本文關鍵詞：線性與非線性的組合模型在鐵路客運量預測中的應用研究

  更多相關文章： 組合模型 支持向量回歸 預測精度 BP神經網絡

【摘要】：鐵路旅客運輸量預測是鐵路運輸組織工作的重要基礎和主要依據(jù)之一,凡是鐵路公司在做出重大決策之前都要進行客運量預測工作,準確預測客運量是做出科學決策、編制可行的計劃、規(guī)劃或發(fā)展戰(zhàn)略的重要保障。許多研究表明,相比于單項預測模型,組合預測模型的預測性能更優(yōu),這是由于單一的模型不能完全反映出客運量的變化規(guī)律和信息,而組合預測模型恰好能很好的克服這一缺點。并且,以往學者的研究均是將單項預測模型的預測值進行組合,本文提出新的組合預測方法,那就是線性時間序列模型與非線性時間序列模型的組合預測模型。 本研究將建立三個線性預測模型：季節(jié)性指數(shù)平滑預測模型、季節(jié)性自回歸移動平均模型、灰色GM(1,1)模型,對2005年1月到2012年12月全國鐵路旅客月度運輸量進行擬合,并對2013年1月到2014年2月全國鐵路旅客月度運輸量作出預測。然后將三個線性模型與兩個非線性模型分別進行組合,得到六個組合預測模型,并運用組合模型對2013年1月到2014年2月全國鐵路旅客月度運輸量作出預測。最后運用定量統(tǒng)計指標均方誤差(MSE)、歸一化均方誤差(NMSE)、平均絕對百分比誤差(MAPE)、R值等對模型精度及性能進行評估對比單項預測模型與組合預測模型的性能,根據(jù)模型的數(shù)據(jù)分析,六個組合預測模型的預測精度均高于三個單項預測模型。 因此,本研究在實際驗證的基礎上得出,在鐵路旅客運輸量預測方面,線性預測模型與非線性預測模型的組合預測模型具有良好的預測性能。
【關鍵詞】：組合模型 支持向量回歸 預測精度 BP神經網絡
【學位授予單位】：西南交通大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：U293.13
【目錄】：

• 摘要6-7
• Abstract7-10
• 第1章 緒論10-17
• 1.1 研究背景及意義10-11
• 1.1.1 選題背景10-11
• 1.1.2 研究意義11
• 1.2 國內外研究現(xiàn)狀11-14
• 1.3 研究目標與研究內容14-15
• 1.3.1 研究目標14
• 1.3.2 研究內容14-15
• 1.4 擬采用的研究方法和技術路線15-17
• 1.4.1 研究方法15
• 1.4.2 研究路線15-17
• 第2章 現(xiàn)有單項預測模型概述17-34
• 2.1 指數(shù)平滑預測模型17-18
• 2.1.1 季節(jié)性指數(shù)平滑預測模型17-18
• 2.2 Box-Jenkins模型18-21
• 2.2.1 自回歸移動平均模型(ARIMA)19-20
• 2.2.2 季節(jié)性自回歸移動平均模型(SARIMA)20
• 2.2.3 季節(jié)性自回歸移動平均模型的建模步驟20-21
• 2.3 灰色系統(tǒng)預測模型21-25
• 2.3.1 GM(1,1)模型的建立22-23
• 2.3.2 GM(1,1)模型的精度檢驗23-25
• 2.4 反向傳播神經網絡模型(Back propagation algorithm)25-28
• 2.4.1 反向傳播神經網絡的建立26-28
• 2.5 支持向量機(Support Vector Machine,SVM)28-34
• 2.5.1 支持向量回歸(Support Vector Regression,SVR)29-32
• 2.5.2 拉格朗日乘數(shù)(Lagrange multipliers)32
• 2.5.3 核函數(shù)(Kernel Function)32-34
• 第3章 鐵路旅客運輸量組合預測模型34-39
• 3.1 組合預測的提出34-35
• 3.2 組合預測的基本原理35-36
• 3.3 新的組合方法的提出36-37
• 3.4 模型性能標準37-39
• 第4章 數(shù)據(jù)分析39-51
• 4.1 數(shù)據(jù)來源39-41
• 4.2 各模型預測結果41-48
• 4.2.1 季節(jié)性指數(shù)平滑預測模型41-42
• 4.2.2 季節(jié)性自回歸移動平均模型42-43
• 4.2.3 灰色系統(tǒng)GM(1,1)模型43-44
• 4.2.4 BP神經網絡預測模型44-46
• 4.2.5 支持向量回歸預測模型46-48
• 4.3 模型分析48-51
• 結論51-53
• 本文結論51-52
• 研究不足與展望52-53
• 致謝53-54
• 參考文獻54-59
• 附錄59-62
• 灰色系統(tǒng)GM(1,1)MATLAB代碼59-61
• BP神經網絡MATLAB代碼61-62
• 支持向量回歸基于Libsvm工具包的MATLAB網絡代碼62

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐紅敏;王海英;梁瑾;黃帥;;支持向量機回歸算法及其應用[J];北京石油化工學院學報;2010年01期

2 唐小我,曹長修;遞歸等權組合預測方法研究[J];電子科技大學學報;1992年05期

3 傅庚，唐小我，曾勇;廣義遞歸方差倒數(shù)組合預測方法研究[J];電子科技大學學報;1995年02期

4 張令剛;牛德寧;孟兆民;;基于預測有效度的組合模型在交通量預測中的應用[J];道路交通與安全;2010年01期

5 童明榮;薛恒新;林琳;;基于季節(jié)ARIMA模型的公路交通量預測[J];公路交通科技;2008年01期

6 侯麗敏;馬國峰;;基于灰色線性回歸組合模型鐵路客運量預測[J];計算機仿真;2011年07期

7 夏國恩;曾紹華;金煒東;;支持向量回歸機在鐵路客運量時間序列預測中的應用[J];計算機應用研究;2006年10期

8 黃召杰;陳偉;;組合預測方法在我國鐵路客流預測中的應用[J];交通科技與經濟;2011年04期

9 首招勇;楊媛媛;;時間序列問題的建模方法和過程[J];數(shù)學理論與應用;2012年01期

10 孫宏,史虹圣;航線運輸需求量預測模型研究[J];中國民航飛行學院學報;2004年05期

，

本文編號：1021158