基于二次分解集成模型的港口和航空货运量预测研究

发布时间：2021-01-21 20:43

　　随着我国运输网络的不断完善,货运越来越频繁。货运量作为一个反映运输生产成果的具体指标,可以体现运输业为国民经济和社会发展服务的数量。它不仅关系到社会经济体系的正常运行,而且关系到国家的安全稳定。因此,准确预测货运量对运输公司的日常运营和管理至关重要。由于受自然灾害、产业水平、政治事件等诸多因素的影响,突现性、高波动性、非平稳性和非线性已成为货运量的主要特性。现有的复合货运量预测研究成果已经相当丰富,但还远远不够完善。为了获得较精确的货运量预测,当前常用的方法是分解原始数据成为具有不同特征的模态分支。但是分解得到的模态仍然不稳定。为了解决这一问题,二次分解集成方法被提出。在本文中,为了初步降低了预测难度,首先通过合适的分解方法分解原始货运量数据,得到了不同特征的模态。然后用样本熵衡量每个模态的复杂性。接着按照复杂程度将这些模态划分成不同的模态组。最复杂的模态组频率高,复杂性大,对预测效果影响大。鉴于这种状况,对最复杂的模态组进行二次深度分解。不但充分提取隐藏在高频数据中的有效信息,而且进一步降低了数据的复杂性。此外,神经网络的输入都是经验值,这样会出现输入个数过多或过少的情况。为了避免无... 

【文章来源】：兰州交通大学甘肃省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

技术路线图

兰州交通大学工程硕士学位论文-9-(3)分解产生的子序列代表了不同的特征模式，如平稳序列和非平稳序列，用统一的预测方法不能针对性地处理。在这里，基于数据模式与预测模型的匹配，不同属性的分支用相对应的方法去预测。这种创造性的体系结构强调了预测方法本身的适应性，从而提高了预测能力。图1.2论文框架结构

基于二次分解集成模型的港口和航空货运量预测研究-10-2二次分解集成方法在本章中，主要简单介绍本文所用的基础方法，包括四个经典的分解方法（小波包分解，经验模态分解，重组经验模态分解，完全重组经验模态分解和变分模态分解），样本熵，极限学习机，Elman神将网络，灰色关联分析，特征选择和二次分解的货运量预测框架。2.1分解方法本小节主要介绍4种经典的分解方法，即：小波包分解、经验模态分解、完全重组经验模态分解和变分模态分解。2.1.1小波包分解小波包分解(WPD)是将时间序列处理成更稳定的技术之一。和小波分解方法相比，小波包提供了更详尽的分解。小波包分解是由满足特定的基本小波函数系构成的。这些基本小波函数系可以逼近一个信号[31]。它们的时间轴和频率轴的乘积非常小，所以看上去分布很集中。在低频时分辨率比较低，在高频时分辨率很高。对于一个已知的时间序列，小波包分解通过一组高低频正交滤波器组H、L分解，这个具体的划分过程展示在图2.1。图2.1小波包分解和小波分解的拓扑图

【参考文献】：
期刊论文
[1]货物运输发送量预测方法探讨[J]. 杨文华.  中国铁路. 2003(04)

硕士论文
[1]高铁货运班列货类选择及货运量预测研究[D]. 栾廷玉.北京交通大学 2018
[2]铁路快运货物班列开行方案的优化研究[D]. 李茹.石家庄铁道大学 2018
[3]基于混合模型EWT-PSO-SA-SVR的港口吞吐量区间预测[D]. 徐晓梅.兰州大学 2018
[4]基于混合模型SSA-ICEEMD-CS-LSSVR的港口集装箱吞吐量预测[D]. 李艺.兰州大学 2018
[5]基于大型货物集散点的城市货运交通预测研究[D]. 张振豪.重庆交通大学 2017
[6]机器学习理论在铁路货运量预测中的应用研究[D]. 俞小凤.北京交通大学 2016
[7]贵州省货运量预测研究[D]. 王琳琳.贵州财经大学 2016
[8]基于小波神经网络的邯郸市货运量预测及应用[D]. 李如月.河北工程大学 2013
[9]基于运量预测与效益分析的青岛港集装箱海铁联运研究[D]. 陈经海.中国海洋大学 2013
[10]基于RBF和ARIMA模型下货运量预测算法与软件实现[D]. 解树国.湖南大学 2012



本文编号：2991859