改进的神经网络及其时序组合模型在铁路客运量上的预测

发布时间：2023-06-16 19:25

　　伴随着中国经济的迅速发展,人民生活水平的不断提高,我国铁路事业也取得了空前的发展和繁荣,但仍面临着挑战.如何令铁路的运输能力适应国民经济与社会发展的需求,是我国铁路事业面临的主要困难.铁路客运量对铁路运输调度有着直接影响,因此如何准确地对铁路客运量进行预测显得尤为重要.由于铁路客运量数据具备非线性,时变性及不确定性,因此很难对其客观规律进行准确描述.不同的预测方法预测准确度不尽相同,且单一预测方法通常会有一定的适用范围和限制条件,容易出现预测结果不稳定的问题.Bates和Granger提出组合预测模型的预测性能相较单项预测模型更优,这是因为单一模型只能反映出数据的部分信息和变化规律,而组合预测模型能弥补这一缺憾,综合运用多种预测的方法进行组合预测,能够提高整体预测的效果.本文在充分考虑铁路客运量数据特征的基础上,在组合预测模型中引入概率权,根据切比雪夫定理确定权重下限,构建BP神经网络模型,GM(1,1)模型以及ARIMA模型的概率权组合预测模型;再改进BP神经网络模型,提高组合模型整体预测精度.本文的主要工作如下:(1)考虑到铁路客运量数据的不确定性,需要将多个不同的模型组合成新模型...

【文章页数】：48 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 选题背景与意义
    1.2 国内外研究现状
        1.2.1 单一预测法的研究
        1.2.2 组合预测法的研究
    1.3 论文的主要工作
2 单项模型理论
    2.1 BP神经网络模型
        2.1.1 BP神经网络原理
        2.1.2 双隐藏层神经网络模型
        2.1.3 性能比较
        2.1.4 激活函数
    2.2 GM(1,1)模型
        2.2.1 GM(1,1)模型原理
        2.2.2 GM(1,1)模型建模
    2.3 ARIMA模型
        2.3.1 AR模型
        2.3.2 MA模型
        2.3.3 ARMA模型
        2.3.4 ARIMA模型
3 时序组合预测模型的建立
    3.1 组合模型概述
    3.2 权重确定的常见方法
        3.2.1 等权重平均法
        3.2.2 方差倒数法
        3.2.3 熵权法
    3.3 概率权原理
    3.4 组合模型的建立
        3.4.1 概率权确定权重系数
        3.4.2 确定模型权重
4 铁路客运量预测实证分析
    4.1 数据的收集与处理
        4.1.1 数据的预处理
    4.2 预测模型的实现
        4.2.1 BP神经网络预测模型实现
        4.2.2 GM(1,1)预测模型实现
        4.2.3 ARIMA预测模型实现
        4.2.4 组合预测模型实现
    4.3 预测结果对比分析
        4.3.1 预测误差评价指标
        4.3.2 对比与分析
5 总结与展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3833838