鐵路運輸作為遠距離運輸市場的主體之一,在提高人流物流運輸速度和推動國家經(jīng)濟發(fā)展中起著極為重要的作用。鐵路乘客流量是對整個鐵路客運需求水平和波動情況進行刻畫和描述的重要形式。預(yù)測分析鐵路乘客流量,從乘客個人來講,有助于乘客合理安排出行計劃和購票時間,避免因時間安排不當,影響出行。從鐵路客運部門來講,為鐵路部門的投資結(jié)構(gòu)、經(jīng)營管理和列車調(diào)度決策提供依據(jù),從而合理安排車次、車廂數(shù)量,避免出現(xiàn)資源的浪費和乘客一票難求等局面,從國家層面講,對國家的經(jīng)濟發(fā)展格局和資源配置有重要作用。因此,在國家交通事業(yè)大發(fā)展的背景下,由于鐵路客流量預(yù)測的巨大經(jīng)濟效益和社會價值,很多科研工作者和研究人員越來越重視對鐵路客流量的預(yù)測。在鐵路客運量預(yù)測分析中,時間序列模型在鐵路客運量預(yù)測中已經(jīng)被廣泛采用,也是目前主流的預(yù)測方法。然而,現(xiàn)有的鐵路客流量時間序列預(yù)測方法往往是基于單一模型或者單一模型的簡單擴展,雖然有采用兩種模型的復(fù)合,也是簡單的混合,沒有考慮數(shù)據(jù)的特征而產(chǎn)生“模型設(shè)計偏差”。在鐵路客流量預(yù)測過程中不能抓取客流數(shù)據(jù)的各種特征,導(dǎo)致預(yù)測結(jié)果不夠準確,因此為了滿足鐵路客流預(yù)測準確性的需求,充分抓取鐵路客流數(shù)據(jù)特... 

【文章來源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

我國鐵路網(wǎng)示意圖

廣西師范大學(xué)碩士研究生學(xué)位論文算法。BP 神經(jīng)網(wǎng)絡(luò)目前已經(jīng)在很多領(lǐng)域得到了廣泛應(yīng)用。起初的神經(jīng)網(wǎng)絡(luò)算法和模型不能很好的處理非線性問題，在解決問題時較為復(fù)雜的非線性關(guān)系，而原來的模型只能解決線性可分問題．在遇到更加的非線性問題時，就不能解決了，這在很大程度上限制了它的應(yīng)用。BP 神絡(luò)在輸入輸出層中間加入隱含層，采用了多層的前饋網(wǎng)絡(luò)方式構(gòu)成多層前饋器網(wǎng)絡(luò)，這樣增強了網(wǎng)絡(luò)的分類能力和識別能力。從而可以用于解決非線性和問題。BP 神經(jīng)網(wǎng)絡(luò)解決了簡單感知器不能解決的異或(Exclusive OR，XOR)問它具有優(yōu)良的多維函數(shù)映射能力和任意復(fù)雜的模式分類能力。從 BP 神經(jīng)網(wǎng)成結(jié)構(gòu)上看，它包含了輸入層、隱藏層和輸出層這三個層次結(jié)構(gòu)；從 BP 神絡(luò)本質(zhì)特征看，它在網(wǎng)絡(luò)誤差平方的理論基礎(chǔ)上構(gòu)建目標函數(shù)，運用梯度下得到目標函數(shù)最小值。如圖 2.1 為 BP 神經(jīng)網(wǎng)絡(luò)示意圖，由輸入層、隱藏層出層組成[35]。

果輸出數(shù)據(jù)和預(yù)期輸出數(shù)據(jù)誤差較大，就要進行誤差反向?qū)⑤敵鰯?shù)據(jù)的誤差通過隱含層逐層反傳到達輸入層，在這到各層的所有單元，在各層獲得誤差信號來調(diào)整各單元的反傳。從調(diào)節(jié)訓(xùn)練輸入節(jié)點與隱層節(jié)點的聯(lián)接強度，到調(diào)節(jié)點的聯(lián)接強度以及閾值的過程中，可以得到誤差沿梯度反復(fù)學(xué)習(xí)訓(xùn)練，從而來得到誤差最小相對應(yīng)的權(quán)值和閾值網(wǎng)絡(luò)對類似樣本的進行信息輸入，此神經(jīng)網(wǎng)絡(luò)就可以處理信息。反向傳播算法迷人的特征，即可以在網(wǎng)絡(luò)內(nèi)部的隱藏層中只需提供網(wǎng)絡(luò)輸入和輸出數(shù)據(jù)，在定義任何隱藏單元表示值，這些隱藏單元表示在使誤差 E 達到最小時最有效。點在引導(dǎo)反向傳播算法作用下定義和產(chǎn)生新特征，在輸，但可以獲得輸入數(shù)據(jù)和學(xué)習(xí)目標函數(shù)最為關(guān)鍵的相關(guān)特訓(xùn)練神經(jīng)元的算法流程圖見圖 2.2：開始

【參考文獻】：
期刊論文
[1]基于小波變換的組合預(yù)測模型在南京市GDP預(yù)測中的應(yīng)用[J]. 張敏,黨耀國.  數(shù)學(xué)的實踐與認識. 2018(07)
[2]基于ARIMA乘積季節(jié)模型和Holt-Winters季節(jié)模型的梅毒月發(fā)病率預(yù)測[J]. 馬曉梅,史魯斌,其木格,閆國立,施學(xué)忠,孫春陽,徐學(xué)琴,趙倩倩.  鄭州大學(xué)學(xué)報(醫(yī)學(xué)版). 2018(01)
[3]基于ARIMA模型的虛擬資源動態(tài)調(diào)度方法[J]. 楊冬菊,鄧崇彬.  計算機科學(xué). 2017(10)
[4]滇中城市群城際鐵路網(wǎng)客流預(yù)測[J]. 王貴平.  鐵道標準設(shè)計. 2017(07)
[5]復(fù)雜季節(jié)時間序列模型研究[J]. 馬佳羽,韓兆洲.  統(tǒng)計與決策. 2017(06)
[6]基于時序分解的飛機平均故障間隔飛行時間組合預(yù)測[J]. 韓西龍,李青,劉鋒.  計算機應(yīng)用. 2016(S2)
[7]基于大數(shù)據(jù)技術(shù)的鐵路客流預(yù)測系統(tǒng)架構(gòu)研究[J]. 張軍鋒,賈新茹,李永,張利明.  鐵路計算機應(yīng)用. 2016(09)
[8]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)
[9]高速鐵路影響下鐵路客流量預(yù)測研究[J]. 王煒煒.  鐵道運輸與經(jīng)濟. 2016(04)
[10]鐵路客流總量預(yù)測方法研究[J]. 呂曉艷,劉彥麟,顏穎,王煒煒.  鐵路計算機應(yīng)用. 2016(02)



本文編號：3130250