發(fā)布時間：2018-11-06 08:13

【摘要】：單一核最小二乘支持向量機(LSSVM)在鐵路貨運量預測中難以準確描述貨運量的復雜變化特征,限制了預測精度的提高。針對該問題,提出一種基于果蠅算法(FOA)優(yōu)化混合核LSSVM的預測方法。以多項式核與徑向基核組合的混合核函數作為LSSVM核函數,構建鐵路貨運量的混合核LSSVM預測模型,同時利用FOA全局尋優(yōu)能力強、計算速度快等優(yōu)點優(yōu)化選擇混合核LSSVM參數。以我國鐵路貨運量為例進行方法驗證。結果表明,所提方法的RMSE、MAE、MAPE和THEIL值分別為8 433.0、6 670.8、0.018 0和0.011 7,均小于其他模型,FOA算法搜索混合核LSSVM參數的時間為40.294 8 s,分別比GA和PSO算法減少了2.620 8 s和20.701 6s,適合于鐵路貨運量的短期預測。
[Abstract]:Single kernel least squares support vector machine (LSSVM) is difficult to accurately describe the complex variation characteristics of freight volume in railway freight volume prediction, which limits the improvement of prediction accuracy. To solve this problem, a hybrid kernel LSSVM prediction method based on Drosophila algorithm (FOA) is proposed. Using the hybrid kernel function of polynomial kernel and radial basis kernel as the LSSVM kernel function, the hybrid kernel LSSVM prediction model of railway freight volume is constructed, and the hybrid kernel LSSVM parameters are optimized by using the advantages of strong global optimization ability of FOA and fast calculation speed. Take our country railway freight volume as an example to carry on the method verification. The results show that the RMSE,MAE,MAPE and THEIL values of the proposed method are 8 433.0 / 6 670.8 / 0.018 0 and 0.011 7, respectively, which are smaller than those of other models, and the time of searching the LSSVM parameters of hybrid kernel by FOA algorithm is 40.294 8 s. Compared with the GA and PSO algorithms, it is 2.620 8 s and 20.701 6 s less respectively, which is suitable for the short-term prediction of railway freight volume.
【作者單位】： 石家莊鐵道大學經濟管理學院;曼徹斯特城市大學商學院;北京大學光華管理學院;
【基金】：國家自然科學基金青年基金資助項目(61503261) 河北省軟科學研究計劃項目(15456106D) 河北省高等學校青年拔尖人才計劃項目(BJ2014097) 河北省社會科學發(fā)展研究課題項目(2015020206) 河北省交通運輸廳2015年科技計劃項目(Y-2010024) 國家留學基金委(CSC)公派留學地方合作項目(201608130165) 河北省高校人文社會科學重點研究基地石家莊鐵道大學工程建設管理研究中心資助項目 河北省軟科學工程建設管理研究基地資助項目 河北省重點學科(管理科學與工程資助項目)
【分類號】：U294.13;TP18

【相似文獻】

相關期刊論文 前10條

1 黃勇;徐景昊;;關于鐵路貨運量預測研究[J];鐵道運輸與經濟;2010年04期

2 田芳銘;劉慶福;;四川省鐵路貨運量預測研究[J];科技資訊;2011年30期

3 張欣元;;1938～1987年法國國營鐵路貨運量的發(fā)展[J];鐵道科技動態(tài);1989年11期

4 任德亮,李向國,張?zhí)靷?建立鐵路貨運量季節(jié)性預測模型的研究[J];鐵道運輸與經濟;2004年08期

5 郝佳,李瀾;鐵路貨運量組合預測模型的研究[J];鐵道運輸與經濟;2004年11期

6 王晚香,蔣惠園;廣州南沙疏港鐵路貨運量預測研究[J];鐵道貨運;2005年01期

7 單麗輝;王強;;鐵路貨運量的灰色預測模型[J];鐵道貨運;2006年02期

8 鄭全成;唐玉川;祝宏賓;高偉;;鐵路貨運量組合預測方法的研究[J];鐵道貨運;2006年07期

9 劉志杰;季令;葉玉玲;耿志民;;基于徑向基神經網絡的鐵路貨運量預測[J];鐵道學報;2006年05期

10 朱昌鋒;王慶榮;;基于聯系度的鐵路貨運量集對分析聚類預測[J];甘肅科學學報;2006年04期

相關重要報紙文章 前10條

1 李銳;1-5月 俄鐵路貨運量同比增加12.9%[N];遠東經貿導報;2010年

2 王海生 苑洪波 杜慶君;唐港鐵路貨運量 創(chuàng)歷史最高水平[N];唐山勞動日報;2011年

3 本報記者 孫春芳;6月鐵路貨運量同比、環(huán)比雙降[N];21世紀經濟報道;2014年

4 記者 王龍飛;我省鐵路貨運量持續(xù)增長[N];山西經濟日報;2014年

5 證券時報記者 靳書陽;不必過分擔憂 鐵路貨運量下滑[N];證券時報;2014年

6 記者 羅忠河;前8個月全國鐵路貨運量同比增長12.8%[N];中國冶金報;2010年

7 記者 李慧穎;1—10月大興安嶺[N];黑龍江經濟報;2011年

8 記者 王龍飛;59232.3萬噸:我省鐵路貨運量創(chuàng)歷史新高[N];山西經濟日報;2013年

9 林琳;鐵路貨運量緣何下降[N];現代物流報;2013年

10 國際期貨 李莉;鐵路貨運量：大宗商品的“景氣度”[N];中國證券報;2013年

相關碩士學位論文 前10條

1 陳星;基于遺傳改進廣義回歸神經網絡的鐵路貨運量預測研究[D];大連交通大學;2015年

2 蔡志強;阿拉山口鐵路貨運量預測分析[D];蘭州交通大學;2015年

3 俞小鳳;機器學習理論在鐵路貨運量預測中的應用研究[D];北京交通大學;2016年

4 張\，

本文編號：2313688