数据挖掘技术在我国铁路客运量预测中的应用

发布时间：2023-10-15 15:43

　　随着我国铁路网路的不断建设、投资,人们生活水平的提高和经济增长,铁路客运量也日渐增加。如何科学合理的预测客运量,以帮助有效的控制客运量、保证铁路运行畅通,具有重要意义。本文就是探索如何更好的使用数据挖掘的相关技术对铁路普通线路客运量进行预测。 本文的研究方法包括文献研究、实证研究、定性、定量分析等。本文首先分析了我国铁路运输发展现状,指出了铁路市场预测客运量的意义和必要性。接着对国内外现今流行的铁路客运量预测方法按照预测的性质、手段以及角度几个思路进行了系统的梳理,并给出了各自的适用领域和优劣势分析。本文分析探讨了数据挖掘技术的相关理论,最后选用了四种典型数据挖掘方法进行了实证分析。 本文对目前国内外研究铁路客运量预测的数据挖掘技术进行了归类。在应用中使用了四种数据挖掘方法：回归模型(多元线性回归)、时间序列模型(ARIMA)、神经网络模型(GRNN)、最小二乘支持向量机(回归向量机SVR模型),并在前人的研究基础上做出了改进。论文解释了选择这四种方法的原因,说明了各自的优势和适用条件。这四个模型均收到了良好的预测效果,获得较满意的预测精度,但在有些方面仍然存在不尽如人意的地方,本文最...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
致谢
中文摘要
ABSTRACT
1 绪论
    1.1 选题背景及意义
    1.2 国内外研究现状
    1.3 研究思路及方法
2 铁路客运量预测相关理论
    2.1 客运量预测的概念
    2.2 影响铁路客运量的因素
    2.3 预测方法分类
        2.3.1 按预测性质分类
        2.3.2 按预测角度分类
        2.3.3 预测方法的选用
3 数据挖掘技术相关理论分析
    3.1 数据挖掘的相关概念
    3.2 数据挖掘的功能特点
    3.3 数据挖掘的主要方法
        3.3.1 DM技术分类
        3.3.2 DM基本步骤
4 应用于铁路客运量预测的关键DM技术
    4.1 回归分析预测法
    4.2 时间序列预测法
    4.3 神经网络模型
    4.4 支持向量机技术
5 铁路客运量预测的实证研究
    5.1 线性回归-多元回归模型
        5.1.1 模型原理介绍
        5.1.2 建模应用分析
    5.2 时间序列分析-乘积ARIMA模型
        5.2.1 模型原理介绍
        5.2.2 建模应用分析
    5.3 神经网络-GRNN模型
        5.3.1 模型原理介绍
        5.3.2 建模应用分析
    5.4 最小二乘支持向量机-回归向量机SVR模型
        5.4.1 模型原理介绍
        5.4.2 建模应用分析
    5.5 模型对比分析
6 结论
    6.1 本论文的主要工作
    6.2 论文不足与未来展望
参考文献
作者简历
学位论文数据集



本文编号：3854191