铁路货运量预测及影响因素研究

发布时间：2017-07-16 08:27

  本文关键词：铁路货运量预测及影响因素研究

  更多相关文章： 铁路货运量 时间序列分析 灰色关联分析 多元线性回归 神经网络

【摘要】：铁路货运量作为铁路运输能力的重要体现,把握其未来发展趋势显得尤其重要。通过制定调节铁路货运量影响因素的政策来调控铁路货运量,能够提高铁路运输系统的运营效率,为铁路运输企业制定市场营销计划提供参考,为相关铁路部门制定铁路相关政策提供依据并且为国家未来铁路建设投资方向提供依据。本文的研究目的是在预测未来铁路货运量下降的基础上,分析铁路货运量的时间序列预测模型、神经网络模型和多元线性回归模型的预测效果和实用价值,为提高铁路货运量提出政策建议。本文运用1990-2014年的铁路货运量历史数据构建多个时间序列预测模型并且选择平均相对误差最小的四次多项式回归时间序列预测模型作为最佳时间序列预测模型。通过最佳时间序列预测模型预测未来五年的铁路货运量。结果显示未来五年的铁路货运量为406,833.5万吨,407,704.9万吨,404,408-3万吨,396,420.8万吨和383,200.8万吨。铁路货运量未来呈现下降趋势。为了应对铁路货运量未来下降的问题,本文基于灰色关联分析方法筛选出铁路货运量的8个关键影响因素,并且构建初步多元线性回归模型和神经网络模型。通过逐步回归法,铁路货运量的最佳多元线性回归模型的关键影响因素包括国家财政总收入、全国煤油产量、全国钢铁产量、公路货运量和水路货运量。国家财政总收入、全国煤油产量和全国钢铁产量对铁路货运量有正效应；水路货运量和公路货运量对铁路货运量有负效应。通过分析时间序列预测模型、神经网络模型和多元线性回归模型,评价三个模型的预测效果和使用价值,基于多元线性回归模型具有通过提出政策调节影响因素从而调控未来铁路货运量的实际意义,选择多元线性回归模型为最具使用价值的铁路货运量模型。本文的创新点在于通过选择最佳时间序列预测模型预测未来铁路货运量,并且基于灰色关联分析方法构建多元线性回归模型分析关键影响因素对铁路货运量的影响,进而为调控铁路货运量提供参考意见。
【关键词】：铁路货运量 时间序列分析 灰色关联分析 多元线性回归 神经网络
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U294.13
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-9
• 序言9-13
• 1 绪论13-21
• 1.1 研究背景及研究意义13-15
• 1.1.1 研究背景13-14
• 1.1.2 研究意义14-15
• 1.2 研究内容、研究方法和技术路线15-19
• 1.2.1 研究内容15-17
• 1.2.2 研究方法17-18
• 1.2.3 技术路线18-19
• 1.3 本文创新点19-21
• 2 文献综述21-29
• 2.1 铁路货运量的影响因素21-22
• 2.2 铁路货运量影响机理分析22-23
• 2.3 铁路货运量的预测方法23-27
• 2.3.1 时间序列预测方法23-24
• 2.3.2 灰色预测方法24-25
• 2.3.3 神经网络预测方法25
• 2.3.4 支持向量机方法25-26
• 2.3.5 其他预测方法26-27
• 2.3.6 预测方法评述27
• 2.4 文献评述27-29
• 3 铁路货运量的时间序列模型预测29-40
• 3.1 时间序列预测模型介绍29-31
• 3.1.1 指数平滑模型30
• 3.1.2 自回归积分滑动平均模型30-31
• 3.1.3 多项式时间序列预测模型31
• 3.2 时间序列预测模型结果31-38
• 3.2.1 指数平滑法31-33
• 3.2.2 ARIMA模型33-34
• 3.2.3 多项式时间序列预测模型34-38
• 3.3 时间序列预测模型筛选38-40
• 4 铁路货运量变化影响机理分析40-49
• 4.1 宏观环境指标40-42
• 4.2 铁路大宗货物产品指标42-45
• 4.3 其他运输方式指标45-47
• 4.4 铁路供给相关指标47
• 4.5 本章小结47-49
• 5 铁路货运量影响因素的灰色关联度分析49-55
• 5.1 灰色关联分析方法49-50
• 5.2 铁路货运量的灰色关联分析50-55
• 6 铁路货运量的多元线性回归模型和神经网络模型55-68
• 6.1 多元线性回归模型55-61
• 6.1.1 多元线性回归模型介绍55-56
• 6.1.2 多元线性回归模型结果56-60
• 6.1.3 多元线性回归模型统计上显著的影响因素分析60-61
• 6.2 人工神经网络模型61-65
• 6.2.1 人工神经网络模型介绍61-63
• 6.2.2 BP神经网络模型结果63-65
• 6.2.3 人工神经网络模型的影响因素65
• 6.3 铁路货运量预测模型比较65-68
• 7 结论与建议68-71
• 7.1 结论68
• 7.2 不足与今后研究方向68-69
• 7.3 政策建议69-71
• 参考文献71-76
• 作者简历76-78
• 学位论文数据集78

【相似文献】

中国期刊全文数据库 前10条

1 黄勇;徐景昊;;关于铁路货运量预测研究[J];铁道运输与经济;2010年04期

2 田芳铭;刘庆福;;四川省铁路货运量预测研究[J];科技资讯;2011年30期

3 张欣元;;1938～1987年法国国营铁路货运量的发展[J];铁道科技动态;1989年11期

4 任德亮,李向国,张天伟;建立铁路货运量季节性预测模型的研究[J];铁道运输与经济;2004年08期

5 郝佳,李澜;铁路货运量组合预测模型的研究[J];铁道运输与经济;2004年11期

6 王晚香,蒋惠园;广州南沙疏港铁路货运量预测研究[J];铁道货运;2005年01期

7 单丽辉;王强;;铁路货运量的灰色预测模型[J];铁道货运;2006年02期

8 郑全成;唐玉川;祝宏宾;高伟;;铁路货运量组合预测方法的研究[J];铁道货运;2006年07期

9 刘志杰;季令;叶玉玲;耿志民;;基于径向基神经网络的铁路货运量预测[J];铁道学报;2006年05期

10 朱昌锋;王庆荣;;基于联系度的铁路货运量集对分析聚类预测[J];甘肃科学学报;2006年04期

中国重要报纸全文数据库 前10条

1 李锐;1-5月 俄铁路货运量同比增加12.9%[N];远东经贸导报;2010年

2 王海生 苑洪波 杜庆君;唐港铁路货运量 创历史最高水平[N];唐山劳动日报;2011年

3 本报记者 孙春芳;6月铁路货运量同比、环比双降[N];21世纪经济报道;2014年

4 记者 王龙飞;我省铁路货运量持续增长[N];山西经济日报;2014年

5 证券时报记者 靳书阳;不必过分担忧 铁路货运量下滑[N];证券时报;2014年

6 记者 罗忠河;前8个月全国铁路货运量同比增长12.8%[N];中国冶金报;2010年

7 记者 李慧颖;1—10月大兴安岭[N];黑龙江经济报;2011年

8 记者 王龙飞;59232.3万吨:我省铁路货运量创历史新高[N];山西经济日报;2013年

9 林琳;铁路货运量缘何下降[N];现代物流报;2013年

10 国际期货 李莉;铁路货运量：大宗商品的“景气度”[N];中国证券报;2013年

中国硕士学位论文全文数据库 前10条

1 俞小凤;机器学习理论在铁路货运量预测中的应用研究[D];北京交通大学;2016年

2 张\，

本文编号：547826