基于模糊时间序列的机场旅客周转量预测

在分析了各种机场旅客周转量预测模型的基础上,提出了采用模糊预测法的建议,剖析了模糊时间序列预测模型的基本算法,实例验证了模型的有效性,并对双流机场未来5年的客运周转量进行了预测,其结果具有较高的精度,该方法可作为预测航空客运量的有效工具。

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.

Type-2模糊系统在黄金价格预测中的应用

选择了一个模糊时间序列的模型来确定模糊系统初始参数,同时运用了Type-2模糊系统和Type-1模糊系统进行了训练及预测,比较了他们的训练逼近效果,以及预测效果,给出了仿真.

城市轨道交通网络化运营背景下突发大客流预测研究

为提高突发大客流预测的准确性,设计了一个城市轨道交通网络化运营背景下突发大客流预测方法。首先建立起客流指标体系,然后对客流分布预测影响因素分析,最后根据城市轨道交通系统受不同因素影响的特点,采用多时序处理方法,实现对复杂的非线性轨道交通客流的预测。实验对比结果表明,此次研究的城市轨道交通网络化运营背景下突发大客流预测方法在稳定客流预测与随机客流预测上,都具备较高的预测准确度,并且,在很大程度上减少了突发大客流预测时间。

泛函预测的模糊逼近与最佳逼近

主要对以模糊逼近和泛函微分方程进行时间序列预测问题作进一步的理论研究,给出了几个有关使用该预测方法时,模糊逼近与最佳逼近及其关系的定理,证明了逼近方面及预测方面的一些有意义的结果.

基于二次分解策略和模糊时间序列模型的航空客运需求预测研究

提高航空客运需求预测的准确性对于航空公司以及整个航空运输系统的发展都具有重要的现实意义。以往研究普遍采用单一分解策略去处理航空客运需求时序中存在的复杂特征,以此提升组合模型的预测性能。然而传统的分解策略存在着特征提取不完全、分解方法带有固有缺陷等问题,导致组合模型预测效果不能得到充分的提升。为此,本文提出一种基于二次分解策略和模糊时间序列模型的航空客运需求预测方法。该方法首先利用季节调整模型(X12-ARIMA)将原始时序分解成季节成分序列与季节调整后序列,继而利用改进的自适应噪声集成经验模态分解方法(ICEEMDAN)将季节调整后序列分解成一系列不同时间尺度的本征模态函数(IMF)和残差序列(Residue)。然后使用基于模糊C均值算法(FCM)划分论域区间的FTS模型对季节成分序列、各IMF分量以及残差序列分别进行预测。最后将各分量序列的预测结果进行集成,重构出航空客运需求的预测值。实证结果表明,本文所提出的二次分解策略表现显著优于传统的分解策略,并且本文所提出模型对于航空客运需求预测有着较高的准确性。

城市轨道交通网络化运营背景下突发大客流预测研究

为提高突发大客流预测的准确性,设计了一个城市轨道交通网络化运营背景下突发大客流预测方法。首先建立起客流指标体系,然后对客流分布预测影响因素分析,最后根据城市轨道交通系统受不同因素影响的特点,采用多时序处理方法,实现对复杂的非线性轨道交通客流的预测。实验对比结果表明,此次研究的城市轨道交通网络化运营背景下突发大客流预测方法在稳定客流预测与随机客流预测上,都具备较高的预测准确度,并且,在很大程度上减少了突发大客流预测时间。