灰色-马尔可夫链改进方法的铁路货运量预测

通过markov状态转移矩阵对改进后的灰色预测结果进行修正,构建改进灰色-markov预测模型,并对我国铁路未来货运量需求预测进行了实证分析。

交通运输铁路预测系统是一个动态的时变系统,货运量作为交通运输系统的行为特征量,具有一定的随机波动性,它的发展呈现某种变化趋势的非平稳随机过程。灰色gm(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程。灰色verhulst模型能够对部分信息未知、具有饱和特性的系统或者某种非平稳随机且趋近饱和过程进行高精度预测。本文建立灰色verhulst模型与gm(1,1)模型,对2008-2017年货运量预测与实际值精度检验,并预测2018-2035年全国铁路货运量。结果表明,verhulst模型不仅弥补了gm(1,1)模型单调的变化过程,而且更加精准模拟铁路货运量的变化趋势。通过灰色verhulst模型与gm(1,1)模型对铁路货运量预测精度检验的比较,可以看出灰色verhulst模型具有更高的精度。

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。

将铁路客运量预测分为运量趋势预测和运量波动预测,分别采用灰色gm(1,1)模型和马尔柯夫过程进行预测,并将两者结合形成灰色马尔柯夫铁路客运量预测方法。根据1990年—2002年的铁路客运量数据,预测2003年的客运量以检验模型预测效果,并对我国“十一五”期间铁路客运量进行预测,分析证明基于灰色马尔柯夫过程预测方法的预测可信度。

为了获得更精确的公路客运量预测结果,经分析,以公路客运量、人口和国内生产总值数据为基础,将灰色模型预测方法gm(1,3)和马尔可夫链预测结合,构成组合模型,对公路客运量作出预测.通过对杭州市公路客运量预测的实例分析,对比预测值和实际值,得出基于灰色gm(1,3)-马尔可夫链模型获得的预测结果比灰色预测更加准确的结论,研究结果表明:该模型对公路客运量预测有一定的实用价值.

铁路工程项目投资和效益的控制,铁路运输发展战略的制定以及铁路运输设施效益的提高都与铁路货运量密切相关,准确预测铁路货运量具有重要意义。根据无偏gm(1,1)模型直接建模法的思想对传统灰色verhulst进行改进,即对原始序列作倒数生成,运用新生成的序列建立模型,便可得到无偏灰色verhulst模型。改进后的模型消除了灰色verhulst模型自身固有的偏差,用此模型预测兰州至中川铁路货运量,结果表明,无偏灰色verhulst模型比传统灰色verhulst模型和gm(1,1)模型的预测精度更高。

为提高灰色verhulst模型的预测精度,采用粒子群算法对灰色verhulst模型的参数值进行优化,利用滑动窗对原始数据序列进行动态更新,使用fourier序列修正模型的误差,提出fpso灰色verhulst模型预测铁路货运量的方法。以平均绝对误差、均方根误差、平均相对误差为评价指标,采用传统灰色verhulst模型、gm(1,1)、径向基神经网络、fpso灰色verhulst模型分别对具有增长趋势、摆动发展以及交叉发展趋势的铁路货运量进行预测。结果表明,fpso灰色verhulst模型能更好地反映铁路运输过程中的突变因素,是一种减少误差、充分利用新生数据、提高预测精度的有效方法。

为提高灰色verhulst模型的预测精度,采用粒子群算法对灰色verhulst模型的参数值进行优化,利用滑动窗对原始数据序列进行动态更新,使用fourier序列修正模型的误差,提出fpso灰色verhulst模型预测铁路货运量的方法.以平均绝对误差、均方根误差、平均相对误差为评价指标,采用传统灰色verhulst模型、gm(1,1)、径向基神经网络、fpso灰色verhulst模型分别对具有增长趋势、摆动发展以及交叉发展趋势的铁路货运量进行预测.结果表明,fpso灰色verhulst模型能更好地反映铁路运输过程中的突变因素,是一种减少误差、充分利用新生数据、提高预测精度的有效方法.

基于灰色理论和马尔科夫理论,建立传统的灰色预测模型和灰色马尔科夫预测模型,对西安地铁客流量的数据进行分析预测；然后对原始数据序列滑动平均处理,再用无偏gm(1,1)模型拟合系统的发展变化趋势,将修正后得到的模型与马尔科夫模型进行结合,提出改进的灰色马尔科夫模型预测方法。利用改进后的新模型对地铁客流的预测结果与传统的灰色马尔科夫模型进行对比。结果表明,改进后的灰色马尔科夫模型预测精度有显著提高。

交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色gm(1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色gm(1,1)模型有更高的精度。

针对公路运量预测中弹性系数随机波动性较大的问题,结合灰色模型可以揭示预测数据的发展趋势以及马尔可夫预测适合描述随机波动性较大的预测问题的优点,建立了公路运量预测中弹性系数的灰色马尔可夫预测模型;用该模型对北京市公路客运弹性系数进行预测,验证了模型对公路运量中弹性系数进行预测的合理性。研究结果表明,灰色马尔可夫预测模型能够较好地提高公路运量预测中弹性系数的预测精度,对于提高公路运量预测精度具有重要意义。

对客运量发展趋势进行预测是正确制定铁路客运营销战略的前提和基础,文章运用灰色运用对某铁路局的客运量及周转量进行了预测,认为某铁路局客运量的发展趋势是逐渐降低,但降低的趋势是逐渐减少;客运周转量的发展趋势是不断增加。

本文将马尔柯夫理论与灰色理论相结合，建立了gm（（1，1）模型，并将其应用于实际．本文针对重庆市商品房价格进行了建模分析，并预测了未来价格的发展的趋势，相对于单用马尔柯夫理论建模提高了精度。

基坑预测问题关系到工程施工的安全,在施工过程中对基坑进行周密的监测和变性预测分析显得尤为重要.针对传统预测模型存在固有偏差和可靠性低的缺点,采用新陈代谢的原理对无偏灰色加权马尔科夫模型进行改进.该模型先用无偏灰色模型拟合系统的总体变化趋势,然后,对拟合残差进行马尔可夫状态划分,并根据各阶权重对不同步长的转移矩阵进行加权处理,用加权后的无偏灰色马尔科夫模型进行预测.在每一步的预测中,利用新陈代谢的原理不断更新建模所使用的数据.将该模型用于基坑沉降预测,并通过实例进行验证.实验表明:基于新陈代谢的无偏灰色加权马尔科夫模型提高了基坑沉降预测的精度和可靠性,预测精度与未改进模型相比提高了8.54%.

以提高铁路客流预测精度为出发点,通过对传统的灰色模型进行分析,采用积分的数学思想对灰色预测背景值进行优化.结合马尔科夫预测模型的优点,运用马尔科夫对优化后的灰色预测模型误差进行修正,提高了预测模型的精度.以我国铁路客流预测为实例,通过对预测模型的预测结果的对比研究,验证了模型的有效性.

灰色模型是经济预测方法中最有效的方法之一,但灰色模型对波动性大的序列预测时精度较差。针对这一不足,提出灰色-马尔可夫的改进模型。新模型将原始序列进行对数运算提高数据光滑度,采用距离法降低灰色模型的相对误差,马尔可夫链对预测值进一步修正。将改进模型运用到景德镇陶瓷工业产值预测中,并与传统灰色模型、灰色-马尔可夫模型预测结果进行对比。结果表明改进模型的相对误差远小于灰色模型,预测精度优于灰色-马尔可夫模型,更能反应经济发展趋势。

对运量发展趋势进行预测是正确制定铁路集装箱营销战略的前提和基础。运用灰色预测法对铁路集装箱运量进行了预测,得出铁路集装箱的发送箱数和吨数都将呈上升趋势。

根据公路桥梁荷载的特点,采用新维改进灰色马尔科夫模型进行公路桥梁荷载预测。通过实例预测结果和实测结果比较可知,应用该预测模型对桥梁荷载进行预测,其预测精度、准确度较高,本荷载预测模型可以直接应用于桥梁结构设计和耐久性研究。

利用混沌理论对公路货运量的预测方法进行了分析,比较了现代常用的公路货运量预测方法的优缺点,研究了混沌理论对公路货运量的预测基本原理,构思短中长期货运量预测方法的可行性,并提出了研究方法和途径。

本文概述了组合预测的基本思想,介绍了基于shapley值的组合预测模型,并以吉林省公路货运量为例给出计算实例,同时也用数理统计的方法证明了此模型的适用性。计算实例和统计分析都证明此模型的可行性和适用性,说明将此模型用于公路货运量预测是有效可行的。

针对深基坑变形难以建立准确的计算模型进行预报问题,本文运用非等时距灰色-马尔科夫链对深基坑变形量进行预测。首先基于原始实测数据,建立非等时距灰色预测模型；然后采用马尔科夫链对预测值残差序列进行修正,进一步提高预测模型的预测精度；最后对潍日高速跨铁路转体桥深基坑4个测点的变形量进行预测。研究表明,灰色-马尔科夫链模型的预测精度明显高于灰色模型,预测值与实测值吻合较好,预测值后验差为0.07、0.37、0.16和0.33,精度等级均为1级,该模型为深基坑变形预测提供一种新方法。

将结合灰色系统理论与马尔可夫理论,对公路交通事故进行预测.利用灰色马尔可夫预测模型,可有效地处理类似交通事故等随机性、波动较大的数据。