鐵路客運的發(fā)展與國家經(jīng)濟、人民生活都緊密相關(guān),鐵路部門需要保持在市場中的競爭力,獲得最大效益,這就促使鐵路管理部門要對日常鐵路客流量趨勢、冷熱門線路布局、淡旺季變化指數(shù)等充分了解和掌握。而其中客流的預(yù)測和分析對客運系統(tǒng)的規(guī)劃管理以及資源調(diào)配有著極其重要的意義。鐵路客流量受到多種復(fù)雜因素的影響,如遇到節(jié)假日客流量劇增,就可能導(dǎo)致運輸能力不能滿足旅客的乘車需求,導(dǎo)致旅客滯留站點,給站點帶來巨大壓力。而在非節(jié)假日期間,有些較為冷門的地區(qū)線路就會出現(xiàn)乘客過少、上座率不足的現(xiàn)象,這樣對鐵路系統(tǒng)的資源造成嚴重的浪費。所以對于預(yù)測鐵路客流量的研究格外必要,它對于提升旅客運輸效率、合理分配鐵路車輛資源、制定合理的票價等都有著非常重要的指導(dǎo)意義。鐵路客流量的研究屬于時間序列的范疇,在本文中討論了具有很強線性建模能力的自回歸移動平均模型（ARMA）、差分自回歸移動平均模型（ARIMA）等,還有長短期記憶網(wǎng)絡(luò)（LSTM）這種有著良好非線性建模預(yù)測能力的模型。通過對兩類模型的研究分析,它們各自對時間序列做預(yù)測時都有不錯的表現(xiàn),但是由于本文所研究的鐵路客流量數(shù)據(jù)具有多種線性和非線性特征,ARIMA模型遇到變化劇... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線

組合模型在鐵路客流量預(yù)測中的應(yīng)用研究-14-(1)差分自回歸移動平均模型接下來是對時間序列進行建模，建模流程如圖2.1所示：圖2.1建模流程圖（一）對時間序列進行平穩(wěn)性檢驗。常用的有兩種檢驗方法，一種是通過時序圖和自相關(guān)圖的特征，根據(jù)經(jīng)驗來主觀的做出判斷，這種方法操作比較簡單，應(yīng)用也很廣泛；另一種就是單位根檢驗，它是看時間序列中是否存在單位根，如果存在單位根就是非平穩(wěn)時間序列。（二）如果一個序列是白噪聲序列，那它的序列數(shù)據(jù)之間通常是沒有任何關(guān)系的，在實際中白噪聲序列的自相關(guān)系數(shù)會接近于零，在零附件隨機波動。檢驗方法常用的是構(gòu)造檢驗統(tǒng)計量來檢驗序列是否為白噪聲序列，用樣本各延遲期數(shù)的自相關(guān)系數(shù)來計算得到檢驗統(tǒng)計量，從而計算出對應(yīng)的p值，如果p值顯著大于顯著性水平α，則表示該序列不能拒絕純隨機性的原假設(shè)，那么它是白噪聲序列，就可以停止對該序列的分析了。（三）模型識別。差分運算在確定性信息的提取方面是非常有效的，經(jīng)過處理后的非平穩(wěn)序列就稱為差分平穩(wěn)序列。然后計算差分平穩(wěn)時間序列的自相關(guān)系數(shù)(ACF)和偏

ARIMA(5,1,5)在2016年1月的預(yù)測結(jié)果

【參考文獻】：
期刊論文
[1]基于KNN-LSTM的短時交通流預(yù)測[J]. 羅向龍,李丹陽,楊彧,張生瑞.  北京工業(yè)大學(xué)學(xué)報. 2018(12)
[2]基于深度學(xué)習(xí)長短期記憶網(wǎng)絡(luò)結(jié)構(gòu)的地鐵站短時客流量預(yù)測[J]. 李梅,李靜,魏子健,王思達,陳賴謹.  城市軌道交通研究. 2018(11)
[3]SDAE-LSTM模型在金融時間序列預(yù)測中的應(yīng)用[J]. 黃婷婷,余磊.  計算機工程與應(yīng)用. 2019(01)
[4]基于ARIMA與Holt-Winters組合模型的電離層TEC預(yù)報[J]. 田祥雨,劉立龍,陳軍,楊可可.  測繪科學(xué)技術(shù)學(xué)報. 2018(01)
[5]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時間序列預(yù)測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報. 2018(04)
[6]組合模型對惡性腫瘤死亡率擬合度評價及預(yù)測方法的研究[J]. 曲紅梅,白亞娜,魁發(fā)瑞,胡曉斌,裴鴻波,任曉衛(wèi),申希平.  中華流行病學(xué)雜志. 2017 (01)
[7]基于BP神經(jīng)網(wǎng)絡(luò)的軌道交通客流量預(yù)測[J]. 常利,左忠義,韓冰.  大連交通大學(xué)學(xué)報. 2014(S1)
[8]基于Lasso及Adaptive Lasso的AR（p）模型定階及參數(shù)估計[J]. 謝儀,高雪,景英川.  浙江工業(yè)大學(xué)學(xué)報. 2014(04)
[9]基于時間序列預(yù)測的電子商務(wù)庫存優(yōu)化策略[J]. 羅曉萌,李建斌,胡鵬.  系統(tǒng)工程. 2014(06)
[10]基于Box-Jenkins方法的青南高原降水量時間序列分析建模與預(yù)測[J]. 王曉鵬,曹廣超,丁生喜.  數(shù)理統(tǒng)計與管理. 2008(04)

博士論文
[1]基于機器學(xué)習(xí)的時間序列預(yù)測方法研究與應(yīng)用[D]. 陳艷華.蘭州大學(xué) 2017

碩士論文
[1]基于時間序列的經(jīng)典模型和LSTM模型的城市宏觀行程速度預(yù)測研究[D]. 劉昶.北京交通大學(xué) 2019
[2]基于組合模型的股市趨勢預(yù)測方法研究[D]. 張璐.中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進技術(shù)研究院) 2018
[3]時間序列分析的研究與應(yīng)用[D]. 董亮亮.天津科技大學(xué) 2018
[4]短時交通流預(yù)測與線路推薦研究[D]. 呂磊.山東大學(xué) 2016
[5]基于遞歸神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)命名實體識別[D]. 金留可.大連理工大學(xué) 2016
[6]高速鐵路動車組列車客座率預(yù)測及盈虧分析[D]. 徐廣巖.北京交通大學(xué) 2016
[7]基于灰色神經(jīng)網(wǎng)絡(luò)的鐵路客運量預(yù)測方法研究[D]. 鮮敏.西南交通大學(xué) 2016
[8]基于Hadoop云平臺下的客流量預(yù)測研究[D]. 孟鑫.長安大學(xué) 2015
[9]基于ARIMA-LSSVM混合模型的股指預(yù)測研究[D]. 袁磊.哈爾濱工業(yè)大學(xué) 2015
[10]結(jié)合小波分析的非平穩(wěn)時間序列預(yù)測方法研究[D]. 齊越.燕山大學(xué) 2014



本文編號：3443520