正确运用货运量预测方法，为太原北站西山支线发展做好决策支持

针对现有铁路货运量预测方法的不足和铁路货运量的随机波动性，基于灰色预测理论，建立了铁路货运量预测的随机灰色系统模型即GM（1，1）模型。试模型在对货运量原始数据生成处理的基础上，建立了符合检验要求的残差模型，以预测铁路赏运量的发展趋势。通过GM（1，1）预测模型较好地预测了2020年西山支线的货运量，为西山支线长远运输规划是提供决策支持。     

基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。     

基于系统云灰色SCGM(1,1)c模型的铁路货运量预测

从铁路货运量的预测问题出发,试图找到稳定有效的方法对铁路货运量进行预测。通过对历年铁路货运量的定性分析,合理地选择预测数据数列,以充分体现铁路货运量的变化趋势。尝试采用单因子系统云灰色SCGM(1,1)c模型对铁路货运量进行了动态预测。结果表明:单因子系统云灰色SCGM(1,1)c模型在对铁路货运量的拟合和预测均有较好的效果。拟合精度和预测精度分别达到了98.83%和98.04%,可以有效地进行铁路货运量的短期预测。     

铁路客货运量预测的随机灰色系统模型

针对现有铁路客货运量预测方法的不足和铁路客货运量的随机波动性,基于灰色预测理论,建立了铁路客货运量预测的随机灰色系统模型.该模型在对客货运量原始数据生成处理的基础上,建立了符合检验要求的残差GM(n,h)模型,以预测铁路客货运量的发展趋势;再通过引入相对误差序列的随机过程,建立了随机GM(n,h)模型,以综合考虑随机因素对铁路客货运量未来发展趋势所带来的影响,提高铁路客货运量预测的精度.理论分析和实例计算结果表明:随机灰色系统预测模型直观,且操作性强,预测结果精度较高.     

基于SSA-LSTM组合模型的城市轨道交通短时客流预测

随着我国经济的快速增长及城市化水平的不断提高，轨道交通在居民出行中发挥着越来越重要的作用。作为影响城市轨道交通运营效益和服务水平的关键因素，客流精准预测受到运营管理者和研究者的日益重视。为提高城市轨道交通客流预测精度，提出了基于麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的SSA-LSTM组合模型。本文以杭州地铁一号线客流量数据为例，在选取轨道交通客流相关影响因素的基础上，利用建立的SSA-LSTM模型对相关站点进行短时客流预测，并与LSTM模型、遗传算法(GA)优化的LSTM模型(GA-LSTM)以及粒子群算法(PSO)优化的LSTM模型(PSO-LSTM)预测结果进行对比分析。结果表明，相比于前述参照模型，SSA-LSTM模型的预测精度分别提升了19.1%、9.7%和2.4%,并在均方根误差指标方面有更优异的表现。SSA-LSTM组合模型在城市轨道交通客流预测中具有一定的应用价值，具有协助运营管理者提高城市轨道交通运营管理效益和提高服务水平的潜力。     

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。     

基于时间序列的铁路客流量预测及票额优化配置

铁路客流量受多因素影响,其时序特征明显,因此,基于平稳时间序列构建客流数据预测模型及单车次多区间票额分配模型,有利于掌握客流动态变化,改善铁路运营压力。实现特征数据抽取系统开发,进行累加、循环、筛选算法等数据预处理;运用多因子方差分析评价多种因素的显著相关性影响,通过ARMA模型进行短时旅客客流量预测,进行模型优化并检验,同时,基于线性规划构建客座率最大化的区间票额分配优化模型。     

高速公路运营收入支出预测模型研究及应用

在运营收入和支出构成因素分析的基础上，根据收费及成本管理理论构建运营收入和支出的预测模型，并依托工程对预测模型进行应用性研究。预测结果表明，模型的近期预测误差控制在5％以内，完全符合财务评价要求，     

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。     

电信企业运营收入预测方法比较

本文以某电信企业为例，重点介绍BP神经网络模型及Elman神经网络模型在运营收入预测中的应用，依据各类模型的预测精度、预测结果合理性筛选出最为适用的预测方法。     

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测,再利用LSTM网络对残差进行校正,并将其与XGBoost模型结合,采用误差倒数法确定权重,构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验,实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。     

正确运用货运量预测方法,为太原北站西山支线

针对现有铁路货运量预测方法的不足和铁路货运量的随机波动性,基于灰色预测理论,建立了铁货运量预测的随机灰色系统模型即GM(1,1)模型.该模型在对货运量原始数据生成处理的基础上,建立了符合检验要求的残差模型,以预测铁路货运量的发展趋势.通过GM(1.1)预测模型较好地预测了2020年西山支线的货运量,为西山支线长远运输规划是提供决策支持.     

路基沉降的灰色理论预测及实例验证

运用灰色理论GM(1，1)模型，对铁路高填方路基的沉降进行预测，建立预测模型，并且运用后验差法进行精度校验；最后通过具体实例，验证所建立的高填方路基预测模型的精度，从而证实该方法的有效性。     

框构涵顶进施工工艺要点之滑板施工工艺漫谈

1．综述 近年来，随着铁路跨越式的发展，大规模铁路建设工程的兴起，列车提速已成为铁路运营发展的一种必然，随着铁路列车速度越来越快，为了保证列车行车安全，大量原有的公铁平交道口改为公铁立体交叉，     

基于粒子群优化偏最小二乘的铁路客运量预测

通过对1997—2012年铁路客运量的影响因素进行分析,建立偏最小二乘回归模型,并用实际的铁路客运量与预测值进行比较,检验出模型的预测误差较大.为了提高模型的预测精度,采取粒子群优化算法优化回归系数,得到一个新的模型.经检验,该模型的预测误差由原模型的3.04%降到1.01%.最后用该模型预测出2013—2014年的铁路客运量分别为210.970 5千万人和227.368 8千万人.     

铁路路基沉降预测评估方法适用性对比分析

铁路路基工后沉降变形分析评估是铁路轨道工程铺设的必要条件和关键工序之一。文章利用灰色理论、指数法和双曲线法对铁路路基沉降进行研究预测,得出了不同模型的预测精度。从结果来看三种模型中灰色理论能够更好地反应沉降趋势,分析预测精度较好,可为监测提供有效的信息。     

铁路线路生命周期内的环境影响定量评价

基于生命周期评价理论(Life Cycle Assessment,LCA)和生态指标法,建立铁路线路生命周期内环境影响定量评价模型.对铁路线路从建筑原材料生产、建设施工到开通运营直至拆除等生命周期各个阶段,采用人类健康损伤、生态系统破坏、资源能源消耗3个终点破坏评价模型,按照评价目的和范围的确定、清单分析、分类和特征化计算、标准化和加权分析4个步骤,对铁路线路生命周期内的环境影响作定量评价,并以某铁路线路为例,进行生命周期内的环境影响定量评价.结果表明:在铁路线路生命周期中,资源能源(含运营列车能耗)消耗对环境影响所占的比例最大,约占线路生命周期内对环境全部影响的67%;生态系统破坏次之,约占21%;对人类健康损伤最大的时期是在施工阶段;对生态系统破坏和资源能源消耗最大的时期是在运营阶段;运营阶段对环境影响的贡献最大,施工阶段次之.     

基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

基于季节ARIMA模型的铁路客运能力需求预测研究

针对铁路客运资源时空配置不均衡问题,运用面板数据的非线性时间序列分析理论,构建了预测铁路客运能力的3种ARIMA模型,并运用客运区段内13个站点的客流量数据进行了实例分析。结论如下:季节ARIMA模型预测铁路客运能力显著性最强;铁路客运呈现出单周的季节波动,同时节假日对季节波动的影响显著。