基于数据特征的铁路客流量混合预测模型研究
发布时间：2021-04-10 19:59
铁路运输作为远距离运输市场的主体之一,在提高人流物流运输速度和推动国家经济发展中起着极为重要的作用。铁路乘客流量是对整个铁路客运需求水平和波动情况进行刻画和描述的重要形式。预测分析铁路乘客流量,从乘客个人来讲,有助于乘客合理安排出行计划和购票时间,避免因时间安排不当,影响出行。从铁路客运部门来讲,为铁路部门的投资结构、经营管理和列车调度决策提供依据,从而合理安排车次、车厢数量,避免出现资源的浪费和乘客一票难求等局面,从国家层面讲,对国家的经济发展格局和资源配置有重要作用。因此,在国家交通事业大发展的背景下,由于铁路客流量预测的巨大经济效益和社会价值,很多科研工作者和研究人员越来越重视对铁路客流量的预测。在铁路客运量预测分析中,时间序列模型在铁路客运量预测中已经被广泛采用,也是目前主流的预测方法。然而,现有的铁路客流量时间序列预测方法往往是基于单一模型或者单一模型的简单扩展,虽然有采用两种模型的复合,也是简单的混合,没有考虑数据的特征而产生“模型设计偏差”。在铁路客流量预测过程中不能抓取客流数据的各种特征,导致预测结果不够准确,因此为了满足铁路客流预测准确性的需求,充分抓取铁路客流数据特...
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
我国铁路网示意图
广西师范大学硕士研究生学位论文算法。BP 神经网络目前已经在很多领域得到了广泛应用。起初的神经网络算法和模型不能很好的处理非线性问题，在解决问题时较为复杂的非线性关系，而原来的模型只能解决线性可分问题．在遇到更加的非线性问题时，就不能解决了，这在很大程度上限制了它的应用。BP 神络在输入输出层中间加入隐含层，采用了多层的前馈网络方式构成多层前馈器网络，这样增强了网络的分类能力和识别能力。从而可以用于解决非线性和问题。BP 神经网络解决了简单感知器不能解决的异或(Exclusive OR，XOR)问它具有优良的多维函数映射能力和任意复杂的模式分类能力。从 BP 神经网成结构上看，它包含了输入层、隐藏层和输出层这三个层次结构；从 BP 神络本质特征看，它在网络误差平方的理论基础上构建目标函数，运用梯度下得到目标函数最小值。如图 2.1 为 BP 神经网络示意图，由输入层、隐藏层出层组成[35]。
果输出数据和预期输出数据误差较大，就要进行误差反向将输出数据的误差通过隐含层逐层反传到达输入层，在这到各层的所有单元，在各层获得误差信号来调整各单元的反传。从调节训练输入节点与隐层节点的联接强度，到调节点的联接强度以及阈值的过程中，可以得到误差沿梯度反复学习训练，从而来得到误差最小相对应的权值和阈值网络对类似样本的进行信息输入，此神经网络就可以处理信息。反向传播算法迷人的特征，即可以在网络内部的隐藏层中只需提供网络输入和输出数据，在定义任何隐藏单元表示值，这些隐藏单元表示在使误差 E 达到最小时最有效。点在引导反向传播算法作用下定义和产生新特征，在输，但可以获得输入数据和学习目标函数最为关键的相关特训练神经元的算法流程图见图 2.2：开始
【参考文献】：
期刊论文
[1]基于小波变换的组合预测模型在南京市GDP预测中的应用[J]. 张敏,党耀国. 数学的实践与认识. 2018(07)
[2]基于ARIMA乘积季节模型和Holt-Winters季节模型的梅毒月发病率预测[J]. 马晓梅,史鲁斌,其木格,闫国立,施学忠,孙春阳,徐学琴,赵倩倩. 郑州大学学报(医学版). 2018(01)
[3]基于ARIMA模型的虚拟资源动态调度方法[J]. 杨冬菊,邓崇彬. 计算机科学. 2017(10)
[4]滇中城市群城际铁路网客流预测[J]. 王贵平. 铁道标准设计. 2017(07)
[5]复杂季节时间序列模型研究[J]. 马佳羽,韩兆洲. 统计与决策. 2017(06)
[6]基于时序分解的飞机平均故障间隔飞行时间组合预测[J]. 韩西龙,李青,刘锋. 计算机应用. 2016(S2)
[7]基于大数据技术的铁路客流预测系统架构研究[J]. 张军锋,贾新茹,李永,张利明. 铁路计算机应用. 2016(09)
[8]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[9]高速铁路影响下铁路客流量预测研究[J]. 王炜炜. 铁道运输与经济. 2016(04)
[10]铁路客流总量预测方法研究[J]. 吕晓艳,刘彦麟,颜颖,王炜炜. 铁路计算机应用. 2016(02)
本文编号：3130250
【文章来源】：广西师范大学广西壮族自治区
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
我国铁路网示意图
广西师范大学硕士研究生学位论文算法。BP 神经网络目前已经在很多领域得到了广泛应用。起初的神经网络算法和模型不能很好的处理非线性问题，在解决问题时较为复杂的非线性关系，而原来的模型只能解决线性可分问题．在遇到更加的非线性问题时，就不能解决了，这在很大程度上限制了它的应用。BP 神络在输入输出层中间加入隐含层，采用了多层的前馈网络方式构成多层前馈器网络，这样增强了网络的分类能力和识别能力。从而可以用于解决非线性和问题。BP 神经网络解决了简单感知器不能解决的异或(Exclusive OR，XOR)问它具有优良的多维函数映射能力和任意复杂的模式分类能力。从 BP 神经网成结构上看，它包含了输入层、隐藏层和输出层这三个层次结构；从 BP 神络本质特征看，它在网络误差平方的理论基础上构建目标函数，运用梯度下得到目标函数最小值。如图 2.1 为 BP 神经网络示意图，由输入层、隐藏层出层组成[35]。
果输出数据和预期输出数据误差较大，就要进行误差反向将输出数据的误差通过隐含层逐层反传到达输入层，在这到各层的所有单元，在各层获得误差信号来调整各单元的反传。从调节训练输入节点与隐层节点的联接强度，到调节点的联接强度以及阈值的过程中，可以得到误差沿梯度反复学习训练，从而来得到误差最小相对应的权值和阈值网络对类似样本的进行信息输入，此神经网络就可以处理信息。反向传播算法迷人的特征，即可以在网络内部的隐藏层中只需提供网络输入和输出数据，在定义任何隐藏单元表示值，这些隐藏单元表示在使误差 E 达到最小时最有效。点在引导反向传播算法作用下定义和产生新特征，在输，但可以获得输入数据和学习目标函数最为关键的相关特训练神经元的算法流程图见图 2.2：开始
【参考文献】：
期刊论文
[1]基于小波变换的组合预测模型在南京市GDP预测中的应用[J]. 张敏,党耀国. 数学的实践与认识. 2018(07)
[2]基于ARIMA乘积季节模型和Holt-Winters季节模型的梅毒月发病率预测[J]. 马晓梅,史鲁斌,其木格,闫国立,施学忠,孙春阳,徐学琴,赵倩倩. 郑州大学学报(医学版). 2018(01)
[3]基于ARIMA模型的虚拟资源动态调度方法[J]. 杨冬菊,邓崇彬. 计算机科学. 2017(10)
[4]滇中城市群城际铁路网客流预测[J]. 王贵平. 铁道标准设计. 2017(07)
[5]复杂季节时间序列模型研究[J]. 马佳羽,韩兆洲. 统计与决策. 2017(06)
[6]基于时序分解的飞机平均故障间隔飞行时间组合预测[J]. 韩西龙,李青,刘锋. 计算机应用. 2016(S2)
[7]基于大数据技术的铁路客流预测系统架构研究[J]. 张军锋,贾新茹,李永,张利明. 铁路计算机应用. 2016(09)
[8]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[9]高速铁路影响下铁路客流量预测研究[J]. 王炜炜. 铁道运输与经济. 2016(04)
[10]铁路客流总量预测方法研究[J]. 吕晓艳,刘彦麟,颜颖,王炜炜. 铁路计算机应用. 2016(02)
本文编号：3130250
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3130250.html
