灰色預測模型農(nóng)村公路客運量需求預測

對客運量發(fā)展趨勢進行預測是正確制定鐵路客運營銷戰(zhàn)略的前提和基礎(chǔ),文章運用灰色運用對某鐵路局的客運量及周轉(zhuǎn)量進行了預測,認為某鐵路局客運量的發(fā)展趨勢是逐漸降低,但降低的趨勢是逐漸減少;客運周轉(zhuǎn)量的發(fā)展趨勢是不斷增加。

為了獲得更精確的公路客運量預測結(jié)果,經(jīng)分析,以公路客運量、人口和國內(nèi)生產(chǎn)總值數(shù)據(jù)為基礎(chǔ),將灰色模型預測方法gm(1,3)和馬爾可夫鏈預測結(jié)合,構(gòu)成組合模型,對公路客運量作出預測.通過對杭州市公路客運量預測的實例分析,對比預測值和實際值,得出基于灰色gm(1,3)-馬爾可夫鏈模型獲得的預測結(jié)果比灰色預測更加準確的結(jié)論,研究結(jié)果表明:該模型對公路客運量預測有一定的實用價值.

基于多元線性回歸理論選取我國1993--2012年間的公路客運量等數(shù)據(jù)，分析國內(nèi)生產(chǎn)總值和人口總數(shù)對公路客運量的影響程度，并對我國公路客運量進行中短期預測。結(jié)果表明：國內(nèi)生產(chǎn)總值和人口總數(shù)對公路客運量有顯著的正相關(guān)關(guān)系，且多元回歸模型的預測精度很高，適合進行公路客運量的中短期預測。

準確的客流量預測在國家交通規(guī)劃與管理中具有重要意義,預測方法的選擇直接影響到預測的精度?？瓦\量的預測具有小樣本和非線性的特點。結(jié)合灰色理論和rbf神經(jīng)網(wǎng)絡(luò)的特點形成灰色-rbf神經(jīng)網(wǎng)絡(luò)模型,并采用客流運量分擔率的方式對擬建鐵路客流量進行預測。通過灰色理論對原始數(shù)據(jù)進行生成處理,將無規(guī)律的原始數(shù)據(jù)變?yōu)檩^有規(guī)律的生成數(shù)列,再利用rbf神經(jīng)網(wǎng)絡(luò)的超強適應能力和學習能力,大大加快學習速度并避免出現(xiàn)局部極小問題對生成數(shù)列進行預測,再將模型運用到客運量的預測中。最后結(jié)合新建蘭州至中川機場鐵路項目及調(diào)查數(shù)據(jù)進行客流量的預測研究,得出灰色-rbf神經(jīng)網(wǎng)絡(luò)模型對客流量具有很好的預測性。

準確的客流量預測在國家交通規(guī)劃與管理中具有重要意義,預測方法的選擇直接影響到預測的精度?？瓦\量的預測具有小樣本和非線性的特點。結(jié)合灰色理論和rbf神經(jīng)網(wǎng)絡(luò)的特點形成灰色-rbf神經(jīng)網(wǎng)絡(luò)模型,并采用客流運量分擔率的方式對擬建鐵路客流量進行預測。通過灰色理論對原始數(shù)據(jù)進行生成處理,將無規(guī)律的原始數(shù)據(jù)變?yōu)檩^有規(guī)律的生成數(shù)列,再利用rbf神經(jīng)網(wǎng)絡(luò)的超強適應能力和學習能力,大大加快學習速度并避免出現(xiàn)局部極小問題對生成數(shù)列進行預測,再將模型運用到客運量的預測中。最后結(jié)合新建蘭州至中川機場鐵路項目及調(diào)查數(shù)據(jù)進行客流量的預測研究,得出灰色-rbf神經(jīng)網(wǎng)絡(luò)模型對客流量具有很好的預測性。

交通運輸鐵路預測系統(tǒng)是一個動態(tài)的時變系統(tǒng),貨運量作為交通運輸系統(tǒng)的行為特征量,具有一定的隨機波動性,它的發(fā)展呈現(xiàn)某種變化趨勢的非平穩(wěn)隨機過程?；疑玤m(1,1)模型適用于具有較強指數(shù)規(guī)律的序列,只能描述單調(diào)的變化過程。灰色verhulst模型能夠?qū)Σ糠中畔⑽粗?、具有飽和特性的系統(tǒng)或者某種非平穩(wěn)隨機且趨近飽和過程進行高精度預測。本文建立灰色verhulst模型與gm(1,1)模型,對2008-2017年貨運量預測與實際值精度檢驗,并預測2018-2035年全國鐵路貨運量。結(jié)果表明,verhulst模型不僅彌補了gm(1,1)模型單調(diào)的變化過程,而且更加精準模擬鐵路貨運量的變化趨勢。通過灰色verhulst模型與gm(1,1)模型對鐵路貨運量預測精度檢驗的比較,可以看出灰色verhulst模型具有更高的精度。

將鐵路客運量預測分為運量趨勢預測和運量波動預測,分別采用灰色gm(1,1)模型和馬爾柯夫過程進行預測,并將兩者結(jié)合形成灰色馬爾柯夫鐵路客運量預測方法。根據(jù)1990年—2002年的鐵路客運量數(shù)據(jù),預測2003年的客運量以檢驗模型預測效果,并對我國“十一五”期間鐵路客運量進行預測,分析證明基于灰色馬爾柯夫過程預測方法的預測可信度。

介紹了灰色預測理論的gm(1,1)模型并將它運用到高速公路車流量預測中.利用巴特沃斯低通濾波器改進了gm(1,1)模型的誤差修正方法,使得誤差修正方法更準確、算法性能更穩(wěn)定.整個預測系統(tǒng)滿足了工程應用要求,具有一定的實際意義和參考價值.

為了提高電力需求預測的精度,分析現(xiàn)有人工神經(jīng)網(wǎng)絡(luò)和灰色預測方法各自的優(yōu)缺點,將二者相結(jié)合提出一種并聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預測方法。新方法首先采用灰色模型、神經(jīng)網(wǎng)絡(luò)分別進行預測,而后給出了一種基于粗糙集理論確定權(quán)值的方法對加權(quán)系數(shù)加以確定,最后對預測結(jié)果加以組合作為實際預測值。用上述并聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型對上海市的電力需求進行預測,模型精度和預測結(jié)果比較理想,優(yōu)于單一預測模型。計算結(jié)果表明,該模型用于電力需求預測是有效可行的,適用于中長期需求預測。

本文利用灰色系統(tǒng)的預測方法，針對某地區(qū)對某種建筑資源的需求量建立了灰色預測模型，在此基礎(chǔ)上進行了實際預測，獲得的結(jié)果是令人滿意的。

工程項目在實施階段都在實際進度與計劃進度之間存在偏差,為了更加準確的確定出具體工序的工期,結(jié)合施工企業(yè)的統(tǒng)計資料,提出采用基于灰色理論的gm(1,1)模型形成工期預測的方法,從而為科學合理的編制進度計劃提供有效依據(jù)。

針對公路運量預測中彈性系數(shù)隨機波動性較大的問題,結(jié)合灰色模型可以揭示預測數(shù)據(jù)的發(fā)展趨勢以及馬爾可夫預測適合描述隨機波動性較大的預測問題的優(yōu)點,建立了公路運量預測中彈性系數(shù)的灰色馬爾可夫預測模型;用該模型對北京市公路客運彈性系數(shù)進行預測,驗證了模型對公路運量中彈性系數(shù)進行預測的合理性。研究結(jié)果表明,灰色馬爾可夫預測模型能夠較好地提高公路運量預測中彈性系數(shù)的預測精度,對于提高公路運量預測精度具有重要意義。

文章根據(jù)鐵路現(xiàn)有的客流量,將鐵路系統(tǒng)視為灰色系統(tǒng),運用灰色預測模型對客流作出預測,并運用殘差修正和新陳代謝進行優(yōu)化,解決了預測精度和可信度的問題。

對鐵路旅客發(fā)送量準確的預測與分析是鐵路部門進行相關(guān)決策和判斷的依據(jù)，為此本文運用灰色模型預測方法，對哈爾濱站2012—2016年的旅客友送量進行預測．預測結(jié)果可為鐵路組織在決策判斷時提供一些借鑒作用。

鐵路客運量數(shù)據(jù)受多種因素影響而呈現(xiàn)出非線性等特點,為了進一步提高其預測精度,文章提出了粒子群算法(pso)優(yōu)化支持向量機(svm)的公路客運量預測模型.利用pso尋優(yōu)能力突出的優(yōu)點,對支持向量機的參數(shù)進行了優(yōu)化選擇,并用優(yōu)化后的支持向量機模型對公路客運量進行預測.研究結(jié)果顯示,相比bp神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的svm預測方法,基于pso-svm的預測精度更高,從而表明了粒子群算法優(yōu)化支持向量機的方法是有效的.

以浙江省公路貨運量歷史數(shù)據(jù)為例,考慮到影響貨運量主要因素,采用灰色神經(jīng)網(wǎng)絡(luò)模型gnnm(1,n)進行預測,并與灰色模型gm(1,n)和神經(jīng)網(wǎng)絡(luò)預測結(jié)果相比較。計算結(jié)果表明:該方法在預測公路物流需求量具有有效性;在灰色模型gm(1,n)預測時,通過比較緊鄰均值生成序列的生成系數(shù)α對預測精度的影響,選取了最優(yōu)值進行計算從而提高了灰色模型的預測精度。

鐵路工程項目投資和效益的控制,鐵路運輸發(fā)展戰(zhàn)略的制定以及鐵路運輸設(shè)施效益的提高都與鐵路貨運量密切相關(guān),準確預測鐵路貨運量具有重要意義。根據(jù)無偏gm(1,1)模型直接建模法的思想對傳統(tǒng)灰色verhulst進行改進,即對原始序列作倒數(shù)生成,運用新生成的序列建立模型,便可得到無偏灰色verhulst模型。改進后的模型消除了灰色verhulst模型自身固有的偏差,用此模型預測蘭州至中川鐵路貨運量,結(jié)果表明,無偏灰色verhulst模型比傳統(tǒng)灰色verhulst模型和gm(1,1)模型的預測精度更高。

為提高灰色verhulst模型的預測精度,采用粒子群算法對灰色verhulst模型的參數(shù)值進行優(yōu)化,利用滑動窗對原始數(shù)據(jù)序列進行動態(tài)更新,使用fourier序列修正模型的誤差,提出fpso灰色verhulst模型預測鐵路貨運量的方法。以平均絕對誤差、均方根誤差、平均相對誤差為評價指標,采用傳統(tǒng)灰色verhulst模型、gm(1,1)、徑向基神經(jīng)網(wǎng)絡(luò)、fpso灰色verhulst模型分別對具有增長趨勢、擺動發(fā)展以及交叉發(fā)展趨勢的鐵路貨運量進行預測。結(jié)果表明,fpso灰色verhulst模型能更好地反映鐵路運輸過程中的突變因素,是一種減少誤差、充分利用新生數(shù)據(jù)、提高預測精度的有效方法。

為提高灰色verhulst模型的預測精度,采用粒子群算法對灰色verhulst模型的參數(shù)值進行優(yōu)化,利用滑動窗對原始數(shù)據(jù)序列進行動態(tài)更新,使用fourier序列修正模型的誤差,提出fpso灰色verhulst模型預測鐵路貨運量的方法.以平均絕對誤差、均方根誤差、平均相對誤差為評價指標,采用傳統(tǒng)灰色verhulst模型、gm(1,1)、徑向基神經(jīng)網(wǎng)絡(luò)、fpso灰色verhulst模型分別對具有增長趨勢、擺動發(fā)展以及交叉發(fā)展趨勢的鐵路貨運量進行預測.結(jié)果表明,fpso灰色verhulst模型能更好地反映鐵路運輸過程中的突變因素,是一種減少誤差、充分利用新生數(shù)據(jù)、提高預測精度的有效方法.

針對當前電力需求在中長期預測方面的需求，結(jié)合相關(guān)的智能算法，提出一種基于改進聚類算法的電力需求預測模型。結(jié)合聚類算法的優(yōu)點，對電力需求數(shù)據(jù)進行劃分，從而得到不同行業(yè)的電力數(shù)據(jù)；然后利用統(tǒng)一的電力需求模型，對電力需求進行預測。通過這種方式挖掘到不同行業(yè)在未來對電力的不同，進而更好的做好對各個行業(yè)電力需求的供應。

高速公路路基沉降量的預測不僅關(guān)系著高速公路的施工質(zhì)量與服務水平,同時對高速公路的行車安全也有重要影響.根據(jù)路基沉降量的實測資料,通過多種灰色預測模型對路基沉降量進行了數(shù)據(jù)規(guī)律分析及精度對比,選取了最優(yōu)的灰色預測模型對路基最終沉降量進行預測.為路基穩(wěn)定性的評價與路基沉降的控制應對提供了參考.

高速公路路基沉降量的預測不僅關(guān)系著高速公路的施工質(zhì)量與服務水平,同時對高速公路的行車安全也有重要影響.根據(jù)路基沉降量的實測資料,通過多種灰色預測模型對路基沉降量進行了數(shù)據(jù)規(guī)律分析及精度對比,選取了最優(yōu)的灰色預測模型對路基最終沉降量進行預測.為路基穩(wěn)定性的評價與路基沉降的控制應對提供了參考.