改进K近邻算法的立体车库短时客流量预测

立体车库短时客流量波动性较大，具有明显的非线性特点，为实现立体车库短时客流量的预测，设计一种改进K算法。对传统K近邻算法做出了以下改进:采用AR模型计算当天到达趋势，并将到达趋势指标作为样本特征之一；在设计近邻搜索函数时，采用信息增益衡量样本特征与客流到达数据的相似度，对距离函数进行加权，提高历史数据与当前状态的匹配精度。最后取西安某自动化立体车库到达数据对算法进行检验，结果表明所使用方法预测存车和取车短时客流量的R平方误差分别达到0.722和0.734，比传统K近邻回归分别提高了5%和7%，为立体车库短期客流量预测提供了一种解决思路。     

组合模型在电梯客流量预测中的仿真研究

研究电梯客流量准确预测问题,以保证电梯运行安全.电梯客流量受到周末、上下班及假期影响,流量具有周期性、随机性和非线性变化特点.传统预测模型难以准确描述动态特点,导致电梯客流量的预测准确率低.为了提高电梯客流量的预测准确率,提出一种ARMA和RBF神经网络相结合的电梯客流量组合预测模型.组合模型首先利用ARIMA对电梯客流量线性变化部分进行预测,然后采用RBF神经网络对非线性部分进行预测,最后将两者结果相加,利用组合模型进行电梯客流量预测.仿真结果表明,组合模型用ARMA和RBF神经网络的优点,提高了电梯客流量的预测准确率,为电梯调度及优化控制提供了一种新的分析方法.     

税收组合预测仿真研究

研究税收组合准确预测问题,税收受到经济、政策等多种因素作用,单一模型只能反映税收变化的部分信息,预测精度低.为提高税收预测精度,提出一种灰色模型和多元线性回归的税收组合预测模型.首先分别采用灰色模型和多元线性回归对税收进行预测,然后采用拟合误差的方差最小原则确定两种模型的权重系数,最后得到组合模型的税收预测值.采用我国1988 ～2010年税收数据进行仿真,结果表明,相对于单一预测模型,组合预测模型不仅提高了税收的预测精度,而且为全面税收的复杂、动态准确预测提供了依据.     

基于灰色预测模型的航线客流量预测

准确的预测航线的客流量,对于航空企业制定航线销售政策有着重要的作用.针对民航客流量预测具有诸多不确定性和数据不足的特点,在选取某航空公司近六年三亚-北京往返航线数据的基础上,提出以回归分析、灰色预测方法对该航线2016年的客流量进行分析预测.经实证分析,结果表明:灰色预测方法对航线客流量的预测的精确度较高,对航空公司预估客流量和制订销售政策有直接的指导意义.     

基于ARMA-LSTM组合模型的铁路客流量预测

单一模型在铁路客流量预测中很难同时捕获到数据序列的线性、非线性和周期性等多种特征,从而无法取得很好的预测效果.针对该问题提出基于机器学习的ARMA-LSTM组合模型预测方法.对原始数据进行分析和特征提取;训练LSTM(Long Shot-Term Memory)模型和ARMA(Autoregressive moving average model)模型,分别得到两模型预测结果;通过BP神经网络算法对两模型进行权重优化,得到预测结果.将ARMA-LSTM组合模型与ARMA、LSTM、灰色模型、GM-LSTM组合模型进行对比,预测效果明显优于其他单一模型,预测结果误差(MAPE)降至3.10％ ～10.73％,验证了ARMA-LSTM组合模型在铁路客流量预测中有更高的准确性和更好的适用性.     

混合模型在经济时间序列预测中的应用研究

研究经济预测问题,为社会经济发展提供预测依据.由于经济时间序列是一种多维、非线性数据,采用单-的线性或非线性模型都不全面反映特点,导致预测精度不理想.为了提高经济时间序列预测精度,提出一种多变量自回归(CAR)和支持向量机(SVM)相结合的混合预测方法.混合方法首先利用CAR模型对经济时间序列的线性部分进行预测,然后采用支持向量机对非线性部分进行预测,将预测结果组合在-起,得到混合模型的预测结果.实验结果表明,混合模型的预测精度明显优于单独模型;发挥了2种模型的优势,得到一种精度高的经济预测效果.     

分解组合模型在短期燃气预测中的应用

在对城市燃气负荷数据特性进行分析的基础上,提出了针对城市燃气负荷量短期预测的思想即分解-组合预测模型,同时提出了三种分解方法对分解-组合预测模型进行了验证.首先在建模之前运用数据挖掘的方法对原始数据集进行了离群点挖掘与修正;其次,为了验证准确性,将三种方法的预测结果与其他单一、组合模型预测结果进行对比;最后为了验证该模型的有效性、适用性,对特殊日期、天气和其另一组燃气负荷量数据集进行了建模和预测,通过对预测值和实际值的误差分析,实验结果进一步验证了分解-组合模型的适应性和准确性.     

基于注意力机制优化EDM机场客流量预测

针对标准编码解码模型(Encoder-Decoder Model,EDM)对于时间序列数据提取能力弱的问题,提出一种融合双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)和注意力机制(Attention)的编码解码模型.通过Bi-LSTM对输入数据从正反两个方向进行特征提取,基于注意力机制将所得到的特征根据不同时刻分配不同权重,根据解码阶段的不同时刻生成相应背景变量,进而实现对机场客流量的预测.选取上海虹桥机场为例用该算法进行实验仿真,实验结果表明,本文所提方法与RNN、LSTM相比,平均标准误差降低了57.9％以上,为机场客流量预测提供了一种新的思路.     

组合模型在机场旅客吞吐量预测中的应用

研究机场运输优化控制问题,机场旅客吞吐量受到政治、经济、节假日、票价和天气等多种因素影响,具有周期性和非线性变化特点,传统单一预测方法只能描述其部分变化规律,预测精度低。为了提高机场旅客吞吐量预测,将灰色模型和BP神经网络相结合,形成一种机场旅客吞吐量组合预测模型。首先组合预测模型利用灰色模型对线性变化部分进行预测,然后采用BP神经网络对非线性变化部分进行预测,并对预测误差进行补偿。仿真结果表明,组合模型,解决了单一预测模型存在的缺陷,提高了机场旅客吞吐量预测精度,为机场旅客吞吐量预测提供一种新的思路。     

组合模型在传染病预测中的应用研究

研究传染病预测问题,由于受到外界因素和人体内部因素共同影响,具有不规则变动和非线性动态特点。传染病发生具有季节性、周期性和非规则等变化特点,单一模型只能预测中部分变化特点,预测误差比较大。为降低传染病预测误差,提出一种组合模型的传染病预测方法。首先分别采用ARIMA和LSSVM模型对传染病发生趋势进行预测,然后将两者预测结果输入到LSSVM重新进行学习,最后得到组合模型的预测结果。采用组合模型对某市乙肝发病率进行仿真。结果表明,组合模型降低了乙肝发病率的预测误差,预测结果更加可靠,为传染病预测工作提供新的技术手段。     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型。它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性。文中研究成果对所有航管部门具有一定的指导意义。     

基于改进ARIMA模型的城市轨道交通短时客流预测研究

城市轨道交通的精准短时客流预测可以很好地缓解城市交通拥堵,给城市居民带来更快速、更优质的出行服务.通常短时客流预测的客流量数据规律性较弱、随机误差干扰较强,ARIMA(Autoregressive Integrated Moving Average)模型能对因变量产生的推迟量、产生随机误差的滞后值及当前值进行预测.为验...     

灰色预测方法在铁路春运客流预测中的应用

文章通过对车站客流数据的分析，认为火车站作为一个系统，是本征性灰色的，故选择使用灰色预测方法，对春运客流量做出预测，并根据实际预测结果对基本模型进行了优化：选择优化参数a,采用残差预测模型，新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明，预测结果是可信的。     

支持向量机在航空运输量预测中的应用

分析了现有航空运量预测方法存在的问题,建立了航空旅客运输量预测的支持向量回归模型,以中国南方航空公司1978～2002年的旅客运输量和相关指标的历史统计数据作为学习样本,分别选用不同的核函数,通过拟合训练进行预测,验证了支持向量机用于航空旅客运输量预测的有效性,并对模型中的有关参数进行了探讨分析。     

基于Prophet-ARIMA模型的民航周转量预测研究

周转量作为计算运输成本、客货运收入、劳动生产率、客货运平均行程和运输密度等指标的依据,能比较全面和确切地反映运输的成果以及运输生产产品的数量,其预测对民航的科学化发展有重要意义.与民航业的快速发展和民航市场的不断扩大相比,目前民航的预测模型种类较少.为探索一种更为有效的方法来提高民航周转量预测准确率,较为新颖的Prop...     

基于注意力机制和分时图卷积的公交客流预测

实际公交路网通常为复杂的非线性时变系统,难以有效构建线路间的时空间依赖关系.因此,文中提出基于注意力机制和分时图卷积的公交客流预测模型,提升公交客流量预测的准确性.首先通过长短期记忆网络提取历史数据中的时间特征,并利用通道注意力模块加权特征.再使用分时图卷积方法分析不同时段下公交线路间的空间依赖性,根据预测时段选择不同的关系矩阵,通过图卷积的方式完成对非欧关系的建模.最后,融合提取的时空间特征与外部因素(天气、节假日信息等)的特征表示,得到最终的预测结果.在真实公交数据上的实验表明,文中模型可提升预测精度,加快学习速率.     

基于计算实验的公共交通需求预测方法

一般来说,用于交通需求预测的数学模型往往缺少对出行个体微观水平上的异质性和可变交通情景的考虑.针对这些问题,本文提出了一种基于计算实验的公共交通需求预测方法.该方法主要由交通调查、基于Agent的人工交通系统（Artificial transportation system,ATS）和计算实验3部分组成.在出行个体Agent建模中引入BDI（Belief-desire-intention）模型,来推演各出行个体在出行过程中对各交通选择的决策制定过程.在人工交通系统的基础上,可以设计并执行大量的计算实验来进行交通需求预测.本文通过基于校车系统的一系列交通调查和计算实验验证了该方法的可行性和优越性,并针对各种不同交通情景进行了交通分布预测和交通方式划分预测.     

灰色模型在春运客流量预测应用中的优化

将火车站视为本征性灰色系统，选用灰色预测方法对春运客流量作出预测，并根据实际预测结果对基本模型进行优化。采用残差预测模型和新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明预测结果是可信的。