發(fā)布時間：2021-01-21 20:43

　　隨著我國運輸網(wǎng)絡(luò)的不斷完善,貨運越來越頻繁。貨運量作為一個反映運輸生產(chǎn)成果的具體指標,可以體現(xiàn)運輸業(yè)為國民經(jīng)濟和社會發(fā)展服務(wù)的數(shù)量。它不僅關(guān)系到社會經(jīng)濟體系的正常運行,而且關(guān)系到國家的安全穩(wěn)定。因此,準確預(yù)測貨運量對運輸公司的日常運營和管理至關(guān)重要。由于受自然災(zāi)害、產(chǎn)業(yè)水平、政治事件等諸多因素的影響,突現(xiàn)性、高波動性、非平穩(wěn)性和非線性已成為貨運量的主要特性�，F(xiàn)有的復(fù)合貨運量預(yù)測研究成果已經(jīng)相當豐富,但還遠遠不夠完善。為了獲得較精確的貨運量預(yù)測,當前常用的方法是分解原始數(shù)據(jù)成為具有不同特征的模態(tài)分支。但是分解得到的模態(tài)仍然不穩(wěn)定。為了解決這一問題,二次分解集成方法被提出。在本文中,為了初步降低了預(yù)測難度,首先通過合適的分解方法分解原始貨運量數(shù)據(jù),得到了不同特征的模態(tài)。然后用樣本熵衡量每個模態(tài)的復(fù)雜性。接著按照復(fù)雜程度將這些模態(tài)劃分成不同的模態(tài)組。最復(fù)雜的模態(tài)組頻率高,復(fù)雜性大,對預(yù)測效果影響大。鑒于這種狀況,對最復(fù)雜的模態(tài)組進行二次深度分解。不但充分提取隱藏在高頻數(shù)據(jù)中的有效信息,而且進一步降低了數(shù)據(jù)的復(fù)雜性。此外,神經(jīng)網(wǎng)絡(luò)的輸入都是經(jīng)驗值,這樣會出現(xiàn)輸入個數(shù)過多或過少的情況。為了避免無... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線圖

蘭州交通大學(xué)工程碩士學(xué)位論文-9-(3)分解產(chǎn)生的子序列代表了不同的特征模式，如平穩(wěn)序列和非平穩(wěn)序列，用統(tǒng)一的預(yù)測方法不能針對性地處理。在這里，基于數(shù)據(jù)模式與預(yù)測模型的匹配，不同屬性的分支用相對應(yīng)的方法去預(yù)測。這種創(chuàng)造性的體系結(jié)構(gòu)強調(diào)了預(yù)測方法本身的適應(yīng)性，從而提高了預(yù)測能力。圖1.2論文框架結(jié)構(gòu)

基于二次分解集成模型的港口和航空貨運量預(yù)測研究-10-2二次分解集成方法在本章中，主要簡單介紹本文所用的基礎(chǔ)方法，包括四個經(jīng)典的分解方法（小波包分解，經(jīng)驗?zāi)B(tài)分解，重組經(jīng)驗?zāi)B(tài)分解，完全重組經(jīng)驗?zāi)B(tài)分解和變分模態(tài)分解），樣本熵，極限學(xué)習(xí)機，Elman神將網(wǎng)絡(luò)，灰色關(guān)聯(lián)分析，特征選擇和二次分解的貨運量預(yù)測框架。2.1分解方法本小節(jié)主要介紹4種經(jīng)典的分解方法，即：小波包分解、經(jīng)驗?zāi)B(tài)分解、完全重組經(jīng)驗?zāi)B(tài)分解和變分模態(tài)分解。2.1.1小波包分解小波包分解(WPD)是將時間序列處理成更穩(wěn)定的技術(shù)之一。和小波分解方法相比，小波包提供了更詳盡的分解。小波包分解是由滿足特定的基本小波函數(shù)系構(gòu)成的。這些基本小波函數(shù)系可以逼近一個信號[31]。它們的時間軸和頻率軸的乘積非常小，所以看上去分布很集中。在低頻時分辨率比較低，在高頻時分辨率很高。對于一個已知的時間序列，小波包分解通過一組高低頻正交濾波器組H、L分解，這個具體的劃分過程展示在圖2.1。圖2.1小波包分解和小波分解的拓撲圖

【參考文獻】：
期刊論文
[1]貨物運輸發(fā)送量預(yù)測方法探討[J]. 楊文華.  中國鐵路. 2003(04)

碩士論文
[1]高鐵貨運班列貨類選擇及貨運量預(yù)測研究[D]. 欒廷玉.北京交通大學(xué) 2018
[2]鐵路快運貨物班列開行方案的優(yōu)化研究[D]. 李茹.石家莊鐵道大學(xué) 2018
[3]基于混合模型EWT-PSO-SA-SVR的港口吞吐量區(qū)間預(yù)測[D]. 徐曉梅.蘭州大學(xué) 2018
[4]基于混合模型SSA-ICEEMD-CS-LSSVR的港口集裝箱吞吐量預(yù)測[D]. 李藝.蘭州大學(xué) 2018
[5]基于大型貨物集散點的城市貨運交通預(yù)測研究[D]. 張振豪.重慶交通大學(xué) 2017
[6]機器學(xué)習(xí)理論在鐵路貨運量預(yù)測中的應(yīng)用研究[D]. 俞小鳳.北京交通大學(xué) 2016
[7]貴州省貨運量預(yù)測研究[D]. 王琳琳.貴州財經(jīng)大學(xué) 2016
[8]基于小波神經(jīng)網(wǎng)絡(luò)的邯鄲市貨運量預(yù)測及應(yīng)用[D]. 李如月.河北工程大學(xué) 2013
[9]基于運量預(yù)測與效益分析的青島港集裝箱海鐵聯(lián)運研究[D]. 陳經(jīng)海.中國海洋大學(xué) 2013
[10]基于RBF和ARIMA模型下貨運量預(yù)測算法與軟件實現(xiàn)[D]. 解樹國.湖南大學(xué) 2012



本文編號：2991859