基于数据预处理的铁路货运量SVM预测——以北京铁路局为例

发布时间：2023-12-09 19:48

　　铁路货运量是衡量铁路竞争力的关键性指标,对货运量及其发展趋势的准确预测与把握,可为铁路运输组织及各级运输管理方案的制定提供重要依据,为发展铁路货运提供可靠的数据支持。目前国内外关于铁路货运量预测的方法研究较为深入,各种模型的预测性能和适用条件各不相同,因此应根据待预测的对象来选择合理的预测方法,充分发挥各预测方法的优点,保证预测结果的可靠性。SVM(支持向量机)是基于统计学习理论的一种学习方法,具有较好的预测稳定性,可以解决非线性、小样本、高维度数据的回归问题,能够较好应用于铁路运量的预测。本文从两个方面做了研究工作:一方面,首先从定性的角度分析我国铁路货运概况,阐述铁路货运量的相关量化指标,分析在量化指标方面、货运品类方面、与国外相比较和与其他货运方式相比等方面的铁路货运特征,总结归纳了影响铁路货运的宏观经济、物流环境、铁路自身等影响因素及各因素之间的关联度,筛选出重要的影响因素。另一方面,引入SVM对铁路货运量进行定量预测,为提高传统SVM预测模型的预测精度,弱化铁路货运相关影响的因素,在传统SVM模型基础上对数据进行两种方式的预处理,建立了基于模糊信息粒化法和相空间重构法的铁路货...

【文章页数】：95 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 SVM运输预测国内外研究现状
        1.2.2 其他相关预测国内外研究现状
        1.2.3 国内外研究现状评述
    1.3 研究内容与研究方法
        1.3.1 研究内容
        1.3.2 研究方法
        1.3.3 技术路线图
第二章 铁路货运量预测相关理论
    2.1 铁路货运量预测的步骤
    2.2 铁路货运量预测方法
        2.2.1 SVM预测方法
        2.2.2 其他预测方法
        2.2.3 预测方法评述
    2.3 本章小结
第三章 铁路货运定性分析
    3.1 铁路货运量化指标
        3.1.1 铁路货运量化指标选取原则
        3.1.2 铁路货运量化指标选取
    3.2 我国铁路货运特征及影响因素
        3.2.1 我国铁路货运特征
        3.2.2 铁路货运量影响因素定性分析
        3.2.3 铁路货运量影响因素灰色关联分析
    3.3 本章小结
第四章 基于数据预处理的铁路货运量SVM预测模型
    4.1 铁路货运量SVM预测模型
    4.2 基于模糊信息粒化的铁路货运量SVM预测模型
        4.2.1 模糊信息粒化原理
        4.2.2 模糊信息粒化FIG-SVM预测模型
    4.3 基于相空间重构的铁路货运量SVM预测模型
        4.3.1 相空间重构原理
        4.3.2 相空间重构-SVM预测模型
    4.4 本章小结
第五章 北京铁路局货运量预测实例分析
    5.1 北京铁路局货运定性分析
        5.1.1 北京铁路局概况
        5.1.2 北京铁路局货运分析
    5.2 基于FIG-SVM的石家庄货运中心货运量预测
        5.2.1 数据准备及处理
        5.2.2 模型求解
    5.3 基于相空间重构-SVM的北京货运中心煤炭运量预测
        5.3.1 数据准备及处理
        5.3.2 模型求解
    5.4 基于数据预处理的SVM预测结果分析
        5.4.1 SVM预测结果分析
        5.4.2 不同预测方法对比
    5.5 本章小结
第六章 结论与展望
    6.1 结论
    6.2 不足与展望
参考文献
致谢
附录
个人简历、在学期间的研究成果及发表的学术论文



本文编号：3872041