组合模型在铁路客流量预测中的应用研究
发布时间：2021-10-18 21:25
铁路客运的发展与国家经济、人民生活都紧密相关,铁路部门需要保持在市场中的竞争力,获得最大效益,这就促使铁路管理部门要对日常铁路客流量趋势、冷热门线路布局、淡旺季变化指数等充分了解和掌握。而其中客流的预测和分析对客运系统的规划管理以及资源调配有着极其重要的意义。铁路客流量受到多种复杂因素的影响,如遇到节假日客流量剧增,就可能导致运输能力不能满足旅客的乘车需求,导致旅客滞留站点,给站点带来巨大压力。而在非节假日期间,有些较为冷门的地区线路就会出现乘客过少、上座率不足的现象,这样对铁路系统的资源造成严重的浪费。所以对于预测铁路客流量的研究格外必要,它对于提升旅客运输效率、合理分配铁路车辆资源、制定合理的票价等都有着非常重要的指导意义。铁路客流量的研究属于时间序列的范畴,在本文中讨论了具有很强线性建模能力的自回归移动平均模型（ARMA）、差分自回归移动平均模型（ARIMA）等,还有长短期记忆网络（LSTM）这种有着良好非线性建模预测能力的模型。通过对两类模型的研究分析,它们各自对时间序列做预测时都有不错的表现,但是由于本文所研究的铁路客流量数据具有多种线性和非线性特征,ARIMA模型遇到变化剧...
【文章来源】：兰州交通大学甘肃省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
技术路线
组合模型在铁路客流量预测中的应用研究-14-(1)差分自回归移动平均模型接下来是对时间序列进行建模，建模流程如图2.1所示：图2.1建模流程图（一）对时间序列进行平稳性检验。常用的有两种检验方法，一种是通过时序图和自相关图的特征，根据经验来主观的做出判断，这种方法操作比较简单，应用也很广泛；另一种就是单位根检验，它是看时间序列中是否存在单位根，如果存在单位根就是非平稳时间序列。（二）如果一个序列是白噪声序列，那它的序列数据之间通常是没有任何关系的，在实际中白噪声序列的自相关系数会接近于零，在零附件随机波动。检验方法常用的是构造检验统计量来检验序列是否为白噪声序列，用样本各延迟期数的自相关系数来计算得到检验统计量，从而计算出对应的p值，如果p值显著大于显著性水平α，则表示该序列不能拒绝纯随机性的原假设，那么它是白噪声序列，就可以停止对该序列的分析了。（三）模型识别。差分运算在确定性信息的提取方面是非常有效的，经过处理后的非平稳序列就称为差分平稳序列。然后计算差分平稳时间序列的自相关系数(ACF)和偏
ARIMA(5,1,5)在2016年1月的预测结果
【参考文献】：
期刊论文
[1]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[2]基于深度学习长短期记忆网络结构的地铁站短时客流量预测[J]. 李梅,李静,魏子健,王思达,陈赖谨. 城市轨道交通研究. 2018(11)
[3]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[4]基于ARIMA与Holt-Winters组合模型的电离层TEC预报[J]. 田祥雨,刘立龙,陈军,杨可可. 测绘科学技术学报. 2018(01)
[5]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[6]组合模型对恶性肿瘤死亡率拟合度评价及预测方法的研究[J]. 曲红梅,白亚娜,魁发瑞,胡晓斌,裴鸿波,任晓卫,申希平. 中华流行病学杂志. 2017 (01)
[7]基于BP神经网络的轨道交通客流量预测[J]. 常利,左忠义,韩冰. 大连交通大学学报. 2014(S1)
[8]基于Lasso及Adaptive Lasso的AR（p）模型定阶及参数估计[J]. 谢仪,高雪,景英川. 浙江工业大学学报. 2014(04)
[9]基于时间序列预测的电子商务库存优化策略[J]. 罗晓萌,李建斌,胡鹏. 系统工程. 2014(06)
[10]基于Box-Jenkins方法的青南高原降水量时间序列分析建模与预测[J]. 王晓鹏,曹广超,丁生喜. 数理统计与管理. 2008(04)
博士论文
[1]基于机器学习的时间序列预测方法研究与应用[D]. 陈艳华.兰州大学 2017
硕士论文
[1]基于时间序列的经典模型和LSTM模型的城市宏观行程速度预测研究[D]. 刘昶.北京交通大学 2019
[2]基于组合模型的股市趋势预测方法研究[D]. 张璐.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[3]时间序列分析的研究与应用[D]. 董亮亮.天津科技大学 2018
[4]短时交通流预测与线路推荐研究[D]. 吕磊.山东大学 2016
[5]基于递归神经网络的生物医学命名实体识别[D]. 金留可.大连理工大学 2016
[6]高速铁路动车组列车客座率预测及盈亏分析[D]. 徐广岩.北京交通大学 2016
[7]基于灰色神经网络的铁路客运量预测方法研究[D]. 鲜敏.西南交通大学 2016
[8]基于Hadoop云平台下的客流量预测研究[D]. 孟鑫.长安大学 2015
[9]基于ARIMA-LSSVM混合模型的股指预测研究[D]. 袁磊.哈尔滨工业大学 2015
[10]结合小波分析的非平稳时间序列预测方法研究[D]. 齐越.燕山大学 2014
本文编号：3443520
【文章来源】：兰州交通大学甘肃省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
技术路线
组合模型在铁路客流量预测中的应用研究-14-(1)差分自回归移动平均模型接下来是对时间序列进行建模，建模流程如图2.1所示：图2.1建模流程图（一）对时间序列进行平稳性检验。常用的有两种检验方法，一种是通过时序图和自相关图的特征，根据经验来主观的做出判断，这种方法操作比较简单，应用也很广泛；另一种就是单位根检验，它是看时间序列中是否存在单位根，如果存在单位根就是非平稳时间序列。（二）如果一个序列是白噪声序列，那它的序列数据之间通常是没有任何关系的，在实际中白噪声序列的自相关系数会接近于零，在零附件随机波动。检验方法常用的是构造检验统计量来检验序列是否为白噪声序列，用样本各延迟期数的自相关系数来计算得到检验统计量，从而计算出对应的p值，如果p值显著大于显著性水平α，则表示该序列不能拒绝纯随机性的原假设，那么它是白噪声序列，就可以停止对该序列的分析了。（三）模型识别。差分运算在确定性信息的提取方面是非常有效的，经过处理后的非平稳序列就称为差分平稳序列。然后计算差分平稳时间序列的自相关系数(ACF)和偏
ARIMA(5,1,5)在2016年1月的预测结果
【参考文献】：
期刊论文
[1]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[2]基于深度学习长短期记忆网络结构的地铁站短时客流量预测[J]. 李梅,李静,魏子健,王思达,陈赖谨. 城市轨道交通研究. 2018(11)
[3]SDAE-LSTM模型在金融时间序列预测中的应用[J]. 黄婷婷,余磊. 计算机工程与应用. 2019(01)
[4]基于ARIMA与Holt-Winters组合模型的电离层TEC预报[J]. 田祥雨,刘立龙,陈军,杨可可. 测绘科学技术学报. 2018(01)
[5]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[6]组合模型对恶性肿瘤死亡率拟合度评价及预测方法的研究[J]. 曲红梅,白亚娜,魁发瑞,胡晓斌,裴鸿波,任晓卫,申希平. 中华流行病学杂志. 2017 (01)
[7]基于BP神经网络的轨道交通客流量预测[J]. 常利,左忠义,韩冰. 大连交通大学学报. 2014(S1)
[8]基于Lasso及Adaptive Lasso的AR（p）模型定阶及参数估计[J]. 谢仪,高雪,景英川. 浙江工业大学学报. 2014(04)
[9]基于时间序列预测的电子商务库存优化策略[J]. 罗晓萌,李建斌,胡鹏. 系统工程. 2014(06)
[10]基于Box-Jenkins方法的青南高原降水量时间序列分析建模与预测[J]. 王晓鹏,曹广超,丁生喜. 数理统计与管理. 2008(04)
博士论文
[1]基于机器学习的时间序列预测方法研究与应用[D]. 陈艳华.兰州大学 2017
硕士论文
[1]基于时间序列的经典模型和LSTM模型的城市宏观行程速度预测研究[D]. 刘昶.北京交通大学 2019
[2]基于组合模型的股市趋势预测方法研究[D]. 张璐.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[3]时间序列分析的研究与应用[D]. 董亮亮.天津科技大学 2018
[4]短时交通流预测与线路推荐研究[D]. 吕磊.山东大学 2016
[5]基于递归神经网络的生物医学命名实体识别[D]. 金留可.大连理工大学 2016
[6]高速铁路动车组列车客座率预测及盈亏分析[D]. 徐广岩.北京交通大学 2016
[7]基于灰色神经网络的铁路客运量预测方法研究[D]. 鲜敏.西南交通大学 2016
[8]基于Hadoop云平台下的客流量预测研究[D]. 孟鑫.长安大学 2015
[9]基于ARIMA-LSSVM混合模型的股指预测研究[D]. 袁磊.哈尔滨工业大学 2015
[10]结合小波分析的非平稳时间序列预测方法研究[D]. 齐越.燕山大学 2014
本文编号：3443520
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3443520.html
