基于SVM和灰色GM（1,1）的货运量预测

发布时间：2023-02-06 11:25

　　铁路运输作为我国的支柱性产业,在我国的社会经济发展中占有非常重要的地位,是一种适合大规模人员流动和物资运输的交通方式。现今社会,物流产业得到了快速地发展,给我国铁路运输带来了巨大的压力和竞争。随着我国“一带一路”的推进,更进一步的促进了国内工业以及贸易的提升,使国内和国外的贸易往来更加的频繁,也给我国水路运输带来了发展。这就使得对货运量的预测变得更加有意义,不仅可以为运营管理部门和运输企业合理配备运输力量给予一定的支撑,而且可以为货运系统相关规划布局提供可靠的依据,从而提高经济效益和社会效益。为了使货运组织更加有效的安排货物运输,需要对货运量进行比较准确的预测,主要的预测方法有时间序列预测、分形理论、支持向量机和神经网络等。本文主要采用粒子群算法优化支持向量机的方法对铁路及水运货运量进行预测。支持向量机在数据相对比较少的情况下,可以对货运量的非线性及随机性特征做出较好地描述,提高预测精度。本文首先对所用主要方法:支持向量机、粒子群算法和灰色预测的理论基础作出了简单介绍,为后续预测模型的建立做好铺垫;其次对本文研究对象进行数据分析,根据其不稳定性做差分运算,拟合相应的ARIMA模型并做出... 

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
        1.1.1 论文研究的背景
        1.1.2 论文的研究意义
    1.2 国内外研究现状
        1.2.1 铁路客货运量预测常用方法
        1.2.2 支持向量机研究现状
        1.2.3 灰色预测研究现状
    1.3 论文的主要研究方法
    1.4 论文主要研究内容及技术路线
        1.4.1 论文主要研究内容
        1.4.2 论文主要技术路线
2 支持向量机和灰色预测相关理论基础
    2.1 支持向量机理论
        2.1.1 统计学习理论
        2.1.2 VC维
        2.1.3 经验风险最小化原则
        2.1.4 结构风险最小化原则
        2.1.5 回归支持向量机
    2.2 粒子群算法
        2.2.1 粒子群算法的理论基础
        2.2.2 粒子群算法的步骤
    2.3 灰色预测理论
        2.3.1 GM(1,1)模型的4 种基本形式
        2.3.2 模型的精度检验
    2.4 本章小结
3 基于ARIMA的数据分析
    3.1 数据的收集
    3.2 铁路货运量ARIMA数据分析及预测
        3.2.1 铁路货运量平稳性检验
        3.2.2 序列分析及ARIMA建模预测
    3.3 铁路货物周转量ARIMA数据分析及预测
        3.3.1 铁路货物周转量平稳性检验
        3.3.2 序列分析及ARIMA建模预测
    3.4 水运货运量ARIMA数据分析及预测
        3.4.1 水运货运量平稳性检验
        3.4.2 序列分析及ARIMA建模预测
    3.5 本章小结
4 基于SVM-GM(1,1)的组合预测
    4.1 实验准备
        4.1.1 数据的预处理
        4.1.2 实验评价指标
    4.2 支持向量机预测模型
        4.2.1 相空间重构
        4.2.2 SVM预测模型
        4.2.3 PSO-SVM预测模型
    4.3 组合预测模型
    4.4 实例分析
        4.4.1 铁路货运量预测
        4.4.2 铁路货物周转量预测
        4.4.3 水运货运量预测
    4.5 本章小结
5 结论与展望
    5.1 结论
    5.2 展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3735909