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。     

基于模糊时间序列的机场旅客周转量预测

本文在分析了各种机场旅客周转量预测模型的基础上,提出了采用模糊预测法的建议,剖析了模糊时间序列预测模型的基本算法,实例验证了模型的有效性,并对双流机场未来5年的客运周转量进行了预测,其结果具有较高的精度,该方法可作为预测航空客运量的有效工具。     

基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

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.     

基于支持向量机的铁路客运量预测

提出了一种基于最小二乘支持向量机（LS—SVM）的铁路客运量预测的新方法。1985-2002年的铁路客运量组成整个数据集。前5年的客运量用来预测第6年的客运量,由1985-1999年的客运量建立LS-SVM客运量预测模型。运用建立该模型预测2000-2002年的铁路客运量。结果表明：提出的LS-SVM客运量预测方法是有效的。     

加权几何平均组合预测方法在公路客运量预测中的应用研究

对我国公路客运量进行科学、准确的预测,提前掌握客运量的变化发展趋势及规律,是为职能部门制定公路客运发展规划和配置基础设施的基础。提出基于向量投影法的加权几何平均的组合预测模型,并运用该模型对某城市2003－2015年公路客运量进行了预测,预测结果表明该方法具有较好的预测精度。     

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。     

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EMD和SVM的铁路客运量分析研究

随着生活水平提高,铁路客运量的预测也越来越重要,铁路客运量数据非线性且非平稳,预测难度较大.为了使预测的结果更加准确,将经验模态分解模型与支持向量机模型进行组合,对铁路的客运量数据进行预测.首先运用经验模态分解模型将铁路客运量数据分解,提取前三个不同频率的平稳分量以及余项;然后使用支持向量机分别对其进行回归预测,在建立...     

基于随机波动条件的公交客运量预测模型

针对传统的灰色GM（1,1）预测模型在预测公交客运量中存在误差过大的问题,结合公交客运量随机波动的显著特征,通过对残差序列进行再处理,构造新的数据序列,构建GM（1,1）改进预测模型对公交客运量进行预测,并应用于某城市的2条公交线路客运量预测。结果表明：随机波动条件下的GM（1,1）改进预测模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模后预测的公交客运量的平均相对误差分别为4.9%和5.3%,明显优于传统GM（1,1）模型预测的公交客运量的平均相对误差7.5%和7.45%;相对误差最大值分别降低了4.68%和2.99%。     

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。     

客运交通量预测模型构建与分析

客运量预测是在客运市场调查的基础上以及历年的客运统计数据为依据,采用科学的方法和手段,对未来一定时期内客运量的需求的变化趋势以及与之相关的各种因素的变化的影响进行分析、测算并做出预见和判断.通过对公交票价和市区人口数以及市区自行车保有量数据进行分析,利用多元线性回归方法建立了城市客运量的预测模型.其次又运用二次指数平滑法对某市下一年的客运量做出了科学的预测,同时建立客运量预测模型.并对两种预测模型的精度进行了比较,将两种预测模型下的拟合值与实际值进行了对比,进一步检验了模型的应用.     

基于遗传优化神经网络的铁路客运量预测研究

采用遗传优化的BP神经网络对铁路客运量的现有数据进行分析,克服了BP网络极易陷入局部解问题,做出合理的客运量预测.首先用遗传算法优化神经网络的连接权, 并在遗传进化过程中保留最优个体的方法,选择权值的最优解来建立遗传优化的BP 网络预测模型, 最后通过铁路客运量数据预测结果的对比仿真实验,表明了该方法的有效性.     

河南省铁路客运量预测中影响因素的灰关联分析

铁路客运量预测是铁路旅客运输组织工作的重要基础和主要依据之一。从定性和定量两个角度出发,提出了铁路客运量预测的影响因素体系,并建立了铁路客运量多目标灰关联评价模型。该模型的应用,可以对各个地区的铁路客运量影响因素进行评价比较,并分析各种因素的影响程度,确定其层次结构及对客流的关联度,对于提高现有铁路运量的预测精度有着极其重要的现实意义。     

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。     

基于乘积季节模型的铁路客运量预测

利用中国铁路客运量2005-2016年的月度数据资料,采用乘积季节模型进行建模,对2017年1-6月进行预测;在Eviews和R软件操作下训练与测试数据,分别得到两种乘积季节模型;结果表明:两种软件下客运量的预测误差率均控制在10%以内,两种模型都能较好地预测铁路客运量未来数据的变化情况;通过比较,Eviews建立乘积季节模型,数据分析思维更加严谨,但操作较为复杂,平均预测误差率为4.59%,预测正确率稍低;R软件利用程辑包中相关分析、参数估计与预测函数等,可直接进行分析与预测,操作较为简便,平均预测误差率为3.36%,数据预测正确率较高;通过利用R软件建立ARIMA(2,1,1)×(1,1,1)12模型,此时模型预测精度较好,为预测未来全国铁路客运量变化提供一定的参考价值。     

影响浙江省公路客运量主要因素的回归分析

为了研究浙江省的公路客运量,选取居民总消费水平、全省生产总值、年末总人口数、人均可支配收入、通车总里程数和其他客运总量六个主要影响因素,根据多元线性回归方法建立数学模型,运用SPSS统计软件,得到这些影响因素与浙江省公路客运量的关系,并对未来的公路客运量进行一些预测.     

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.     

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%。     

基于多元线性回归的公路客运量发展预测模型

文章为预测未来公路客运量的发展,在分析影响客运量发展相关因素的基础上,应用多元线性回归方法,建立了客运量发展预测模型;经过统计学相关检验表明,所获得的模型正确,具有一定的科学性和有效性.