隨著我國(guó)鐵路網(wǎng)路的不斷建設(shè)、投資,人們生活水平的提高和經(jīng)濟(jì)增長(zhǎng),鐵路客運(yùn)量也日漸增加。如何科學(xué)合理的預(yù)測(cè)客運(yùn)量,以幫助有效的控制客運(yùn)量、保證鐵路運(yùn)行暢通,具有重要意義。本文就是探索如何更好的使用數(shù)據(jù)挖掘的相關(guān)技術(shù)對(duì)鐵路普通線路客運(yùn)量進(jìn)行預(yù)測(cè)。 本文的研究方法包括文獻(xiàn)研究、實(shí)證研究、定性、定量分析等。本文首先分析了我國(guó)鐵路運(yùn)輸發(fā)展現(xiàn)狀,指出了鐵路市場(chǎng)預(yù)測(cè)客運(yùn)量的意義和必要性。接著對(duì)國(guó)內(nèi)外現(xiàn)今流行的鐵路客運(yùn)量預(yù)測(cè)方法按照預(yù)測(cè)的性質(zhì)、手段以及角度幾個(gè)思路進(jìn)行了系統(tǒng)的梳理,并給出了各自的適用領(lǐng)域和優(yōu)劣勢(shì)分析。本文分析探討了數(shù)據(jù)挖掘技術(shù)的相關(guān)理論,最后選用了四種典型數(shù)據(jù)挖掘方法進(jìn)行了實(shí)證分析。 本文對(duì)目前國(guó)內(nèi)外研究鐵路客運(yùn)量預(yù)測(cè)的數(shù)據(jù)挖掘技術(shù)進(jìn)行了歸類。在應(yīng)用中使用了四種數(shù)據(jù)挖掘方法：回歸模型(多元線性回歸)、時(shí)間序列模型(ARIMA)、神經(jīng)網(wǎng)絡(luò)模型(GRNN)、最小二乘支持向量機(jī)(回歸向量機(jī)SVR模型),并在前人的研究基礎(chǔ)上做出了改進(jìn)。論文解釋了選擇這四種方法的原因,說(shuō)明了各自的優(yōu)勢(shì)和適用條件。這四個(gè)模型均收到了良好的預(yù)測(cè)效果,獲得較滿意的預(yù)測(cè)精度,但在有些方面仍然存在不盡如人意的地方,本文最...

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
中文摘要
ABSTRACT
1 緒論
    1.1 選題背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究思路及方法
2 鐵路客運(yùn)量預(yù)測(cè)相關(guān)理論
    2.1 客運(yùn)量預(yù)測(cè)的概念
    2.2 影響鐵路客運(yùn)量的因素
    2.3 預(yù)測(cè)方法分類
        2.3.1 按預(yù)測(cè)性質(zhì)分類
        2.3.2 按預(yù)測(cè)角度分類
        2.3.3 預(yù)測(cè)方法的選用
3 數(shù)據(jù)挖掘技術(shù)相關(guān)理論分析
    3.1 數(shù)據(jù)挖掘的相關(guān)概念
    3.2 數(shù)據(jù)挖掘的功能特點(diǎn)
    3.3 數(shù)據(jù)挖掘的主要方法
        3.3.1 DM技術(shù)分類
        3.3.2 DM基本步驟
4 應(yīng)用于鐵路客運(yùn)量預(yù)測(cè)的關(guān)鍵DM技術(shù)
    4.1 回歸分析預(yù)測(cè)法
    4.2 時(shí)間序列預(yù)測(cè)法
    4.3 神經(jīng)網(wǎng)絡(luò)模型
    4.4 支持向量機(jī)技術(shù)
5 鐵路客運(yùn)量預(yù)測(cè)的實(shí)證研究
    5.1 線性回歸-多元回歸模型
        5.1.1 模型原理介紹
        5.1.2 建模應(yīng)用分析
    5.2 時(shí)間序列分析-乘積ARIMA模型
        5.2.1 模型原理介紹
        5.2.2 建模應(yīng)用分析
    5.3 神經(jīng)網(wǎng)絡(luò)-GRNN模型
        5.3.1 模型原理介紹
        5.3.2 建模應(yīng)用分析
    5.4 最小二乘支持向量機(jī)-回歸向量機(jī)SVR模型
        5.4.1 模型原理介紹
        5.4.2 建模應(yīng)用分析
    5.5 模型對(duì)比分析
6 結(jié)論
    6.1 本論文的主要工作
    6.2 論文不足與未來(lái)展望
參考文獻(xiàn)
作者簡(jiǎn)歷
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3854191