本文關(guān)鍵詞： 鐵路客運量 變權(quán)重 灰色理論 廣義回歸神經(jīng)網(wǎng)絡(luò) 組合預測　出處：《計算機工程與應用》2017年04期 　論文類型：期刊論文

【摘要】：科學、準確的鐵路客運量短期預測是提高鐵路客運系統(tǒng)競爭力與服務(wù)水平的關(guān)鍵。針對鐵路短期客運量的特點,提出了一種基于灰色理論的變權(quán)重組合預測模型。為了獲取不同模型在不同時刻的權(quán)重系數(shù),采用廣義回歸神經(jīng)網(wǎng)絡(luò)對動態(tài)權(quán)重進行跟蹤和預測。以2014年1~12月份的鐵路客運量為研究對象,分別建立均值GM(1,1)模型、離散GM(1,1)模型、灰色Verhulst模型以及變權(quán)重組合預測模型。實例分析的結(jié)果表明,三個單一模型的平均相對誤差分別為17.14%、16.99%和12.94%,而變權(quán)重組合模型為7.01%,變權(quán)重組合預測模型的預測精度明顯高于單一模型。
[Abstract]:Scientific and accurate short-term prediction of railway passenger volume is the key to improve the competitiveness and service level of railway passenger transport system. In order to obtain the weight coefficients of different models at different times, a combined forecasting model with variable weights based on grey theory is proposed. The generalized regression neural network is used to track and predict the dynamic weight. Taking the railway passenger volume in 2014 and December as the research object, the model of mean value GM-1 / 1) is established to discretize GM(1. 1) Model, grey Verhulst model and variable weight combination prediction model. The results of case analysis show that the average relative error of the three single models is 17.14% respectively. 16.99% and 12.94, while the variable weight combination model is 7.01. The prediction accuracy of the variable weight combination forecasting model is obviously higher than that of the single model.
【作者單位】： 西南交通大學交通運輸與物流學院;
【分類號】：U293.13;TP183
【正文快照】： 1引言隨著政企分開以及中國鐵路總公司的成立,鐵路系統(tǒng)已經(jīng)迎來改革發(fā)展“新常態(tài)”�？瓦\改革作為鐵路改革的重頭戲,重點就是要加強對于短期內(nèi)市場變化的應對能力,及時獲取相關(guān)客運需求信息,實時調(diào)整客運服務(wù)結(jié)構(gòu),而這就要求我們提高對于短期鐵路客運量的預測精度。短期客運量

【相似文獻】

相關(guān)期刊論文 前10條

1 文軍;蔣由輝;方文清;;航空貨運量的優(yōu)化組合預測模型[J];計算機工程與應用;2010年15期

2 黃元生;黎特;皮薇;;非平均權(quán)重條件下電力負荷組合預測模型研究[J];山東電力高等�？茖W校學報;2013年03期

3 丁岳維;組合預測模型的研究[J];西安公路交通大學學報;1997年04期

4 朱章;對組合預測模型預測精度的分析[J];黃石高等�？茖W校學報;1997年01期

5 邢棉;能源發(fā)展趨勢的非線性優(yōu)化組合預測模型研究[J];華北電力大學學報;2002年03期

6 陳華友,趙佳寶,劉春林;基于灰色關(guān)聯(lián)度的組合預測模型的性質(zhì)[J];東南大學學報(自然科學版);2004年01期

7 李眉眉;丁晶;衡彤;覃光華;;電力月負荷的混沌趨勢組合模型預測[J];四川電力技術(shù);2006年03期

8 張欣;;組合預測模型在上海內(nèi)河港口吞吐量預測中的應用[J];水運工程;2007年04期

9 王斌;張金隆;;航線流量組合預測模型研究[J];武漢理工大學學報(信息與管理工程版);2008年03期

10 趙海青,楊秀岐;灰色加法組合預測模型及其應用[J];保定師范專科學校學報;2002年04期

相關(guān)會議論文 前10條

1 謝如賢;成盛超;程仕軍;陳思華;;變結(jié)構(gòu)組合預測模型的建立與應用[A];全國青年管理科學與系統(tǒng)科學論文集（第2卷）[C];1993年

2 董景榮;;基于遺傳輔助設(shè)計的匯率組合預測模型研究[A];面向復雜系統(tǒng)的管理理論與信息系統(tǒng)技術(shù)學術(shù)會議專輯[C];2000年

3 馬永開;唐小我;;組合預測模型研究[A];管理科學與系統(tǒng)科學進展——全國青年管理科學與系統(tǒng)科學論文集（第4卷）[C];1997年

4 成樞;劉國林;高放;;最優(yōu)組合預測模型及其在變形預測中的應用[A];《測繪通報》測繪科學前沿技術(shù)論壇摘要集[C];2008年

5 何迎東;吳婉瑩;郭u&;陳華友;;基于離消度的組合預測模型及其應用[A];第十屆中國不確定系統(tǒng)年會、第十四屆中國青年信息與管理學者大會論文集[C];2012年

6 陳華友;程蕾;張倩;;基于相關(guān)系數(shù)的IOWA算子最優(yōu)組合預測模型[A];第四屆中國不確定系統(tǒng)年會論文集[C];2006年

7 陳華友;;IOWA算子的組合預測模型及在所得稅預測中的應用[A];第三屆不確定系統(tǒng)年會論文集[C];2005年

8 謝正文;孔凡玉;胡毅夫;;基于熵權(quán)的沉降組合預測模型及應用[A];第一屆中國水利水電巖土力學與工程學術(shù)討論會論文集（下冊）[C];2006年

9 王永光;趙國浩;;變權(quán)組合預測模型在中國煤炭需求預測中的應用[A];2007中國可持續(xù)發(fā)展論壇暨中國可持續(xù)發(fā)展學術(shù)年會論文集（4）[C];2007年

10 王尚俊;吳剛;陳華友;周禮剛;;基于廣義10WA算子的組合預測模型及在卷煙消費需求中應用[A];第十一屆中國不確定系統(tǒng)年會、第十五屆中國青年信息與管理學者大會論文集[C];2013年

相關(guān)博士學位論文 前4條

1 趙川;重載交通對高速公路橋梁的疲勞影響研究[D];河北工業(yè)大學;2015年

2 向昌盛;基于支持向量機的時間序列組合預測模型[D];湖南農(nóng)業(yè)大學;2011年

3 萬玉成;基于未確知性的預測與決策方法及其應用研究[D];東南大學;2004年

4 南曉強;風電預測技術(shù)及其運行分析[D];西南交通大學;2013年

相關(guān)碩士學位論文 前10條

1 宋鶴;基于WEB的風電場可視化監(jiān)測技術(shù)研究[D];沈陽理工大學;2015年

2 高興良;基于逐步回歸分析的組合神經(jīng)網(wǎng)絡(luò)股指預測研究[D];哈爾濱工業(yè)大學;2015年

3 Phanthavong Tulaxay;基于小波-BP神經(jīng)網(wǎng)絡(luò)的貝葉斯概率組合預測模型及其在預報調(diào)度中的應用[D];華北電力大學;2015年

4 徐曉波;電動汽車充/換電站短期負荷預測方法研究[D];華北電力大學;2015年

5 蔣星;基于趨勢點模型的超短期風電功率預測研究[D];廣西大學;2015年

6 奚晨;組合預測模型的應用與研究[D];蘭州大學;2015年

7 周清平;滬深300指數(shù)的組合預測模型研究[D];蘭州大學;2015年

8 熊威;顧及多效應的混凝土壩位移聯(lián)合預報與監(jiān)控分析[D];南昌大學;2015年

9 李瀅;基于灰色理論的車輛輪對踏面磨損預測研究[D];蘭州交通大學;2015年

10 吳念;地區(qū)電網(wǎng)中長期負荷組合預測模型和方法研究[D];華南理工大學;2012年

，

本文編號：1481868