我国铁路客运量的中短期预测研究

发布时间：2020-12-15 13:29

　　铁路客运量的中短期预测是铁路运输公司制定旅客运输计划的基础,更是合理配置人力物力资源及展开旅客运输工作的重要依据。鉴于航空运输事业的快速发展,客运市场竞争愈发激烈,铁路客运部门必须对市场内的客流变化及时采取措施,方能满足市场的需求。本文分别从年度预测和月度预测两个层面对铁路客运量进行预测,既为铁路的运输长远发展提供了决策支持,更为铁路各部门及时应对瞬息万变的市场提供了可靠依据。年度数据预测部分,提出了一个新的基于最优模型选取的M-CPSO-GM模型,并在我国铁路客运量的年度预测中得到了非常好的效果。月度数据预测中,首先根据S-ARIMA模型得到一步预测值,然后对其进行校正。考虑到春节因素,先将数据分成春运月份和非春运月份两部分分开校正。对于春运月份,首次提出了与一步预测误差高度相关的春节因子作为校正因子,通过FNN对春运月份的一步预测值进行校正;对于非春运月份,则采用上月同比增长率作为校正因子,通过BP神经网络进行校正。结果表明,校正后的月度数据预测精度有了明显提高。最后,对论文所做的工作进行了总结,简要说明了文中尚待完善的问题,并指出我国铁路客运量预测以后需要努力的方向。 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：50 页

【学位级别】：硕士

【部分图文】：

PSO算法的空间图

CPSO流程图

(2-33)用 MATLAB 软件画出该 GM 模型的预测效果走势图如图 2.3 所示.图 2.3 GM 预测结果从图 2.3 可看出GM模型在对过去的拟合过程中对数据的大致走势有着不错的预测效果, 但是对 2014 年及 2015 年度的预测中, 预测曲线都在真实值的下方,说明根据这些全部原始数据描绘出来的趋势已经不符合现阶段的变化. 接着我们用CPSO 算法对GM模型中的两个参数进行优化发现精度并没有怎么提高, 说

【参考文献】：
期刊论文
[1]基于SARIMA模型在我国铁路客运量中的预测[J]. 郝军章,崔玉杰,韩江雪.  数学的实践与认识. 2015(18)
[2]基于灰色加权马尔可夫链的大连铁路客运量预测[J]. 贾金平,吉莉.  大连交通大学学报. 2015(03)
[3]基于粒子群优化偏最小二乘的铁路客运量预测[J]. 梁小林,杜晓慧.  湖南文理学院学报(自然科学版). 2014(04)
[4]基于春节因素的中国铁路月度客运量季节调整模型研究[J]. 汪志红,汪前元.  铁道学报. 2013(07)
[5]基于指数平滑法的京包线铁路客运量预测[J]. 侯立新.  科技创新导报. 2012(32)
[6]改进BP神经网络在铁路客运量预测中的应用[J]. 于波,丁源.  铁道经济研究. 2012(03)
[7]基于线性回归-马尔可夫模型的铁路客运量预测[J]. 李晓东.  铁道运输与经济. 2012(04)
[8]基于灰色模型及月度比例系数法的铁路客流预测方法[J]. 李海军,张玉召,朱昌锋.  西部交通科技. 2012(03)
[9]基于IPSO-BP神经网络的铁路客运量预测[J]. 陶海龙,李小平,张胜召,辜琳丽.  铁道运输与经济. 2011(09)
[10]基于灰色线性回归组合模型铁路客运量预测[J]. 侯丽敏,马国峰.  计算机仿真. 2011(07)

博士论文
[1]基于协同进化的混合智能优化算法及其应用研究[D]. 邓武.大连海事大学 2012

硕士论文
[1]线性与非线性的组合模型在铁路客运量预测中的应用研究[D]. 张毅敏.西南交通大学 2014
[2]我国铁路客运量的组合问题研究[D]. 刘会芳.长沙理工大学 2013
[3]基于混合智能算法的铁路运量预测研究[D]. 陶海龙.兰州交通大学 2012
[4]SVR季节性时间序列预测模型的构建与应用[D]. 钱吉夫.华南理工大学 2010
[5]基于遗传算法和BP神经网络的铁路客运量预测研究[D]. 谢小山.西南交通大学 2010
[6]基于灰色理论与广义回归神经网络的客运量预测模型研究[D]. 罗毅.西南交通大学 2007
[7]铁路客运量短期预测方法的研究[D]. 王芳.北京交通大学 2007



本文编号：2918350