排序方式: 共有57条查询结果,搜索用时 15 毫秒
21.
22.
民航客运量的ARIMA模型与预测 总被引:1,自引:0,他引:1
王婷 《五邑大学学报(自然科学版)》2007,21(1):38-42
介绍了求和自回归移动平均(ARIMA)模型的一般表达方式,并提供了使用该模型进行建模和预报的一般过程,最后以某条航线的实测数据为例,进行实证分析,得到了8步的短期预报结果,其相对误差为0.08. 相似文献
23.
李星华 《西昌学院学报(自然科学版)》2018,32(1):21-26
为研究我国交通客运量与国民经济之间的关系,建立了客运量、旅客周转量、国内生产总值(GDP)的ARIMA模型,采用Johansen的极大似然估计法对这3个序列进行协整关系检验,运用格兰杰因果分析法对三者之间的因果关系进行研究,并建立了矢量自回归模型,利用脉冲响应函数进一步分析了三者之间的短期动态关系。研究结果表明:交通客运量与国内生产总值之间没有协整关系,国内生产总值是客运量和旅客周转量的格兰杰原因,而客运量和旅客周转量都不构成对国内生产总值的格兰杰因果关系。脉冲响应函数分析结果表明:我国客运量和旅客周转量的增长对国内生产总值的增长有明显促进作用,国民经济的发展对我国旅客运输业的长期发展有着一定的推动作用,同时也决定着交通运输业的发展规模。 相似文献
24.
25.
基于多元线性回归的公路客运量发展预测模型 总被引:1,自引:0,他引:1
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. 相似文献
26.
27.
28.
29.
基于随机波动条件的公交客运量预测模型 总被引:1,自引:0,他引:1
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%。 相似文献
30.
基于蚁群优化支持向量机模型的公路客运量预测 总被引:2,自引:0,他引:2
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。 相似文献