组合预测模型在铁路集装箱运量预测中的应用
神经网络预测法与四阶段预测法相组合在铁路运量预测中的应用研究
摘要１运量预测工作在交通工程建设的前期工作中处于十分重要的地位。
可以说，做好对运量预测数据的分析和应用，是进行交通建设和设计工作的起步点，是工程项目建设规模和运营经济评价的基础，是项目风险的评价要素和关键。
远期预测客流是一个变动较大的变量，对预测的准确性来说难以保证。
本文就神经网络与四阶段预测法相组合作了探讨，并构造出新的交通量预测模型。
以胶济铁路提速改造为例，就构造的客运量预测模型作了应用研究。
其中以平均增长率法计算客流量的交通分布；以重力模型法计算诱发客流；依据运输阻力构建的分担率模型计算转移客流；在计算诱发客流时考虑了时间价值。
另外本文还探讨了灰色多层次评价法的建模理论，并给出了应用实例。
在多层次灰色评价法的理论基础上，为了使描述各灰色类的评价信息都发挥作用，将被评者的分散信息处理成一个描述不同灰色类的权向量，对其进行单值化处理，可得到被评者的综合值，从而对被评者排序选优。
论文从理论和实践两方面丰富和发展了现有的交通运量预测方法、铁路方案比选的方法，其主要工作和创新点如下：１．本文把国民生产总值、人均收入、人口等因素和交通客流量建立起直接的联系，从而进行客流预测。
而传统的预测方法很难把这些因素与交通量建立起直接的联系。
实例验证表明本文的神经网络模型用误差反向传播算法具有良好的收敛性，能够保证满意的映射精度，取得了理想的预测结果，为决策提供了可靠的依据。
２．神经网络预测法与四阶段预测法相组合，突破了传统预测方法的局限性。
组合后的预测方法不但考虑了政治、经济、人口等因素的影响，而且还考虑了时间、票价、距离等因素的影响。
３．多层次灰色评价法与同类方法相比，考虑的信息更全面，评价结果更准确和客观，实用性更强，更适用于对铁路方案比选中的定性和定量指标进行客观公正的综合评价，有利于推进铁路方案优选与决策的规范化。
关键词：神经网络；四阶段预测法；交通分布；诱发客流；交通量的分担；方案比选；多层次灰色评价法ＡｂｓｔｒａｃｔＦｏｒｔｕｎｅｃａｐａｃｉｔｙｆｏｒｅｃａｓｔｉｎｇｗｏｒｋｉｓｉｎｔｈｅｖｅｒｙｉｍｐｏｒｔａｎｔｐｏｓｉｔｉｏｎｉｎｔｈｅｅａｒｌｉｅｒｓｔａｇｅｗｏｒｋｏｆｔｒａ伍ｃｅｎｇｉｎｅｅｒｉｎｇｃｏｎｓｔｒｕｃｔｉｏｎ．Ｃａｎｓｐｅａｋ，ａｎｄｄｏｇｅｔｔｉｎｇｗｅｌｌｃａｌｃｕｌａｔｉｎｇａｎａｌｙｓｉｓａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｄａｔａｔｏｆｏｍｍｅｃａｐａｃｉｔｙｔｈａｔｂｅｉｎｇｉｓｉｎｐｒｏｇｒｅｓｓｔｈａｔｔｈｅｔｒａｆｆｉｃｉｓｂｕｉｌｄａｎｄｔｈｅｄｅｓｉｇｎｉｓｗｏｒｋｅｄｓｔａｒｔｓａｌｉｔｔｌｅ，ａｎｄｉｓｔｈｅｆｏｕｎｄａｔｉｏｎｔｈａｔｐｒｏｊｅｃｔｉｔｅｍｃｏｎｓｔｒｕｃｔｉｏｎｓｃｏｐｅａｎｄｏｐｅｒａｔｉｏｎｗｅｒｅｅｃｏｎｏｍｉｃａｌｌｙａｐｐｒａｉｓｅｄ，ｉｓｅｖａｌｕａｔｉｏｎｅｓｓｅｎｔｉａｌｆａｃｔｏｒａｎｄｔｈｅｋｅｙｏｆｉｔｅｍｒｉｓｋ．Ｃａｌｃｕｌａｔｉｎｇｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｉｎａｔａｓｐｅｃｉｆｉｅｄｆｕｔｕｒｅｄａｔｅｉｓａｖａｒｉａｂｌｅｔｈａｔｔｈｅｃｈａｎｇｅｉｓｂｉｇｇｅｒ，ａｎｄｉｓｈａｒｄｔｏｐｌｅｄｇｅｔｏｔｈｅａｃｃｕｒａｃｙｏｆｆｏｒｅｃａｓｔｉｎｇ．ＮｅｕｒａｌｎｅｔｗｏｒｋｓｃａｌｃｕｌａｔｅｓｔｈａｔｔｈｅＢｕｄｄｈｉｓｍｔｈｅａｓｐｅｃｔｓｏｆｔｈｉｎｇｓｍａｋｅｕｐｄｏｉｎｇｔｈｅａｃｑｕｉｒｅｍｅｎｔｗｉｔｈｆｏｕｒｓｔａｇｅｓ，ａｎｄｔｈｅｃｏｎｓｔｒｕｃｔｉｏｎｉｓｇｏｏｕｔｔｈｅｎｅｗｖｏｌｕｍｅｏｆｔｒ＆ｆｆｉｃｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｉｎｔｈｉｓｐａｐｅｒ．ＷｉｔｈｔｈｅＪｉａｏ－ＪｉＲａｉｌｗａｙｉｓｐｕｔｆｏｒｗａｒｄｓｐｅｅｄａｎｄｉｓｔｒａｎｓｆｏｒｍｅｄｔｏｔｈｅｅｘａｍｐｌｅ，ｔｈｅｐａｓｓｅｎｇｅｒｔｒａｎｓｐｏｒｔｃｏｎｓｔｉｔｕｔｉｎｇｉｓｍｅａｓｕｒｅｄｔｈｅｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌａｎｄｈａｖｅｄｏｎｅｔｈｅａｐｐｌｉｃａｔｉｏｎｓｔｕｄｙ．ｗｉｔｈｔｈｅｔｒａｆｆｉｃｏｆａｖｅｒａｇｅｒａｔｅｏｆｉｎｃｒｅａｓｅｌａｗｃａｌｃｕｌａｔｉｏｎＡｍｏｎｇｔｈｅｍｄｉｓｔｒｉｂｕｔｉｎｇｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｃａｐａｃｉｔｙ；Ｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｉｓｂｒｏｕｇｈｔｏｕｔｉｎｍｏｄｅｌｌａｗｃａｌｃｕｌａｔｉｏｎｗｉｔｈｇｒａｄｔｙ；Ｃｏｎｓｔｒｕｃｔｉｎｇｔｈｅｒａｔｅｓｈａｒｉｎｇｒｅｓｐｏｎｓｉｂｉｌｉｔｙｆｏｒｂｕｉｌｄｉｎｇｍｏｄｅｌｃａｌｃｕｌａｔｉｏｎａｃｃｏｒｄｉｎｇｔｏｔｒａｎｓｐｏｒｔａｔｉｏｎｒｅｓｉｓｔａｎｃｅｓｈｉｆｔｓｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓ；Ｔｈｉｎｋｏｖｅｒｔｉｍｅｖａｌｕｅｗｈｅｎｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｉｓｂｒｏｕｇｈｔｏｕｔｉｎｔｈｅｃａｌｃｕｌａｔｉｏｎ．Ｍｏｒｅｏｖｅｒｔｈｅｍｏｄｅｌｂｕｉｌｄｉｎｇｔｈｅｏｒｙｔｈａｔｔｈｅｇｒｅｙｍｕｌｔｉ—ｌｅｖｅｌＷａｓａｐｐｒａｉｓｅｄｔｈｅｌａｗｈａｓｓｔｉｌｌｂｅｅｎｉｎｑｕｉｒｅｄｉｎｔｏｉｎｔｈｉｓｐａｐｅｒ，ａｎｄｈａｓｇｉｖｅｎｏｕｔｔｈｅａｐｐｌｉｃａｔｉｏｎｌｉｖｉｎｇｅｘａｍｐｌｅ．Ｔｈｉｓｐａｐｅｒｉｓａｐｐｒａｉｓｅｄｏｎｔｈｅｏｒｙｆｏｕｎｄａｔｉｏｎｏｆｌａｗａｔｔｈｅｍｕｌｔｉ—ｌｅｖｅｌｇｒｅｙ，ｔｏｂｒｉｎｇｆｕｌｌｐｌａｙｏｆａｌｌｅｖａｌｕａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｉｎｄｉｆｆｅｒｅｎｔｇｒｅｙｄｅｇｒｅｅｓ，ａｎｄｄｉｓｃｕｓｓｅｓｔｈｅｐｍｃｅｄｕｍｏｆｍｏｄｅｌｃｒｅａｔｉｏｎ．Ｔｈｅｎｉｔｉｎｄｕｃｅｓａｌｌｅｖａｌｕａｔｏｒｓ’ｄｉｓｔｒｉｂｕｔｉｖｅｉｎｆｏｒｍａｔｉｏｎｉｎｔｏｏｎｅｐｒｉｏｒｉｔｙ－ｖｅｃｔｏｒｏｆｄｉｆｆｅｒｅｎｔｇｒｅｙｄｅｇｒｅｅａｎｄａｌｌｏｃａｔｅｓｉｔｗｉｔｈｓｉｎｇｌｅｖａｌｕｅｓｏａｃｏｍｐｒｅｈｅｎｓｉｖｅｖａｌｕｅｉｓｏｂｔａｉｎｅｄｆｏｒｔｈｅｐｒｏｊｅｃｔｕｎｄｅｒｅｖａｌｕａｔｉｏｎ．ＴｈｅｄｅｃｉｓｉｏｎｏｆｓｏｒｔｉｎｇｐｒｏｊｅｃｔｔｏｂｅｅｖａｌｕａｔｅｄｔｈｅｎＣａｎｂｅｃａｒｒｉｅｄｏｕｔ．ＴｈｅｓｉｓｒｉｃｈａｎｄｄｅｖｅｌｏｐｅｄｎＯＷａｖａｉｌａｂｌｅｔｒａｆｆｉｃｆｏｒｔｕｎｅｍｅａｓｕｒｉｎｇｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄａｎｄｒａｉｌｗａｙｓｃｈｅｍｅｆｒｏｍｔｈｅｏｒｙａｎｄｐｕｔｓｉｎｔｏｐｒａｃｔｉｃｅｔｈａｎｔｈｅｍｅｔｈｏｄｗｈｉｃｈｓｅｌｅｃｔｅｄ，ａｎｄｈｉｓｍａｊｏｒｗｏｒｋａｎｄｉｎｎｏｖａｔｉｏｎｐｏｉｎｔｉｓｆｏｌｌｏｗｉｎｇ：１．ＴｈｉｓｐａｐｅｒｉｓｍｅａｓｕｒｅｄｎａｔｉｏｎａｌｌＳｔｏｔａｌｏｕｔｐｕｔｖａｌｕｅ，ｐｅｒｃａｐｉｔａｉｎｃｏｍｅｍａｄａｎｄｔｈｅｔｒａｆｆｉｃｆｌｏｗｓｏｆｐａｓｓｅｎｇｅｒｓａｎｄｈａｓｂｅｅｎｂｕｉｌｄｔｈｅｄｉｒｅｃｔｐｏｐｕｌａｔｉｏｎｅｔｃｆａｃｔｏｒｃｏｎｔａｃｔ，ｔｈｕｓｃａｒｒｉｅｓｏｎｔｈｅｆｌｏｗｏｆｐａｓｓｅｎｇｅｒｓｆｏｒｅｃａｓｔｉｎｇ．Ａｎｄｔｈｅｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｏｆｔｒａｄｉｔｉｏｎｈａｓｖｅｒｙｈａｒｄｂｅｅｎｂｕｉｌｄｉｎｇｔｈｅｓｅｆａｃｔｏｒｓｔｏｔｈｅｄｉｒｅｃｔｃｏｎｔａｃｔｗｉｔｈｔｈｅｖｏｌｕｍｅｏｆ自ｍ伍ｃ．Ｔｈｅｌｉｖｉｎｇｅｘａｍｐｌｅｃｅｒｔｉｆｉｃａｔｉｏｎｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅｎｅｕｒａｌ西南交通大学硕士研究生学位论文第３页ｎｅｔｗｏｒｌ（ｓｍｏｄｅｌｏｆｔｈｉｓｐａｐｅｒｐｏｓ∞ｓｓｅｓｔｈｅｇｏｏｄｃｏｎｖｅｒｇｅｎｃｅ、Ⅳｉｔｈｔｈｅｅｒｒｏｒｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎａｌｇｏｒｉｔｈｍ，ａｎｄｃ柚ｐｌｅｄｇｅｔｈｅｓａｔｉｓｆａｃｔｏｒｙｍａｐｐｍｇｐｒｅｃｉｓｉｏｎ，ａｎｄｇａｉｎｔｈｅｆｏｒｅｃａｓｔｉｎｇｒｅｓｕｌｔｏｆｉｄｅａｌ，ａｎｄｐｒｏｖｉｄｅｓｔｈｅｒｅｌｉａｂｌｅｂａｓｉｓｆｏｒｔｈｅｐｏｌｉｃｙｄｅｃｉｓｉｏｎ．Ｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｓｐｒｅｄｉｃｔｅｄｍｅｔｈｏｄｂｒｏｋｅｔｈｒｏｕｇｈｔｈｅｌｉｍｉｔａ廿ｏＩｌｓｏｆｔｒａｄｉｔｉｏｎａｌｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄ．ｃａｌｃｕｌａｔｅｄ诚ｔＩｌｆｏｕｒｓｔａｇｅｓｔｈａｔｔｈｅＢｕｄｄｈｉｓｍｔｈｅａｓｐｅｃｔｓｏｆｔｈｉｎｇｓ２．Ｂｅｉｎｇｍａｋｅｕｐ．Ｎｏｔｏｎｌｙｔｈｅｆｏｒｅｃａｓｔｉｎｇｍｅｔｈｏｄｏｆｃｏｍｂｉｎａｔｉｏｎｏｆｆｓｐｒｉｎｇｔｈｉｎｋｏｖｅｒｔｈｅｉｎｆｌｕｅｎｃｅｏｆｆａｃｔｏｒｓｓｕｃｈ醛ｐｏｌｉｔｉｃｓ，ｅｃｏｎｏｍｙａｎｄｐｏｐｕｌａｔｉｏｎｅｒｅ，ｂｕｔａｌｓｏｔｈｉｎｋｏｖｅｒｔｈｅｉｎｆｌｕｅｎｃｅｏｆｆａｃｔｏｒｓｓｕｃｈａＳｔｈｅｔｉｍｅ，ｐｒｉｃｅｏｆａｔｉｃｋｅｔａｎｄｄｉｓｔａｎｃｅｅｔｃ．３．Ｔｈｅｍｕｌｔｉ－ｌｅｖｅｌｇｒｅｙｉｓ叩ｐｍｉｓｅｄｔｈｅｌａｗａｎｄｉｓｃｏｍｐａｒｅｄｗｉｔｈｓａｍｅｍｅｔｈｏｄ，ａｎｄｔｈｅｉｎｆｏｒｍａｔｉｏｎｔｈｉｎｋｏｖｅｒｉｓｍｏｒｅｏｖｅｒａｌｌ，ａｎｄａｐｐｒａｉｓｉｎｇｔｈｅｒｅｓｕｌｔｍｏｒｅａｃｃｕｒａｔｅｌｙ、Ⅳｉｔｔｌｏｂｊｅｃｔｉｖｅｌｙ，ｐｒａｃｔｉｃａｌｎａｔｕｒｅｉｓｓｔｒｏｎｇｅｒ，ａｎｄｍｏｒｅｉｓｓｕｉｔａｂｌｅｉｎｃａｒｒｙｉｎｇｏｎｏｂｊｅｃｔｉｖｅｌｙｔｈｅｊｕｓｔｓｙｎｔｈｅｓｉｓａｐｐｒａｉｓｉｎｇ，ａｎｄｉｓｆａｖｏｒｏｆｐｕｓｈｉｎｇｏｎｔｈｅｍｏｓｔｅｘｃｅｌｌｅｎｔｓｔａｎｄａｒｄｉｚａｔｉｏｎｓｅｌｅｃｔｅｄａｎｄｍａｋｅｓｐｏｌｉｃｙｏｆｒａｉｌｗａｙｓｃｈｅｍｅｔｏｔｈｅｒａｉｌｗａｙｓｃｈｅｍｅｔｈａｎｑｕａｌｉｔｙａｎｄｔｈｅｆｉｘｅｄｑｕａｎｔｉｔｙｑｕｏｔａｗｈｉｃｈｐｉｃｋｅｄｏｎ．ｋｅｙｗｏｒｄｓ：Ｎｅｕｒａｌｎｅｔｗｏｒｋｓ；Ｆｏｕｒｓｔａｇｅｓｐｒｅｄｉｃｔｅｄｍｅｔｈｏｄｓ；Ｔｒａｆｆｉｃｄｉｓｔｒｉｂｕｔｉｏｎ；Ｉｎｄｕｃｅｔｈｅｂｒｏｋｅｒｆｌｏｗ；Ｔｈｅｔｒａｆｆｉｃｖｏｌｕｍｅｓｈａｒｅｓ；Ｓｅｌｅｃｔｔｈｅｂｅｓｔｐｒｏｊｅｃｔ；Ｍｕｌｔｉｌｅｖｅｌｇｒｅｙｅｖａｌｕａｔｉｏｎｍｅｔｈｏｄ西南交通大学硕士研究生学位论文第１页第一章绪论１．１引言市场经济条件下，对铁路建设项目进行科学、准确的经济评价．是确保铁路建设项目资金到位，在合理期限收回投资、抵御风险，并取得预期经济效益的关键。
组合预测模型在铁路货运量预测中的应用
铁路 货 运 量 是 指 一 定 时期 内 以重 量 单 位 计 算
的 由铁路 实 际运输 的 货 物数 量 ， 它是 货 运 市 场 中重 要 的基础 数据 ， 其预 测 结 果 直接 影 响到 铁路 运输 计 划 以及有 关运 输 政策 的制 定 。 目前 ， 铁 路货 运量 预 测 的常用 方 法 很 多 ， 主要 包 括 定 性 ３年 ９ 月
交
通
科
技
与
Ｖｏ 【 ． １ ５ ． Ｎｏ ． ５
Ｓ ｅ ｐ ． ， ２ ０ １ ３
Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ＆ Ｅｃ ｏ ｎ ｏ ｍｙ ｉ ｎ Ａｒ ｅ ａ ｓ
组 合 预 测 模 型 在 铁 路 货 运 量 预 测 中 的 应 用
王 宁 ， 徐志禹
（ 兰 州交 通 大 学 交通 运 输 学 院 ， 甘肃 兰州 ７ ３ ０ ０ ７ ０ ）
摘
要： 货运量预测是铁路运输规划的基础 ， 单一预测方 法很难准 确有效地进 行运量预测 。探讨 组合模 型在铁路货
运量预测中的应用 ， 以全铁路货运 量及 社会经 济发 展状况 为样本 ， 对 未来铁 路货 运量进 行预测 。实证 预测结 果表 明： 组合预测模型能有效综合各模型的有用信息 ， 从 而提 高模 型预测精 度 ， 与单一模 型相 比， 该方 法具有较 好的实用
济 ㈣ ｍ
吖 Ｃ
Ｏ ｎ
Ｓ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｆ ｒ ｅ ｉ ｇ ｈ ｔ ｖ ｏ ｌ ｕ ｍｅ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｓ ｔ ｈ ｅ ｆ ｏ ｕ ｎ ｄ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｒ ａ ｉ ｌ ｗａ ｙ ｔ ｒ ａ ｎ ｓ ｐ ｏ ｒ ｔ ａ ｔ ｉ ｏ ｎ ｐ ｌ ａ ｎ ｎ ｉ ｎ ｇ ． Ａ ｓ ｉ ｎ ｇ ｌ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｉ Ｓ ｄ ｉ ｆ ｆ ｉ ｃ ｕ ｌ ｔ ｔ ｏ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ ｌ ｙ ａ ｎ ｄ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｔ ｈ ｅ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｖ ｏ ｌ ｕ ｍｅ ． Ａ ｃ ｏ ｍｂ ｉ ｎ ｅ ｄ ｍｏ ｄ ｅ ｌｉ Ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ｗｉ ｔ ｈ ｉ ｔ ｓ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｔ ｏ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｒ ａ ｉ ｌ ｗａ ｙ ｆ ｒ ｅ ｉ ｇ ｈ ｔ ｖ ｏ ｌ ｕ ｍｅ ｓ ，ｗｉ ｔ ｈ ｔ ｈ ｅ ｒ ａ ｉ ｌ ｗａ ｙ ｆ ｒ ｅ ｉ ｇ ｈ ｔ ｖ ｏ ｌ ｕ ｍｅ ａ ｎ ｄ ｔ ｈ ｅ ｓ ｔ ａ ｔ ｕ ｓ ｏ ｆ ｔ ｈ ｅ ｓ ｏ ｃ ｉ ｏ ｅ ｃ ｏ ｎ ｏ ｍｉ ｃ ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ ａ ｓ ａ ｓ ａ ｍｐ ｌ ｅ ，ａ ｎ ｄ ｔ ｈ ｅ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｓ ｆ ｏ ｒ ｔ ｈ ｅ ｆ ｕ ｔ ｕ ｒ ｅ ｒ ａ ｉ ｌ ｗａ ｙ ｆ ｒ ｅ ｉ ｇ ｈ ｔ ｖ ｏ ｌ ｕ ｍｅ ． Ｅｍｐ ｉ ｒ ｉ ｃ ａ ｌ ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｃ ｏ ｍｂ ｉ ｎ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｍｏ ｄ ｅ ｌ ｃ ａ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｉ ｎ ｔ ｅ ｇ ｒ ａ ｔ ｅ ｔ ｈ ｅ ｕ ｓ ｅ ｆ ｕ ｌ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｏ ｆ ｅ ａ ｃ ｈ ｍｏ ｄ ｅ ｌ ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ｏ ｆ ｍｏ ｄ ｅ ｌ ｓ ． Ｃｏ ｍｐ ａ ｒ ｅ ｄ ｗｉ ｔ ｈ ｔ ｈ ｅ ｓ ｉ ｎ ｇ ｌ ｅ ｍｏ ｄ ｅ ｌ ，ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｐ ｒ ｏ ｖ ｅ ｓ ｔ ｏ ｂ ｅ ｗｉ ｔ ｈ ｐ ｒ ａ ｃ ｔ ｉ ｃ ａ ｌ ｖ ａ ｌ ｕ ｅ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：ｖ ｏ ｌ ｕ ｍｅ ｏ ｆ ｒ ａ ｉ ｌ ｗａ ｙ ｆ ｒ ｅ ｉ ｇ ｈ ｔ ； ｃ ｏ ｍｂ ｉ ｎ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ； ｐ ｏ ｗｅ ｒ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ； ｒ ｅ ｇ ｒ ｅ ｓ ｓ ｉ ｏ ｎ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ； ｇ ｒ ａ ｙ ｍｏ ｄ ｅ ｌ
基于组合预测模型的物流园区货运量预测研究
中拓 展 了常 用 的线 性 联 合 估 计 模 型 的框 架 。 黄荣 富、张云康等都研究 了指数平 滑预测方法在物流需 求上 的运用 ，且 辅 以组 合预 测 和 实证 对 比分 析 。 柴大胜 、潘英英 等分别将灰 色模 型应用在物流 园 区 、物 流 中心 、公 路 物 流 的货 运需 求 预 测 。但 是 如 果 只选 择 其 中 一 种 方 法 进 行 物 流 需 求 预 测 ，通 常会存 在一定 的局 限性 ，不 能很好 地体现每种方 法 的 预 测优 势 ，因此 提 出一 个 具 有 通 用 性 、能 够 将 多种预测方法综合集成 的组合 预测 方法是十分必 要 的 。 故 本 文运 用 弹 性 系数 法 、灰 色 模 型法 、三 次 指数 平 滑 法 的组 合 预 测模 型 ，来 克 服 单 一 预 测 方 法 的局 限性 ，尽 可 能 提 高 预 测 的精 度 ，并 以某 物 流 园 区进 行 实例 计 算 。
摘 要 ：物 流 园区货运 量预测直 接影 响到物 流园 区未来 的规模 大小 、功能定 位 、合 理布局 等重 大 问题 ，因此 准确 预测物 流量 具
有重 要意 义 。目前 ，大多数 学者往 往都 采用单 一预测 方法进 行预测 ，但 由于单 一预测 方法假 设条 件及适 用范 围均存 在一定 的局
１ 组合预 测模 型构建
１．１ 弹 性 系数 法
“弹性 ”一 词 来 源 于材 料 力 学 中 的 弹 性 形 变 概
念 ，现 在被 广 泛 应 用 于很 多 领 域 。在 公 路 工 程 建设
铁路货运量组合预测方法
n
1 n - 1 j= 1
yij - f ij 2, 则权重
ki = Si - 1
n
(
1 ) - 1。
S i= 1 i
( 3)
1. 2 指数平滑法
指数平滑法即运用某段时间序列的数据, 通
过指数对其进行加权平均, 对未来均势进行预测。
指数平滑法分为一次、二次、三次指数平 滑法。其
预测模型为:
Yt m = yt + 1 -
当前在铁路货运量的预测方面存在着各种各 样的预测方法, 如回归预测 [ 1 ] , 时 间序列 ( 算术 平 均, 移动平均, 加权平均, 指数平滑等 ) 预测法 [ 2] , 灰色预测法 [ 3- 4 ] , 神经网络 [ 5] 等等, 每种预测方法 都有自己的优缺点。为了能有效地利用各种预测 模型的信息, 研究 人员提出了组合 预测方法。所 谓组合预测, 就是将不同的预测 方法进行适当 组 合, 综合利用各种方法所提供的信息, 尽可能地提 高预测精度。研究表明, 采用 2种或 2种以上组合 预测法可以取长补短, 增强预测精度, 提高预测科 学性 [ 6] 。
3. 75 4. 58 2. 97 3. 47 2. 28
( MA PE ) /%
( 1) 各单一 模型中, 指 数平滑, 模 糊移动, 灰 色预测所需的数据较少, 较为简便, 具有较强的可 操作性, 而线性回归虽然所需的数值资料较多, 但 它从铁 路货运 量与国 民生产 总值的 内在 关系 出 发, 反映出二者的映射关系, 具有较强的直观性。
2002 204 955
1995 165 982
2003 221 178
1996 171 024
2004 249 017
1997 172 149
基于组合预测模型的我国管道货运量的预测分析
基于组合预测模型的我国管道货运量的预测分析管道货运是指通过管道运输石油、天然气等液体或气体产品的运输方式。
在我国，随着石油、天然气等能源消费的增加，管道货运量也呈现出逐年增长的趋势。
为了更准确地预测未来管道货运量的变化趋势，可以利用组合预测模型来进行分析预测。
首先，我们可以采用时间序列分析的方法来对我国管道货运量的历史数据进行分析。
时间序列分析是一种通过对时间序列数据进行趋势、季节性和周期性分析来预测未来数值的方法。
通过对历史数据的趋势、季节性和周期性进行分析，可以获得对未来管道货运量变化趋势的初步认识。
其次，我们可以利用回归分析来分析管道货运量与影响其变化的因素之间的关系。
回归分析是一种通过对自变量与因变量之间的关系进行建模来预测未来数值的方法。
通过回归分析可以找出对管道货运量具有显著影响的因素，比如石油价格、经济发展水平等。
通过对这些因素的影响程度进行分析，可以更准确地预测未来管道货运量的变化趋势。
最后，我们可以将时间序列分析和回归分析相结合，构建一个组合预测模型来对未来管道货运量进行预测。
组合预测模型是一种通过将多种预测模型的结果进行综合来提高预测准确性的方法。
通过将时间序列分析和回归分析的结果进行综合，可以得到更准确的未来管道货运量预测结果。
在建立组合预测模型时，我们可以采用加权平均法、模型融合法等方法来对不同预测模型的结果进行加权综合。
通过不断调整不同模型的权重，可以得到对未来管道货运量最为准确的预测结果。
总之，基于组合预测模型的我国管道货运量预测分析可以通过时间序列分析、回归分析和组合预测模型的方法相结合，从不同维度对管道货运量的变化趋势进行预测，提高预测准确性，为我国管道货运业的发展提供科学依据。
新型组合模型在铁路客运量预测中的应用
Ａｂｓ ｔ ｒ ａ ｃ ｔ： Ｐ ａ ｓ ｓ ｅ ｎ ｇ ｅ ｒ ｔ ｒ ａ ｉｃ ｆ ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｍｅ ａ ｓ ｕ ｒ ｅ ｔ ｒ ａ ｎ ｓ ｐ ｏ ｒ ｔ ａ ｔ ｉ ｏ ｎ ｗｏ ｒ ｋ ｌ ｏ ａ ｄ， ｒ ｅ ｌ ｆ ｅ ｃ ｔ ｉ ｎ ｇ ｔ ｈ ｅ ｔ ｒ ａ ｎ ｓ ｐ ｏ ｒ ｔ ａ ｔ ｉ ｏ ｎ ｓ ｅ ｒ ｖ ｉ ｃ ｅ ｌ ｅ ｖ ｅ ｌ ｆ ｏ ｒ ｔ ｈ ｅ ｎ ａ ｔ ｉ ｏ ｎ ａ ｌ ｅ ｃ ｏ ｎｏ ｍｙ ａ ｎ ｄ ｐ ｅ ｏ ｐｌ ｅ ’ Ｓ ｌ ｉ ｖ ｉ ｎ ｇ ｉ ｎ ｄ ｅ ｘ ． Ａｃ ｃ ｕ ｒ ａ ｔ ｅ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｏ ｆ ｐ ａ ｓ ｓ ｅ ｎ ｇ ｅ ｒ ｔ ｒ ａ ｉｃ ｆ
确 的 客 运 量 预 测 直接 影 响 到铁 路 项 目的 经 济效 益评 价 及 铁 路 交通 组 织安 排 。根 据 客 流 量 数 据 的 特 点 ， 提 出新 的 组
合预测方法 ， 构 建 线 性 时 间序 列 灰 色 Ｇ Ｍ（ １ ， １ ） 模 型 和 考 虑客 流 量 影 响 因 素 的 非 线 性 遗 传 算 法 优 化 Ｂ Ｐ神 经 网 络 模 型 。最 后 结 合 新 建 兰 州 至 中川机 场铁 路 项 目及 调 查 数 据 进 行 客 流 量 的预 测 研 究 ， 并 将 组 合 模 型 预 测 结 果 和 单 一 模
ｄ ｉ ｒ ｅ ｃ ｔ ｌ ｙ ａ ｆ ｆ ｅ ｃ ｔ ｓ ｔ ｈ ｅ ｅ ｖ ａ ｌ ｕ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｅ ｃ ｏ ｎ ｏ ｍｉ ｃ ｂ ｅ ｎ ｅ ｆ ｉ ｔ ｓ ｏ ｆ ｒ ａ ｉ ｌ ｗ ａ ｙ ｐ ｒ ｏ ｊ ｅ ｃ ｔ ａ ｎ ｄ ｒ ａ ｉ ｌ ｗ ａ ｙ ｔ ｒ ａ ｉｃ ｆ ｏ ｒ ｇ ａ ｎ ｉ ｚ ａ ｔ ｉ ｏ ｎ
组合预测方法在我国铁路客流预测中的应用
求 和 自回归 移 动 平 均 模 型 ， 积 自 回 归 移 动 平 均 乘
模型。
用 已有 的信息 资源 ， 达到 提高预测 精 度的 目的 ， 用 采 线性 组合 的预测 方法 。 Ｂ ｘ Ｊ ｎ ｉｓ 型 在 处 理 短 期 客 运 量 预 测 工 ｏ － ｅ ｋｎ 模
因 为前 ３ 模 型 仅适 用 于 描 述平 稳 时 间序 列 ， 种 针对 铁路 客运量 时 间序 列 的非 平 稳 随机 特 性 ， 用 采 自回归移 动平均 模 型进行 分析 预测 。 自回归移 动平 均模 型 的基 本 思想 是 ： 如果 所 分
ｍ ｏ ｅ ｄ ｌｔ ｒ ｄｃ ｈ ａｌ ｙ ｐ ｓ ｅ ｇ ｒ ｉ ｉａ ｔ ｅ ｒｓ ｌｓ ｓ ｏ ｔ ａ ｈ ｏ ｂｎ ｔ ｎ ｆ ｒ ｃ ｓ ｄｌ ｍｏ ｅ ｏ ｐ ｅ ｉｔｔ ｅ ｒ ｉ ｗａ ａ ｓ ｎ ｅ ｎ Ｃｈｎ ， ｈ ｅ ｕｔ ｈ ｗ ｈ ｔｔ ｅ ｃ ｍ ｉ ａｉ ｏ ｅ ａ ｔ ｏ ｍ ｏ ｅ ｆ ｉａ ｒ ｉ ｙ ｐ ｓ ｅ ｇ ｒｃ ｎ ｉ ｐ ｏ ｅｔ ｅｐ ｅ ｉｔ ｎ ｐ ｅ ｉｉｎ ｄ ｌ ｎ ａｌ ｏ Ｃｈ ｗａ ａ ｓ ｎ ｅ ａ ｍ ｒ ｖ ｈ ｒ ｄｃｉ ｒ ｃｓｏ ． ｏ
Ｋｅ ｒ ｓ ｃ ｍ ｂｎ ｔ ｎ ｆ ｒｃ ｓ ￣Ｂ ｘＪ ｎ ｉ ｓｍｏ ｅ ；ｇ ｅ ｏ ｅ ａ ｔｎ ｄ ｌ ａｌ ｙ ｐ ｓ ｅ ｇ ｒ ｒ ｄｃ ｙｗｏ ｄ ：ｏ ｉａｉ ｏ ｅ ａ ｔ ｏ －ｅ ｋ ｎ ｄ ｌ ｒ ｙ ｆ ｒ ｃ ｓｉｇ ｍｏ ｅ ；ｒ ｉ ｏ ｗａ ａ ｓ ｎ ｅ ；ｐ ｅ ｉ—
Ａｂ ｔａ ｔ Ｓ ｉｎ ｉ ｃａ ｄ ａ ｃ ｒｔ ｒ ｄ ｃｉｎｏ ａｌ ｙｐ ｓｅ ｇ ｒｒ ｉ ｎ ｔ ｒ ｌｎ ｉｇ ｆｒ ｕａ ｅ ｈ ｏ ｎ ｓｒ ｃ ： ｃｅ ｔｆ ｎ ｃ ｕ ａｅｐ ｅ ｉｔ ｆ ｉ ｉ ｏ ｒ ｗａ ａ ｓ ｎ ｅ ａｌ ｅｗｏ ｋ ｐ ａ ｎｎ ｏ ｍ ｌｔ ｄｔ ｅｆ ｕ —
基于组合预测模型的铁路集装箱运量预测
2
工
业
工
程
第 15 卷
两类， 一类是应用单项预测方法， 如采用灰色预测法 对铁路集装箱运量进行预测
［23 ］
， 采用非参数方法表
［4 ］
达不能量化的影响因素， 建立了半参数回归模型 指标的最优线性组合模型 络的非线性组合预测模型
［1 ， 5 ］
；
映射函数定义为非线性函数。由于神经网络的强大 非线性映射能力， 可以用神经网络模拟非线性映射 ^ =（ y ^ 1t ， ^ 2t ， y …， 即让神经网络通过对样本 Y 函数 φ， t t = 1， 2， …， n 的学习和训练， 及目标值 y t ， 最终 找到映 射 φ。 这 样 所 得 到 的 模 型 就 是 非 线 性 组 合 模型。 ^ mt ） y
T
另一类是应用组合预测方法， 如采用基于预测误差 ， 采用基于 BP 神经网
［6 ］
。尽管上述方法对集装
箱运量给出了较准确的预测， 但各有不足， 单项预测 从自身角度进行推导和演义， 虽具有其独特的信息 但只能反映问题的某一方面， 具有片面性。 不 特征， 变权组合预测模型计算出来的各单项预测模型的权 但各单项预测对预测对象的不同 值是固定不变的， 时间上的预测精度是不一致的， 因此会导致预测精 度的降低。BP 神经网络由于采用负梯度下降法调 节权值， 故存在收敛速度慢、 易陷入局部最优和全局 搜索 能 力 弱 的 局 限 性。 径 向 基 函 数 （ radial basis function，RBF） 神经网络在分类能力、 逼近能力和学
m m
且训练结果唯一， 近年来得 络所需的训练样本较少， 到广泛应用
［812 ］
。因此， 本文应用组合预测方法， 并
组合模型在铁路客流量预测中的应用研究
组合模型在铁路客流量预测中的应用研究组合模型在铁路客流量预测中的应用研究近年来，随着铁路客流量的快速增长，提高铁路客流量预测的准确性成为了铁路运营管理的重要课题之一。
组合模型作为一种集成多种预测方法的方法，在铁路客流量预测中显示出了优越的性能。
本文将探讨组合模型在铁路客流量预测中的应用，并讨论其相关的方法和技术。
首先，我们需要了解组合模型的基本原理。
组合模型是一种集成多个基本模型的预测方法。
这些基本模型可以是统计模型、机器学习模型或其他预测方法。
组合模型通过综合多个基本模型的预测结果，提高预测的准确性和稳定性。
这是因为不同的模型可能具有不同的优势和劣势，通过集成这些模型，可以减少单个模型的不确定性，提高整体预测的可靠性。
在铁路客流量预测中，我们可以使用多个基本模型来构建组合模型。
其中，常用的基本模型包括线性回归模型、指数平滑模型、时间序列模型、神经网络模型等。
这些模型可以根据铁路客流量的特点进行选择和调整。
在组合模型的构建中，常用的方法包括加权平均、投票和堆叠。
加权平均是将不同基本模型的预测结果按照一定的权重进行加权求和。
投票是将不同基本模型的预测结果投票，并选择得票最多的结果作为最终预测结果。
堆叠是将多个基本模型的预测结果作为新的特征，再使用一个新的模型进行预测。
这些方法可以根据需求进行选择和组合，以适应不同的铁路客流量预测需求。
除了基本模型和组合方法，数据处理和特征工程也是组合模型在铁路客流量预测中的重要环节。
在数据处理中，需要对原始数据进行清洗和转换，以便于模型训练和预测。
在特征工程中，可以根据铁路客流量的特点提取合适的特征，包括历史客流量、天气数据、节假日等，以提高模型的准确性和泛化性能。
在应用组合模型进行铁路客流量预测时，我们可以进行模型的训练和验证。
训练阶段可以使用历史数据进行模型的训练，得到模型的参数和权重。
验证阶段可以使用一部分数据进行模型的验证和调整，以评估模型的性能并进行适当的修正。
组合预测模型在铁路货运量预测中的应用
组合预测模型在铁路货运量预测中的应用
王宁;徐志禹
【期刊名称】《交通科技与经济》
【年(卷),期】2013(015)005
【摘要】货运量预测是铁路运输规划的基础,单一预测方法很难准确有效地进行运量预测.探讨组合模型在铁路货运量预测中的应用,以全铁路货运量及社会经济发展状况为样本,对未来铁路货运量进行预测.实证预测结果表明:组合预测模型能有效综合各模型的有用信息,从而提高模型预测精度,与单一模型相比,该方法具有较好的实用价值.
【总页数】4页(P78-81)
【作者】王宁;徐志禹
【作者单位】兰州交通大学交通运输学院,甘肃兰州730070;兰州交通大学交通运输学院,甘肃兰州730070
【正文语种】中文
【中图分类】U491
【相关文献】
1.基于MATLAB的BP神经网络组合预测模型在公路货运量预测中的应用 [J], 杨云超;吴非;袁振洲
2.铁路货运量组合预测模型的研究 [J], 郝佳;李澜
3.两种组合预测模型在安徽货运量预测研究中的比较 [J], 李文婷;潘魏魏
4.组合预测模型在货运量预测中的应用 [J], 张林泉
5.基于组合预测模型的铁路货运量预测研究 [J], 徐玉萍;邓俊翔;蒋泽华
因版权原因，仅展示原文概要，查看原文内容请购买。
基于组合预测的集装箱海铁联运运量预测
基于组合预测的集装箱海铁联运运量预测霍向,武慧荣,王丽丽,刘霄,张进,孟乐(东北林业大学交通学院,哈尔滨150040)摘要:集装箱海铁联运运量预测是多式联运系统规划的重要依据,为了提高预测精度及稳定性,将回归分析模型、指数平滑模型及系统动力学模型加权组合,综合单一模型预测结果的相对误差、方差确定权重,构建了组合预测模型。
以大连港集装箱海铁联运系统相关统计数据对模型进行验证,结果证明该模型能在一定程度上提高预测精度。
关键词:海铁联运;运量预测;组合预测;集装箱运输中图分类号:F552.4文献标识码:Ａ文章编号:1005-913X(2016)07-0013-02收稿日期:2016-04-29基金项目:黑龙江省教育厅科技研究项目资助(12543017);2015年度东北林业大学大学生科研训练计划项目(2572015CB16);中央高校基本科研业务费专项资金项目(2572015CB16)作者简介:霍向(1994-),男,河北邯郸人,本科学生,研究方向:交通运输规划与管理;武慧荣(1980-),女,山西夏县人,讲师,博士研究生,研究方向:集装箱多式联运理论与方法。
我国集装箱海铁联运发展相对较缓,伴随“一带一路”战略的实施,将促进集装箱海铁联运的快速发展。
正确、合理预测集装箱海铁联运运量,是多式联运系统规划、建设、投资的重要依据,而预测方法的选择将直接影响预测结果的准确性。
目前,国内外学者应用了多种预测方法进行集装箱海铁联运运量预测,主要有时间序列预测法、神经网络预测法、回归分析预测法、灰色预测法、系统动力学预测法等。
每一种预测模型建立时,都需要做出一定的假设。
然而实际的运输系统发展环境不会是一成不变的,单一模型难以准确描述现实世界错综复杂的关系。
Ba te s J .M.和G ra ng e r C.W.J .于1969年首次提出并证明两种无偏的单项预测组合优于每个单项预测方法。
组合预测就是将不同的单一预测方法组合,综合利用各种预测方法所提供的信息,以提高预测的精度及稳定性。
铁路货运量预测方法组合研究
铁路货运量预测⽅法组合研究铁路货运量预测⽅法组合研究摘要：本⽂将灰⾊系统理论和线性回归⽅法结合起来，对预测⽅法进⾏了深⼊具体的阐述。
最后以四川省铁路货运量为背景展开了案例分析。
关键词：灰⾊系统理论，线性回归，预测铁路运输是⼀个复杂的动态系统，在进⾏货运量预测时，需⼤量信息并要考虑多种因素。
灰⾊系统理论所提出的灰⾊模型预测⽅法着眼于在系统本⾝的有⽤信息中寻找规律，可以避开复杂的多因素间的相互影响。
线性回归理论是运量预测中常⽤的⼀种⽅法，根据对相关因素的分析来进⾏预测。
在实际的预测⼯作中，单纯使⽤上述⼀种理论有时显得不够灵活，因此，需要根据预测对象的情况，将灰⾊理论和线性回归理论进⾏组合，构造组合模型进⾏预测。
1 预测⽅法1.1 灰⾊系统理论灰⾊系统理论的研究对象是部分信息已知，部分信息未知的“贫信息”不确定系统。
该系统通过对部分已知信息的⽣成、开发，寻找系统本⾝的内在规律，实现对现实世界的确切描述和认识。
灰⾊预测法是利⽤时序列数据，通过建⽴GM(1，1)模型进⾏预测。
⽤该模型进⾏灰⾊预测的步骤是：（1）对原始时序列数据 ,2,1)()0(=t X ，做⼀次累加⽣成，得新数列∑==ti i X t X1)0()1()()( (1)(2)利⽤⼀次累加⽣成的数列拟合微分⽅程u ax dtdx=+)1( (2) 通过最⼩⼆乘法求得参数a 和u 。
(3)解微分⽅程得时间响应函数，即数列预测的基本公式aue a u X t X at +-=+-)1)(1()1()0()1( (3)对⼀次累加⽣成数列的预测值进⾏还原即可得到要预测的数值。
1.2 线性回归预测理论回归分析预测⽅法是依据数理统计的回归理论和⽅法，找出因变量和⾃变量之间的依存关系，建⽴起回归预测⽅程进⾏预测的⽅法。
线性回归分析包括⼀元线性回归分析和多元线性回归分析。
⼀元线性回归预测法是通过分析预测对象的数据和某⼀影响因素之间的线性关系，建⽴⼀元线性模型进⾏预测的⽅法。
基于组合模型的铁路客运量预测
基于组合模型的铁路客运量预测胡小敏;贺园园【摘要】According to the defects of passenger traffic volume of railway single prediction model and traditional combination forecasting model,in order to improve the prediction accuracy of railway passenger volume,the combined model (ARIMA-LSSVM),a prediction method for railway passenger volume is designed.The railway passenger volume change periodic characteristics are predicted by ARIMA to grasp the whole railway passenger traffic volume,then the random variation characteristics are predicted by LSSVM for railway passenger volume forecast,at last passenger railway concrete is verified by test and analysis.The prediction results of the model show that the ARIMA-LSSVM model can accurate and comprehensive describe the railway passenger volume.The model improves the prediction accuracy of railway passenger volume,forecast results can help to provide valuable information to the railway management.%为了提高铁路客运量的预测精度,针对单一铁路客运量预测模型以及传统组合预测模型的缺陷,设计了基于组合模型(ARIMA-LSSVM)的铁路客运量预测方法,采用ARIMA对铁路客运量的周期性变化特点进行建模预测,从整体上把握铁路客运量的变化特点,采用LSSVM对铁路客运量的随机性变化特点进行预测,采用具体铁路客运量预测实例对性能进行测试和分析.结果表明,ARIMA-LSSVM可以准确、全面描述铁路客运量的变化特点,提高了铁路客运量的预测准确性,预测结果可以为铁路管理者提供有价值信息.【期刊名称】《微型电脑应用》【年(卷),期】2017(033)012【总页数】4页(P67-70)【关键词】铁路客运量;组合预测模型;最小二乘支持向量机;自回归移动平均模型【作者】胡小敏;贺园园【作者单位】西安交通工程学院,西安710300;西安交通工程学院,西安710300【正文语种】中文【中图分类】TP391随着我国交通事业的不断发展，铁路客运量不断增加，铁路客运量预测结果可以指导铁路企业和管理进制定相应的措施，对于提高经营、管理水平具有重要的意义[1]。
基于组合预测模型的我国铁路客运量发展趋势分析
基于组合预测模型的我国铁路客运量发展趋势分析韦师苏玉华[摘要]以我国铁路客运量为研究对象，建立描述我国铁路客运量发展趋势的数学模型，并检验模型的合理性和优良性，根据我国1999—2022年的铁路客运量时间序列图，选取描述我国铁路客运量发展趋势的数学模型，构建二次曲线模型、二次曲线指数平滑预测模型和灰色预测模型，并对模型进行求解和检验模型的合理性，综合二次曲线预测模型和二次曲线指数平滑预测模型，建立最优线性组合预测模型并检验合理性，通过曲线拟合的方式对模型进行优良性分析。
结果表明，所建模型合理有效，组合预测模型最优，较好地描述了我国铁路客运量的发展趋势。
1引言铁路作为近现代最为重要的交通运输方式，得益于轨道交通更趋向于快稳，越来越多的人愿意以铁路出行，轨道交通的高速发展也是一个国家经济发展水平的集中体现。
铁路交通的发展同样反哺国家工业，推动社会发展，成为一个良性循环。
研究铁路客运量的发展趋势，为铁路运输资源的合理配置，未来铁路运输规划提供理论依据。
关于铁路客运量，已有一定的研究。
国内有很多相关学者从不同方面进行探索和研究，也取得了很多研究成果。
研究的方法有很多种，有因素分析的，也有预测分析的，有只运用一种预测方法进行研究的，也有采用组合预测法的。
如：王晚香用灰色关联和多元回归预测的方法对我国铁路客运需求进行分析和预测;[1]曹韩运用ARIMA模型对我国铁路月客运量进行分析和预测研究;[2]王彬运用灰色回归组合模型对我国铁路客运量进行分析和预测研究;[3]张毅敏运用线性与非线性的组合模型对我国的铁路客运量进行分析预测研究;[4]袁胜强应用改进灰色神经网络模型对甘肃省的铁路客运量进行分析预测;[5]仝哲运用回归分析法、指数曲线预测模型和组合预测模型对北京市春运铁路客运量进行分析预测。
[6]文章以我国铁路客运量为研究对象，基于组合预测模型研究我国铁路客运量发展趋势。
首先，根据我国1999—2022年的铁路客运量时间序列图，选取描述我国铁路客运量发展趋势的数学模型;其次，构建二次曲线模型、二次曲线指数平滑预测模型和灰色预测模型，并对模型进行求解和检验模型的合理性;再次，综合二次曲线预测模型和二次曲线指数平滑预测模型，建立最优线性组合预测模型并检验合理性;最后，通过曲线拟合的方式对模型进行优良性分析，结果表明：所建模型合理有效，组合预测模型最优。
组合预测方法在我国铁路客流预测中的应用
Combination Forecast Method of China Railway Passenger Flow Forecast in the Application 作者： 黄召杰[1] 陈伟[2]
作者机构： [1]兰州交通大学,甘肃兰州730000 [2]潍坊市体校,山东潍坊261000
出版物刊名： 交通科技与经济
页码： 96-98页
年卷期： 2011年 第4期
主题词： 组合预测 Box-Jenkins模型 灰色预测模型 铁路客流 预测模型
摘要：科学准确地预测铁路客运量是制定铁路网规划的基础。
目前,运量预测的模型很多,单一模型并不能完全反映运量的变化规律和信息,因此,应采用Box-Jenkins模型和灰色预测模型相组合的预测模型方法对我国的铁路客运量进行预测,结果表明,组合预测模型能够提高我国铁路客运量的预测精度。
组合预测模型在我国快递量预测中的应用
组合预测模型在我国快递量预测中的应用王惠婷;李蒙【摘要】快递量是我国经济结构至关重要的一部分,所以快递量的精确预测对我国经济结构的调整有重要的意义。
本文利用1995年至2016年的相关数据,分别应用二次指数平滑模型、多项式曲线预测模型、建立ARIMA模型对数据进行预测和分析,再通过对这三种预测方法分别赋予不同的权重建立加权组合预测模型来改进预测误差,通过比较分析得出算子组合模型预测的精度更高,并运用该组合预测对2017年至2020年的快递量进行预测。
【期刊名称】《科学技术创新》【年(卷),期】2017(000)022【总页数】2页(P73-74)【关键词】快递量;二次指数平滑模型;多项式曲线预测模型;ARIMA模型;组合预测模型【作者】王惠婷;李蒙【作者单位】许昌学院数学与统计学院,河南许昌461000;许昌学院数学与统计学院,河南许昌461000【正文语种】中文【中图分类】O211.67近几年中国网络快速发展，越来越多的人喜欢网购，所以对快递的需求逐渐变多，促使我国快递量也不断增大。
据国家统计，2008年时我国就已经有5000多家快递企业进行登记注册，并且已经有23.1万人从事快递行业，快递量达到15.1万件(具体数据可参考国家统计局历年发布的统计年鉴)，2016年全国快递公司的快递量已经达到313.6亿件，与去年相比增长51.7%，随着我国国民消费水平的不断提高，人们对网购的依赖性越来越大，快递量将会持续增加，对我国快递量进行较准确的预测，不仅有助于我国快递市场及其快递企业的发展，而且对我国经济结构的调整及其规划具有重大的意义[1]。
加权组合预测理论是一个预测问题运用多个不同预测模型，根据各个模型的预测的准确性进行赋值，最后得到这几种预测模型的线性组合．用加权组合预测模型可以把二次曲线指数平滑模型，多项式曲线预测模型，ARIMA模型结合起来，可以综合这三个模型的优点，使预测结果更接近真实值[2]。
组合模型在公路货运量预测中的应用研究.
组合模型在公路货运量预测中的应用研
究
全部作者：
彭武雄
第1作者单位：
武汉理工大学交通学院
论文摘要：
1般来说，公路货运量受到多方面的影响，用1种预测方法1般不能反映货运量与多种因素之间的关系，也就不能达到准确预测的目的。
传统的组合预测方法只是将各种预测模型分别进行预测，再通过相应的权重得到最后的预测结果，过程繁杂。
本文将多种模型综合运用于货运量的预测，在预测的不同阶段运用不同的预测模型，方法简单、易行，同时克服了单1预测模型的缺陷，预测结果较为精确。
关键词：
时间序列模型；灰色模型；回归模型；组合模型；公路货运量 (浏览全文)
发表日期：
2007年06月01日
同行评议：
摘要中提到单1模型1般不能反映多因素之间关系的说法不正确，论文也未研究如何去反映因素之间关系。
论文以内插段拟合好坏作为预测精度的衡量标准也是不正确的。
论文中所用的灰色预测方法，按邓聚龙教授自己的观点该方法适合于短期预测，作者却用于进行6年以上的预测，应该是不合适的。
综合评价：
修改稿：
注：同行评议是由特聘的同行专家给出的评审意见，综合评价是综合专家对论文各要素的评议得出的数值，以1至5颗星显示。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘 要 ：根 据 我 国 铁 路 集 装 箱 运 输 发
展 ， 研 究 构 建 集 装 箱 运 量 预 测 模 型 和 方
法 。基于 １ ９ ９ ９ —２ Ｏ ０ ８ 年 铁 路 集 装 箱 运 量
历 史数据 ｚ ％ ， ＧＤ Ｐ 数 据 ， 分 别 选 用 回 归 分
Ａ ｂｓｔ ｒ ａｃｔ ：Ａｃ ｃ ｏｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ ｄｅ ｖ ｅｌ ｏｐ ｍ ｅｎ ｔ ｏｆ ｒ ａｉ ｌ ｗａ ｙ ｃ ｏｎ ｔ ａ ｉ ｎ ｅ ｒ
ｖ ｏｌ ｕｍ ｅ．
关 键 词 ： 集装 箱 运 量 ； 组合 预 测 ；回 归
分 析 ； 灰 色模 型 ；Ｂ Ｐ 神 经 网络
ｆ ｏｒ ｅｃ ａｓ ｔ ｍｏ ｄｅＩ Ｃ Ｏ Ｕｌ ｄ ｉ ｎ ｃｒ ｅ ａｓ ｅ ｆ ｏｒ ｅｃ ａ ｓ ｔ ｐｒ ｅｃ ｉ ｓｉ ｏｎ ｉ ｎ ａ ｃｅ ｒ ｔ ａｉ ｎ
析模 型 、 灰 色 系统 预 测模 型 、Ｂ Ｐ 神 经 网 络预 测 模 型 ，预 测 ２ ０ ０ ９ —２ ０ １ ４ 年 铁 路 集
装 箱 运 量 ， 根 据 各 方 法 的 误 差 确 定 权
重 ， 进 行 了运 量 组 合 预 测 。 组 合 预 测 模
型 能 在 一 定 程度 上 提 高预 测 精 度 ，对 铁 路 集 装 箱 运 量 预 测 是 可行 的 。
ｅｘ ｔ ｅｎ ｔ ａｎ ｄ ｉ ｓ ｆ ｅ ａｓ ｉ ｂｌ ｅ ｆ ｏ ｒ ｔ ｈ ｅ ｆ ｏｒ ｅｃ ａ ｓ ｔ ｏｆ ｒ ａｉ ｌ ｗａ ｙ ｃ ｏｎ ｔ ａｉ ｎ ｅ ｒ ｔ ｒ ａｆ ｆ ｉ ｃ
ｈｉ ｓ ｔ ｏｒ ｉ ｃ ｄａｔ ａ ｏｆ ｒ ａｉ １ ｗａｙ ｃ ｏｎｔ ａｉ ｎ ｅｒ ｔ ｒ ａ仟ｊ ｃ ｖ ｏＩ ｕｍ ｆ ｒ ｏｍ １ ９ ９９ ｔ ｏ ２０ ０６，ｔ ｈｅ ｒ ｅｇｒ ｅ ｓｓ ｉ ｏ ｎ ａ ｎａ ｌ ｙｓ ｉ ｓ ｍｏ ｄｅ１ ．ｇｒ ａｙ ｓ ｙ ｓ ｔ ｅｍ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｍｏ ｄｅｌ ａｎ ｄ ＢＰ ｎｅ ｕｒ ａＩ ｎ ｅ ｔ ｗｏｒ ｋ ｆ ｏｒ ｅ ｃａ ｓ ｔ ｍｏｄ ｅ１ ｗ ｅｒ ｅ ａｐｐｌ ｉ ｅｄ ｒ ｅ ｓｐ ｅｃ ｔ ｉ ｖ ｅｌ ｙ ｔ ｏ ｆ ｏｒ ｅｃ ａｓ ｔ ｔ ｈｅ ｒ ａｉ ｌ ｗ ａｙ ｃ ｏｎｔ ａｉ ｎｅｒ ｔ ｒ ａ ｆ ｆ ｉ ｃ ｖ ｏ ｌ ｕ ｍｅ ｆ ｒ ｏｍ ２ ００ ９ ｔ ｏ ２０１ ４．ｔ ｈ ｅｎ ｃ ｏｎ ｓｉ ｄ ｅｒ ｉ ｎｇ ｔ ｈ ｅ ｗｅｉ ｇｈ ｔ ａ ｃ ｃ ｏｒ ｄｉ ｎ ｇ ｔ ｏ ｅａ ｃ ｈ ｆ ｏｒ ｅ ｃ ａ ｓ ｔ ｍｏ ｄｅｌ ａｎ ｄ ｉ ｍｐ ｌ ｅｍ ｅｎ ｔ ｉ ｎ ｇ ｔ ｈｅ ｔ ｒ ａ ｉｃ ｆ ｖｏｌ ｕｍ ｅ ｃ ｏｍ ｂｉ ｎ ｅｄ ｆ ｏｒ ｅｃ ａｓ ｔ ．Ｔｈ ｅ ｒ ｅｓ ｕＩ ｔ ｓ ｈｏ ｗｓ ｔ ｈ ｅ ｃ ｏｍ ｂｉ ｎ ｅｄ
吴 璇 ， 王 烈
ＷＵ Ｘｕａ ｎ
，
Ｗ ＡＮＧ Ｌｉ ｅ
（ １ ． 中国铁道科 学研 究院 运输及 经济研 究所 ，北京 １ ０ ０ ０ ８ １ ；２ ． 中国铁道科 学研 究院 铁 道科学技 术 研究发展 中心 ，北 京 １ ０ ０ ０ ８ １ ）
（ Ｉ ．Ｔ ｒ ａ ｎ ｓ ｐ ｏ ｒ ｔ ａ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｅ ｃ ｏ ｎ ｏ ｍｉ ｃ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ， Ｃｈ ｉ ｎ ａ Ａｃ ａ ｄ ｅ ｍｙ ｏ ｆ Ｒａ ｉ ｌ ｗａ ｙ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ ，Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ８ １ ，Ｃ ｈ ｉ ｎ ａ ； ２． Ｒａ ｉ ｌ ｗａ ｙ Ｓ ｃ ｉ ｅ ｎ ｔ ｉ ｆ ｉ ｃ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ ａ ｎ ｄ Ｄｅ ｖ ｅ ｌ ｏ ｐ ｍｅ ｎ ｔ Ｃ ｅ ｎ ｔ ｅ ｒ ， Ｃｈ ｉ ｎ ａ Ａｃ ａ ｄ ｅ ｍｙ ｏ ｆ Ｒａ ｉ ｌ ｗａ ｙ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ ，Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ８ １ ，Ｃ ｈ ｉ ｎ ａ ）
Ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｏ ｆ Ｃ ｏ ｍｂ ｉ ｎ ｅ ｄ Ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ Ｍ ｏ ｄ ｅ ｌ ０ １ ｔ ｈ ｅ Ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｏ ｆ Ｒ ａ ｉ ｌ ｗ ａ ｙ Ｃ ｏ ｎ ｔ ａ ｉ ｎ ｅ ｒ Ｔ ｒ ａ ｆ ｆ ｉ ｃ Ｖ ｏ ｌ ｕ ｍｅ
文章编 号 ：１ ０ ０ ３ — １ ４ ２ １ （ ２ ０ １ ０ ） １ ０ — ０ ０ ９ ０ — ０ ５
中图分 类号 ：Ｕ ２ ９ ４ ． １ ３ ；Ｕ６ ９ ５ ． ２ ２
文 献 标识码 ：Ａ
组 合 预 测 模 型 在 铁 路 集 装 箱 运 量 预 测 中 的 应 用