本文關(guān)鍵詞：線性與非線性的組合模型在鐵路客運(yùn)量預(yù)測(cè)中的應(yīng)用研究

  更多相關(guān)文章： 組合模型 支持向量回歸 預(yù)測(cè)精度 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：鐵路旅客運(yùn)輸量預(yù)測(cè)是鐵路運(yùn)輸組織工作的重要基礎(chǔ)和主要依據(jù)之一,凡是鐵路公司在做出重大決策之前都要進(jìn)行客運(yùn)量預(yù)測(cè)工作,準(zhǔn)確預(yù)測(cè)客運(yùn)量是做出科學(xué)決策、編制可行的計(jì)劃、規(guī)劃或發(fā)展戰(zhàn)略的重要保障。許多研究表明,相比于單項(xiàng)預(yù)測(cè)模型,組合預(yù)測(cè)模型的預(yù)測(cè)性能更優(yōu),這是由于單一的模型不能完全反映出客運(yùn)量的變化規(guī)律和信息,而組合預(yù)測(cè)模型恰好能很好的克服這一缺點(diǎn)。并且,以往學(xué)者的研究均是將單項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)值進(jìn)行組合,本文提出新的組合預(yù)測(cè)方法,那就是線性時(shí)間序列模型與非線性時(shí)間序列模型的組合預(yù)測(cè)模型。 本研究將建立三個(gè)線性預(yù)測(cè)模型：季節(jié)性指數(shù)平滑預(yù)測(cè)模型、季節(jié)性自回歸移動(dòng)平均模型、灰色GM(1,1)模型,對(duì)2005年1月到2012年12月全國(guó)鐵路旅客月度運(yùn)輸量進(jìn)行擬合,并對(duì)2013年1月到2014年2月全國(guó)鐵路旅客月度運(yùn)輸量作出預(yù)測(cè)。然后將三個(gè)線性模型與兩個(gè)非線性模型分別進(jìn)行組合,得到六個(gè)組合預(yù)測(cè)模型,并運(yùn)用組合模型對(duì)2013年1月到2014年2月全國(guó)鐵路旅客月度運(yùn)輸量作出預(yù)測(cè)。最后運(yùn)用定量統(tǒng)計(jì)指標(biāo)均方誤差(MSE)、歸一化均方誤差(NMSE)、平均絕對(duì)百分比誤差(MAPE)、R值等對(duì)模型精度及性能進(jìn)行評(píng)估對(duì)比單項(xiàng)預(yù)測(cè)模型與組合預(yù)測(cè)模型的性能,根據(jù)模型的數(shù)據(jù)分析,六個(gè)組合預(yù)測(cè)模型的預(yù)測(cè)精度均高于三個(gè)單項(xiàng)預(yù)測(cè)模型。 因此,本研究在實(shí)際驗(yàn)證的基礎(chǔ)上得出,在鐵路旅客運(yùn)輸量預(yù)測(cè)方面,線性預(yù)測(cè)模型與非線性預(yù)測(cè)模型的組合預(yù)測(cè)模型具有良好的預(yù)測(cè)性能。
【關(guān)鍵詞】：組合模型 支持向量回歸 預(yù)測(cè)精度 BP神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：西南交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：U293.13
【目錄】：

• 摘要6-7
• Abstract7-10
• 第1章 緒論10-17
• 1.1 研究背景及意義10-11
• 1.1.1 選題背景10-11
• 1.1.2 研究意義11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-14
• 1.3 研究目標(biāo)與研究?jī)?nèi)容14-15
• 1.3.1 研究目標(biāo)14
• 1.3.2 研究?jī)?nèi)容14-15
• 1.4 擬采用的研究方法和技術(shù)路線15-17
• 1.4.1 研究方法15
• 1.4.2 研究路線15-17
• 第2章 現(xiàn)有單項(xiàng)預(yù)測(cè)模型概述17-34
• 2.1 指數(shù)平滑預(yù)測(cè)模型17-18
• 2.1.1 季節(jié)性指數(shù)平滑預(yù)測(cè)模型17-18
• 2.2 Box-Jenkins模型18-21
• 2.2.1 自回歸移動(dòng)平均模型(ARIMA)19-20
• 2.2.2 季節(jié)性自回歸移動(dòng)平均模型(SARIMA)20
• 2.2.3 季節(jié)性自回歸移動(dòng)平均模型的建模步驟20-21
• 2.3 灰色系統(tǒng)預(yù)測(cè)模型21-25
• 2.3.1 GM(1,1)模型的建立22-23
• 2.3.2 GM(1,1)模型的精度檢驗(yàn)23-25
• 2.4 反向傳播神經(jīng)網(wǎng)絡(luò)模型(Back propagation algorithm)25-28
• 2.4.1 反向傳播神經(jīng)網(wǎng)絡(luò)的建立26-28
• 2.5 支持向量機(jī)(Support Vector Machine,SVM)28-34
• 2.5.1 支持向量回歸(Support Vector Regression,SVR)29-32
• 2.5.2 拉格朗日乘數(shù)(Lagrange multipliers)32
• 2.5.3 核函數(shù)(Kernel Function)32-34
• 第3章 鐵路旅客運(yùn)輸量組合預(yù)測(cè)模型34-39
• 3.1 組合預(yù)測(cè)的提出34-35
• 3.2 組合預(yù)測(cè)的基本原理35-36
• 3.3 新的組合方法的提出36-37
• 3.4 模型性能標(biāo)準(zhǔn)37-39
• 第4章 數(shù)據(jù)分析39-51
• 4.1 數(shù)據(jù)來(lái)源39-41
• 4.2 各模型預(yù)測(cè)結(jié)果41-48
• 4.2.1 季節(jié)性指數(shù)平滑預(yù)測(cè)模型41-42
• 4.2.2 季節(jié)性自回歸移動(dòng)平均模型42-43
• 4.2.3 灰色系統(tǒng)GM(1,1)模型43-44
• 4.2.4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型44-46
• 4.2.5 支持向量回歸預(yù)測(cè)模型46-48
• 4.3 模型分析48-51
• 結(jié)論51-53
• 本文結(jié)論51-52
• 研究不足與展望52-53
• 致謝53-54
• 參考文獻(xiàn)54-59
• 附錄59-62
• 灰色系統(tǒng)GM(1,1)MATLAB代碼59-61
• BP神經(jīng)網(wǎng)絡(luò)MATLAB代碼61-62
• 支持向量回歸基于Libsvm工具包的MATLAB網(wǎng)絡(luò)代碼62

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 徐紅敏;王海英;梁瑾;黃帥;;支持向量機(jī)回歸算法及其應(yīng)用[J];北京石油化工學(xué)院學(xué)報(bào);2010年01期

2 唐小我,曹長(zhǎng)修;遞歸等權(quán)組合預(yù)測(cè)方法研究[J];電子科技大學(xué)學(xué)報(bào);1992年05期

3 傅庚，唐小我，曾勇;廣義遞歸方差倒數(shù)組合預(yù)測(cè)方法研究[J];電子科技大學(xué)學(xué)報(bào);1995年02期

4 張令剛;牛德寧;孟兆民;;基于預(yù)測(cè)有效度的組合模型在交通量預(yù)測(cè)中的應(yīng)用[J];道路交通與安全;2010年01期

5 童明榮;薛恒新;林琳;;基于季節(jié)ARIMA模型的公路交通量預(yù)測(cè)[J];公路交通科技;2008年01期

6 侯麗敏;馬國(guó)峰;;基于灰色線性回歸組合模型鐵路客運(yùn)量預(yù)測(cè)[J];計(jì)算機(jī)仿真;2011年07期

7 夏國(guó)恩;曾紹華;金煒東;;支持向量回歸機(jī)在鐵路客運(yùn)量時(shí)間序列預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用研究;2006年10期

8 黃召杰;陳偉;;組合預(yù)測(cè)方法在我國(guó)鐵路客流預(yù)測(cè)中的應(yīng)用[J];交通科技與經(jīng)濟(jì);2011年04期

9 首招勇;楊媛媛;;時(shí)間序列問(wèn)題的建模方法和過(guò)程[J];數(shù)學(xué)理論與應(yīng)用;2012年01期

10 孫宏,史虹圣;航線運(yùn)輸需求量預(yù)測(cè)模型研究[J];中國(guó)民航飛行學(xué)院學(xué)報(bào);2004年05期

，

本文編號(hào)：1021158