铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型.结果表明:组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠.与单一模型相比,该法具有较好的实用价值.     

铁路货运量组合预测方法

为了对铁路货运量进行科学预测,在指数平滑、模糊移动、线性回归、灰色预测4种单一模型的基础上建立组合预测模型。结果表明：组合预测模型能有效综合各模型的有用信息,并能提高其预测精度,预测结果可靠。与单一模型相比,该法具有较好的实用价值。     

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。     

基于变权重组合模型的铁路货运量预测

介绍了变权重组合预测方法,建立了铁路货运量的变权重组合预测模型,并与1998-2007年铁路实际货运量对比,表明预测数据比较切合历史数据,接近货运量的实际情况。在此基础上预测了2008-2010年铁路货运量。     

灰色变权组合模型的货车车轮踏面磨耗预测

为探讨变权组合模型在货运专线车轮踏面磨耗趋势预测中的应用,采用基于灰色新息GM(1,1)模型、灰色离散GM(1,1)模型和指数平滑模型为一体的变权组合方法研究货运专线车轮踏面随走行公里的磨耗趋势,并与各单项模型预测结果和定权组合预测结果作对比,研究结果表明:应用组合方法比单纯应用单项预测模型方法更合理,预测结果更可靠,且变权组合预测模型优于定权组合预测模型,预测精度较高。本文所提出的变权组合预测方法能够很好地预测货运专线上车轮踏面的磨耗趋势,是一种研究运输专线上车辆轮对维护决策的有效方法。     

铁路货运量组合预测方法的研究

介绍了两种以灰色预测和线性回归预测理论为基础的组合预测模型,分析其理论基础、算法思路和计算步骤。通过对甘肃省铁路货运量的实例验证,说明了这两种组合预测模型的可行性。     

基于BP神经网络的铁路货运量预测

在铁路货运量预测中，为改善传统预测方法数据拟合度不高、外推性不强等问题，提出基于BP神经网络技术的货运量预测模型，该模型采用贝叶斯正则化方法以提高神经网络推广能力。实验比较发现，该模型具有较强的自适应性，其拟合、预测结果优于灰色预测模型GM（1，1）和修正指数回归模型，证实了该方法的可行性和可靠性。     

新亚欧大陆桥连霍段铁路货运量预测研究

合理科学预测铁路货运量对铁路基础设施规划建设具有重要意义。概述新亚欧大陆桥连霍段现状及沿线经济发展情况,阐述回归预测模型和灰色预测模型原理,充分考虑以上2种预测模型优势,构建回归-灰色组合预测模型。在此基础上,通过对新亚欧大陆桥连霍段铁路货运量的预测,对回归预测模型、灰色预测模型和回归-灰色组合预测模型的预测结果进行比较分析,表明回归-灰色组合预测模型预测结果更能真实反映实际情况,可以为相关决策部门提供参考依据。     

GM(1,1)-Logistic路基沉降组合预测模型研究与应用

路基沉降预测是指导正确施工及运营期路基养护的一个重要因素.GM(1,1)模型及Logistic模型被广泛应用于路基最终沉降量的预测.基于组合预测的基本理论,结合GM(1,1)模型及Logistic模型的特点,提出了GM(1,1)-Logistic组合路基沉降预测模型,采用线性组合预测方法,以过去一段时间内组合预测误差平方和最小为原则来求2个预测模型的加权系数.结合工程实际监测数据的计算结果和分析表明,GM(1,1)-Logistic组合预测模型在预测精度上比单个模型具有更好的适用性.     

基于相空间重构的铁路货运量神经网络预测

针对现有铁路货运量预测方法的不足,建立了基于相空间重构的神经网络预测模型。该模型在对货运量原始数据进行相空间重构的基础上,将重构后的数据输入神经网络进行学习训练,最后选取待预测的时间点来预测铁路货运量的发展趋势,并以大秦线1989--2008年的货运量数据为基础进行预测与验证分析。     

基于方法组合的轨道电路故障诊断模型

为了解决单一方法对25 Hz相敏轨道电路的故障诊断精度偏低等问题,提出基于最优权值的多方法组合故障诊断模型。首先通过模糊综合评判、灰色关联分析和BP(Back propagation)神经网络3种不同的诊断方法,对轨道电路进行初步故障诊断,然后根据各诊断方法的误判率计算出对应的最优权值,最后对各方法的诊断输出进行最优权值加权平均得到综合诊断的输出结果,确定故障类型。诊断结果表明:组合诊断模型有效地提高了轨道电路故障诊断的准确度,并证明了组合诊断模型的诊断准确度随着诊断方法的数量增加而提高。     

2003年SARS对我国铁路客运量的后影响评价

2003年SARS是高传染性的公众健康危机,我国铁路旅客运输出现严重“滑坡”并蒙受巨大损失。本文依据本底趋势线理论,对此次危机造成铁路客运量损失、危机生命周期及全国28个省市区差异进行了定量分析与估算。结果显示:①2003年SARS共造成铁路客运量损失1.043亿人,占全国客运量总损失的10.22%,相对损失率为9.69%;②2003年3~4月危机开始生成显现,5~6月全面爆发并达到鼎盛,7~10月为衰减恢复期,SARS危机对铁路客运的影响持续8个月;③SARS危机对全国各省份铁路客运量所造成的损失差异较大,其中,北京、辽宁、广东、四川、黑龙江、河北的客运量损失在686万~867万人,江苏、河南、浙江、陕西、吉林、上海、山西的客运量损失在417万~607万人;④剔除青海和广东两省,26个省份铁路客运量损失与客运量基数、SARS确诊人数具有显著的相关性,其中,SARS确诊人数的边际系数为11.4%。     

基于灰色关联分析的LS-SVM铁路货运量预测

为提高对铁路货运量的预测精度及建模速度,在分析货运量影响因素基础上,提出基于灰色关联分析的LS-SVM铁路货运量预测方法。将货运量影响因素分为社会需求与铁路供给两方面因素,采用灰色关联分析法对两方面因素与货运量进行相关性分析,根据灰色关联度值,结合定性分析筛选LS-SVM输入变量,简化LS-SVM结构,再通过随机权重粒子群(SIWPSO)算法优化选择LS-SVM模型参数。通过对我国1980～2009年铁路货运量实例分析表明:该方法具有较快的收敛速度和较高的预测精度。     

基于三次指数平滑法的建筑主材价格预测

工程建设项目一般周期较长,在招投标阶段如何预测和合理确定主要材料的价格对投标报价至关重要。随着施工的开展和主要材料价格的波动,合同价款的调整与幅度及风险分担,承发包双方往往存在不同意见或争执。为解决这一方面的问题,此文基于三次指数平滑法通过建立预测模型与分析,推导出计算公式。并以24mm热轧圆钢价格为样本对其中短期价格进行预测,预测结果表明,与实际价格的相对误差在3％左右,准确性较高,可以作为是否调整合同价款的依据。     

城市轨道交通进站客流量短时组合预测模型

高精度的短时进站客流量预测对城市轨道交通日常客流组织具有重要意义,利用客流预测结果在事前实施限流、疏导等措施,较事后控制更及时、先进。通过采集15 min间隔的地铁进站客流数据,利用上周同期进站量、本日上一时段进站量以及高峰和非高峰时段参数作为输入变量,尝试分别采用加权历史平均自回归模型、ARIMA模型及小波神经网络模型进行短时预测,以获得精度最高的模型。在此基础上,进行三种方法组合预测,探究组合预测效果。通过案例分析,发现当考虑时段因素时,小波神经网络预测精度最高,为91.05%;ARIMA模型误差结构最好。当采用所提出的组合预测模型后,预测精度指标较独立预测模型均有提升,但误差结构没有得到改善。研究表明,所提组合预测模型可以有效地应用于城市轨道交通进站客流的短时预测中。     

基于概率分布的轨道不平顺发展统计预测

针对轨道不平顺的随机性,应用数理统计原理和方法,对轨道动态不平顺检测数据进行统计分析,研究轨道不平顺的概率分布特性。分析讨论基于不平顺分布函数特征的不平顺发展统计预测方法,比较不同统计预测模型的预测效果和预测精度。研究结果表明:轨道不平顺概率分布接近于正态分布;在轨道不平顺概率分布特性分析的基础上,指数平滑预测方法具有较好的预测效果和预测精度,能够用于轨道不平顺发展预测问题的研究。     

软土路基沉降预测方法探讨

双曲线法、指数曲线法和三点法均是软土路基沉降预测的常用方法,此三种方法对沉降观测时间均有要求。为此,以某高铁试验段的塑料排水板联合超载预压加固处理测出的路基沉降数据为基础,分析这三种方法的适应性和稳定性。结论为:在恒载6个月内,不同预测方法和实测值变化规律基本一致;双曲线法预测的最终沉降总体上较其他方法大;指数法一和三点法以前3个月、后3个月和6个月数据为基础的预测规律最接近,以前3个月和后3个月的数据为基础的两次预测的沉降差值最小。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。