發(fā)布時(shí)間：2021-04-10 19:59

　　鐵路運(yùn)輸作為遠(yuǎn)距離運(yùn)輸市場(chǎng)的主體之一,在提高人流物流運(yùn)輸速度和推動(dòng)國(guó)家經(jīng)濟(jì)發(fā)展中起著極為重要的作用。鐵路乘客流量是對(duì)整個(gè)鐵路客運(yùn)需求水平和波動(dòng)情況進(jìn)行刻畫和描述的重要形式。預(yù)測(cè)分析鐵路乘客流量,從乘客個(gè)人來(lái)講,有助于乘客合理安排出行計(jì)劃和購(gòu)票時(shí)間,避免因時(shí)間安排不當(dāng),影響出行。從鐵路客運(yùn)部門來(lái)講,為鐵路部門的投資結(jié)構(gòu)、經(jīng)營(yíng)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(fèi)和乘客一票難求等局面,從國(guó)家層面講,對(duì)國(guó)家的經(jīng)濟(jì)發(fā)展格局和資源配置有重要作用。因此,在國(guó)家交通事業(yè)大發(fā)展的背景下,由于鐵路客流量預(yù)測(cè)的巨大經(jīng)濟(jì)效益和社會(huì)價(jià)值,很多科研工作者和研究人員越來(lái)越重視對(duì)鐵路客流量的預(yù)測(cè)。在鐵路客運(yùn)量預(yù)測(cè)分析中,時(shí)間序列模型在鐵路客運(yùn)量預(yù)測(cè)中已經(jīng)被廣泛采用,也是目前主流的預(yù)測(cè)方法。然而,現(xiàn)有的鐵路客流量時(shí)間序列預(yù)測(cè)方法往往是基于單一模型或者單一模型的簡(jiǎn)單擴(kuò)展,雖然有采用兩種模型的復(fù)合,也是簡(jiǎn)單的混合,沒(méi)有考慮數(shù)據(jù)的特征而產(chǎn)生“模型設(shè)計(jì)偏差”。在鐵路客流量預(yù)測(cè)過(guò)程中不能抓取客流數(shù)據(jù)的各種特征,導(dǎo)致預(yù)測(cè)結(jié)果不夠準(zhǔn)確,因此為了滿足鐵路客流預(yù)測(cè)準(zhǔn)確性的需求,充分抓取鐵路客流數(shù)據(jù)特... 

【文章來(lái)源】：廣西師范大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

我國(guó)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(wèn)題，在解決問(wèn)題時(shí)較為復(fù)雜的非線性關(guān)系，而原來(lái)的模型只能解決線性可分問(wèn)題．在遇到更加的非線性問(wèn)題時(shí)，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(qiáng)了網(wǎng)絡(luò)的分類能力和識(shí)別能力。從而可以用于解決非線性和問(wèn)題。BP 神經(jīng)網(wǎng)絡(luò)解決了簡(jiǎn)單感知器不能解決的異或(Exclusive OR，XOR)問(wèn)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(gè)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(biāo)函數(shù)，運(yùn)用梯度下得到目標(biāo)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(jìn)行誤差反向?qū)⑤敵鰯?shù)據(jù)的誤差通過(guò)隱含層逐層反傳到達(dá)輸入層，在這到各層的所有單元，在各層獲得誤差信號(hào)來(lái)調(diào)整各單元的反傳。從調(diào)節(jié)訓(xùn)練輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度，到調(diào)節(jié)點(diǎn)的聯(lián)接強(qiáng)度以及閾值的過(guò)程中，可以得到誤差沿梯度反復(fù)學(xué)習(xí)訓(xùn)練，從而來(lái)得到誤差最小相對(duì)應(yīng)的權(quán)值和閾值網(wǎng)絡(luò)對(duì)類似樣本的進(jìn)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(dá)到最小時(shí)最有效。點(diǎn)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(biāo)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(xiàn)】：
期刊論文
[1]基于小波變換的組合預(yù)測(cè)模型在南京市GDP預(yù)測(cè)中的應(yīng)用[J]. 張敏,黨耀國(guó).  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 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(cè)[J]. 馬曉梅,史魯斌,其木格,閆國(guó)立,施學(xué)忠,孫春陽(yáng),徐學(xué)琴,趙倩倩.  鄭州大學(xué)學(xué)報(bào)(醫(yī)學(xué)版). 2018(01)
[3]基于ARIMA模型的虛擬資源動(dòng)態(tài)調(diào)度方法[J]. 楊冬菊,鄧崇彬.  計(jì)算機(jī)科學(xué). 2017(10)
[4]滇中城市群城際鐵路網(wǎng)客流預(yù)測(cè)[J]. 王貴平.  鐵道標(biāo)準(zhǔn)設(shè)計(jì). 2017(07)
[5]復(fù)雜季節(jié)時(shí)間序列模型研究[J]. 馬佳羽,韓兆洲.  統(tǒng)計(jì)與決策. 2017(06)
[6]基于時(shí)序分解的飛機(jī)平均故障間隔飛行時(shí)間組合預(yù)測(cè)[J]. 韓西龍,李青,劉鋒.  計(jì)算機(jī)應(yīng)用. 2016(S2)
[7]基于大數(shù)據(jù)技術(shù)的鐵路客流預(yù)測(cè)系統(tǒng)架構(gòu)研究[J]. 張軍鋒,賈新茹,李永,張利明.  鐵路計(jì)算機(jī)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(jì)算機(jī)應(yīng)用. 2016(09)
[9]高速鐵路影響下鐵路客流量預(yù)測(cè)研究[J]. 王煒煒.  鐵道運(yùn)輸與經(jīng)濟(jì). 2016(04)
[10]鐵路客流總量預(yù)測(cè)方法研究[J]. 呂曉艷,劉彥麟,顏穎,王煒煒.  鐵路計(jì)算機(jī)應(yīng)用. 2016(02)



本文編號(hào)：3130250