具有较高的实际应用价值,也为铁路客运量预测研究提供了新的途径。

基于KPCA-SVM的公路客运量预测研究

支持向量机(Support Vector Machine,SVM)是建立在统计学习理论和结构风险最小化准则基础上的机器学习方法,该方法可以较好的解决以往很多学习方法的小样本、高维数、非线性和局部最小点等实际问题。本文利用支持向量机(SVM)回归理论和方法,建立基于核函数主成分支持向量机(Kernel Principal Component Analysis-Support Vector Machine,KP-CA-SVM)回归模型,并用2000-2008年杭州市公路客运量为样本进行了预测,结果表明,KPCA-SVM模型具有较高的预测精度和可靠性,是一种有效的公路客运量预测方法。

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。

快速货物运输运量预测与分析

发展我国铁路快速货物运输是铁路走向市场、满足多元化市场需求、增强企业竞争力、巩固和扩大市场份额的客观要求，也是调整货运结构的重要举措．本文对我国未来快速货物运输的货运量及地区间的快运货物交流量的生成、增长、变化规律及发展趋势进行了预测分析。

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。