基于小波分析的公路旅客运输量预测

为了更加准确地预测动态变化的公路客运量,提出了基于小波分析的客运量的预测方法.针对公路客运量具有拟周期性、非平稳性和非线性的特点,首先利用小波变换对公路客运量时间序列进行小波分解,再重构低频信号提取其变化趋势,然后采用Antisymmetric(whole-point)方法对变化趋势进行延拓,对延拓后信号进行采样得到预测结果.实验表明,该方法可以有效地减小数据预测的误差,优于一般的曲线拟合法.     

经济预测方法的应用

运用多种经济预测方法,对长春市公路客运量进行预测,经过综合分析,确定出预测年度长春市公路客运量的预测值。     

公路客运量预测方法的比较

科学准确地预测公路客运量,超前掌握公路客运量发展的趋势、特点、规律和数量,是制定公路客运发展和站场配置规划的基础。运用灰色模型、指数平滑模型、回归分析法、弹性系数法等多种预测模型对某城市2003~2015年公路客运量进行了分析预测,通过残差分析和绝对百分误差(MAPE)进行择优,提高了预测精确度。最后采用组合预测确定终值并进行了分析比较。结果表明,组合预测综合考虑了各种因素的影响,能够提高公路客运量预测精度,为公路客运发展提供科学决策依据。     

辽宁省公路客运量预测研究

公路客运量的科学预测对公路的规划建设和管理提供了重要依据,通过对辽宁省2009~2015年公路客运量影响因素进行分析,并充分考虑建模自变量的多重相关性,建立了基于偏最小二乘法改进的预测模型对辽宁省公路客运量进行建模并预测,将预测结果与实测结果进行比较,分析结果表明:利用偏最小二乘回归模型预测相对误差均值为0.91%;相对误差最小值仅为0.30%;最大值为1.17%。     

基于Softplus函数的双隐含层BP神经网络的公路客运量预测

为了提高预测模型的精度,提出一种基于Softplus激活函数的双隐含层BP神经网络的预测方法,提高了模型的非线性学习和泛化能力及预测精度,并改善了网络性能。将该方法应用于公路客运量实际预测中进行有效性验证,结果表明该方法对公路客运量有更好的非线性拟合能力和预测准确性。     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

应用灰色系统GM（1,1）模型预测长春市公路客运量

利用我市１９８８年～１９９４年公路客运量，建立灰色系统ＧＭ（１，１）模型及残差修正ＧＭ（１，１）模型，利用该模型对我市１９９５年、１９９６年、１９９７年公路客运量进行了预测。     

遗传算法在公路综合客运量预测中的应用

在公路网规划中，正确确定区域的公路综合客运量是一项重要的基础工作。文章介绍了基于实数编码的遗传算法在公路综合客运量预测模型求解中的应用，计算结果表明，该方法要优于线性化最小二乘参数估计法，为公路综合客运量预测提供了一种有效的方法。     

基于乘法ARIMA模型的公路客运量预测

在收集了2004-2007年我国公路客运量月度数据的基础上,进行时间序列分析,建立了我国公路客运量月度数据的求和自回归移动平均（ARIMA）模型。分析结果显示：与常用的多项式曲线预测模型和灰色预测模型相比,模型ARIMA（2,1,2）（1,1,1）12有更好的预测效果,可以用于我国公路客运量月度数据的短期预测。     

广州市公路客运线路客运量的预测

公路客运量的预测对于公路客运的管理和决策具有重要意义。本文研究了利用重力模型预测2005年和2010年广州市公路客运线路客运量的方法,并给出了主要线路的预测和分析结果。     

基于RBF神经网络的高铁客运枢纽客流参数预测方法

客流参数预测是实现枢纽客流安全状态预警的重要手段,针对枢纽客流参数的预测问题,提出了基于RBF神经网络的高铁客运枢纽客流参数预测方法,通过对高铁综合客运枢纽内瓶颈点的短时客流参数信息进行预测,对客流的拥堵或滞留状态进行及时预警. 实验证明基于RBF神经网络的高铁客运枢纽客流参数预测方法能够对瓶颈点未来短时内的客流参数信息进行较准确地预测,并可较好地反映滞留客流状态.     

铁路客运需求分析与短期客流预测研究

旅客对于铁路客运的需求直接决定了铁路自身的运输生产,对历史旅客需求规律的准确分析以及对未来短期需求的准确预测对旅客运输组织的优化极为重要。为此,提出了基于Prophet模型的铁路客运量需求分析方法和基于Seq2Seq-Attention与Prophet非线性组合模型的短期客流预测方法。前者可以从长期的历史数据中分解出普适整个数据的客流时间分布特征,从而对过去的客运需求规律做出分析;后者利用神经网络进行非线性组合,以求在不同规模的数据集上充分发挥Seq2Seq-Attention网络与Prophet模型各自的优势,做出更精准的客流需求预测。通过实例验证表明,使用Prophet模型将客流历史数据分解成多种时间分布类型数据后在整个数据集上的误差仅有6.68%,同时Seq2Seq-Prophet模型在数据集上的预测效果好于组成它的单模型和其余既有方法。     

基于Logit模型的珠三角城际轨道交通与公路客运竞争力研究

随着城际轨道交通的出现,传统的公路客运将会受到前所未有的挑战.在分析影响城际轨道交通和公路客运竞争力的各因素的基础上,采用Logit模型对广州-深圳间城际轨道交通与公路客运的分担率进行研究,并总结两种运输方式各自的优势和劣势,最后对珠三角公路客运的发展提出几点建议.     

铁路城际客流预测模型的研究

在客运市场,准确把握城际客流的影响因素,及其对铁路城际客流的影响程度,对铁路运输企业是非常关键的.文章从铁路运输企业的角度,分析影响城际客流的因素,利用灰色理论中系统关联度分析方法,建立一种新的铁路城际客流GM(1,5)预测模型.并以广州至深圳城际客流为背景,预测其铁路城际客流,为铁路运输企业客运产品设计提供科学依据.     

基于混沌自适应遗传 ν SVR的城市客运量预测

针对城市客运量预测问题本身所存在的小样本、高维数和非线性等特点,将ν-支持向量回归机(ν-support vector regression,ν-SVR)应用于城市客运量预测.为了提高ν-SVR模型的预测精度和泛化性能,利用基于混沌理论和自适应机制的混沌自适应遗传算法(chaosadaptive genetic algorithm,CAGA)优选ν-SVR模型参数,建立了基于CAGA进行参数优选的CAGA-ν-SVR城市客运量预测模型.结合1978～2008年统计数据进行了仿真预测,结果表明该模型的预测性能优于RBF神经网络模型、GA-SVR模型和GA-ν-SVR模型,平均绝对相对误差控制在2.3%以内,可有效应用于城市客运量预测.     

基于非集计模型的中长途客运旅客选择方式

近年来,随着我国高铁的快速发展,给公路客运产生了巨大的冲击。为了提高公路客运企业竞争力,结合中长旅客出行需求和发展态势,笔者从旅客特性、出行特征、运输方式特性等角度,分析了旅客出行行为偏好影响因素,构建了基于非集计的多元Logistic旅客选择方式回归模型。论文依据北京公路客运数据,对0～400km和400～800km的中短途和中长途旅客出行选择行为进行了敏感度分析实验。实验表明,0～400km中短途出行的旅客对便捷性和准时性的敏感度高,而400～800km中长途出行的旅客对出行费用、出行时间、舒适性和安全性的敏感度高。     

面向长途客运公交化服务的高速公路网路径选择优化模型

摘要：现代交通运输系统及城镇化发展,推动了地区性的共城市化,促进了市郊及城际客运交通需求的持续增长。高速公路作为全国公路网的最重要组成部分,不但是社会经济发展的主动脉,在长途旅客运输中也发挥着重要的作用。为了对高速公路长途客运中的公交化服务问题进行研究,本文建立了以高速公路为载体的长途客运公交化服务优化模型,并采用Dijkstra算法对模型进行求解。研究结果表明：通过运用本文所构建的模型及算法能够得到不同需求状态下的最优方案,从而找到服务效率最高的路径。本项研究可以为长途客运公交化服务水平的提升提供理论支撑。     

Disaggregate Traffic Mode Choice Model Based on Combination of Revealed and Stated Preference Data

Introduction The disaggregate model is one of the most important models for modal split forecasting and is widely used in transportation predictions.Unlike conventional ag-gregate models,the disaggregate model deals with in-dividuals who make transport de…     

论相关系数的区间型组合预测模型

通过区间数域上的组合预测对待预测模型进行定量预测,文中的组合预测是在以相关系数作为评价组合预测方法的标准,在文中给出区间数域上组合预测的解决模型,结合实际的经济学问题,给出相应的结果并说明该模型的有效性和优势性.