导读:本文包含了客运量预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:客运量,神经网络,铁路,灰色,模型,民航,公路。
客运量预测论文文献综述
付洁,黄洪[1]（2019）在《基于Verhulst–RBF的铁路客运量预测》一文中研究指出为更准确地预测铁路客运量,采用灰色关联法,分析不同因素对铁路客运量的影响程度,确定主要影响因子,并将其作为预测指标,提出基于Verhulst–RBF神经网络的铁路客运量预测组合模型。基于四川省近14年的铁路客运量数据,进行组合模型测试。实验结果表明,Verhulst–RBF神经网络组合模型的预测精确度高于单一的Verhulst模型或单一的RBF神经网络模型。(本文来源于《铁路计算机应用》期刊2019年11期）
周展,王文强[2]（2019）在《我国铁路客运量短期预测模型修正及比较》一文中研究指出文章针对我国铁路客运量进行短期预测,首先分析现有常见预测模型的优点与不足,然后试图通过构造新的组合或修正模型,从而实现提高预测精度。在构建年度数据组合模型时,发现以偏最小二乘回归、主成分回归和岭回归为基础进行组合时,预测精度达到了最优;在构建季度数据模型时,首先通过修正的时间序列分解法与季节周期回归模型显着地提高了预测精度,然后以这两个模型为基础构造组合模型,预测精度进一步得到提高。(本文来源于《统计与决策》期刊2019年21期）
徐森[3]（2019）在《基于BP神经网络的甘肃省公路客运量预测方法》一文中研究指出公路客运是交通科学管理的基础数据,提高公路交通管理水平,对建立平稳高效的道路交通系统具有重要意义。为了提高公路客运量的预测精度,选择与公路客运量相关的叁个指标(国内生产总值、公路长度和民用车拥有量),建立了基于BP神经网络的公路客运量预测模型,并对该模型进行了应用测试,与多元线性回归预测模型进行了比较。结果表明:BP神经网络模型具有更高的精度。(本文来源于《交通与运输》期刊2019年05期）
蔡文婷,彭怡,陈秋吉[4]（2019）在《基于多元回归模型的航空运输客运量预测》一文中研究指出近年来,随着社会经济和旅游业的不断发展,民航运输也越来越成为人们出行的首要选择,科学准确地预测航空运输客运量,可以较好地提升民航业发展质量。采用灰色综合关联对影响航空运输客运量的因素进行重要程度分析,以此结果为基础建立多元回归模型,并对多元回归模型进行检验。用2010年—2016年的民航运输客运量历史数据对所构建多元回归模型的预测值进行比较分析,验证多元回归模型的有效性,并与时间序列法和弹性系数法预测的相对误差值相比较。结果表明,多元回归模型的预测值与历史数据的相对误差较小,并且此模型的预测精度高于时间序列法和弹性系数法,适合对未来的航空运输客运量进行预测,为民航业的宏观规划提供可行依据。(本文来源于《航空计算技术》期刊2019年04期）
付洁,黄洪[5]（2019）在《改进Verhulst模型的铁路客运量预测研究》一文中研究指出针对传统Verhulst模型在选取背景值缺乏合理性和科学性的不足之处,文中提出一种相对严谨的初始值选取优化模型,在已有的无须设定初始值约束的优化模型下进行进一步改进,并以铁路客运量数据为测试数据,研究两种优化模型的优缺点及适用范围。实验结果表明,文中提出的初始值优化模型在原始数据呈现非线性曲折状态时预测精度相对已有的优化模型更高,但在原始数据曲线相对平滑时,预测精度低于已有的优化模型。(本文来源于《信息技术》期刊2019年07期）
王小凡,朱永强[6]（2019）在《铁路客运量预测模型对比研究》一文中研究指出当前国内铁路运输行业发展迅速,需要对客运量进行准确的预测以达到合理地调度。以青岛市为例,通过分析全市人口、GDP等因素,分别建立多元回归数学分析模型以及BP神经网络预测模型,将两组预测模型计算结果与实际对比,研究表明BP神经网络预测模型误差较低,预测效果优于回归预测分析模型。(本文来源于《黑龙江交通科技》期刊2019年06期）
焦卓彬,明菲菲,石磊[7]（2019）在《高铁影响下的公路客运量预测分析》一文中研究指出公路客运量具有小样本及非线性的特征,文章通过结合灰色理论与BP神经网络方法构建模型。该方法首先采用GM (1,1)模型预测出公路客运量的变化趋势,再利用BP神经网络模型对GM (1,1)模型的预测结果的残差值进行修正,以提高预测精度,弥补单一模型的不足。最后以2008年—2017年陕西省公路客运量为例,对该预测模型的精度进行验证,结果表明灰色神经网络模型能够有效地改善预测精度,具有较大的现实意义。(本文来源于《汽车实用技术》期刊2019年11期）
李伟,申浩,凤少伟,孙朝云,呼延菊[8]（2019）在《基于LSTM的民航客运量预测方法》一文中研究指出民航客运量作为航空运输的重要指标,受到城镇居民消费水平、第叁产业、经济政策等众多因素的影响,是一种复杂的非线性时间序列。本文结合长短期记忆模型(Long Short Term Memory),提出了一种基于LSTM循环神经网络的民航客运量预测方法。LSTM作为循环神经网络的基本单元,能够从时间序列历史数据中提取数据特征,挖掘数据序列内在关联性。本文针对民航客运量历史数据,通过建立多级LSTM神经网络,对未来一段时间内民航客运量进行预测。该方法能够利用LSTM神经元的记忆特性,从客运量历史数据中查找和构建特征空间,提取客运量时间序列的非线性特性。通过对网络进行训练学习和超参数优化,使模型能够对民航客运数据进行高精度的拟合以及对未来运输高峰的精准预测。该方法有效避免了传统方法中影响民航客运量多种因素之间的不确定性,同时具有较强的鲁棒性和广泛的实用性。本文将该模型与ARIMA模型、BP网络模型进行了对比,结果表明,LSTM模型预测方法能够有效提高民航客运量的预测精度和预测稳定性。(本文来源于《2019世界交通运输大会论文集（下）》期刊2019-06-13）
史峰,杨星琪,胡心磊,徐光明,武润发[9]（2019）在《基于数据替补修正的高速铁路日常客运量VMD-GA-BP预测方法》一文中研究指出针对高速铁路日常客运量预测问题,提出消除节假日因素影响的数据替补修正法和融合变分模态分解(VMD)、遗传算法(GA)和BP神经网络的日常客运量VMD-GA-BP预测方法。数据替补修正法是根据日常客运量超常波动判定阈值识别节假日延续期,采用VMD-GA-BP预测方法得到预测值,用该预测值替换节假日延续期内的客运量。VMD-GA-BP预测方法首先采用VMD对被替换数据之前的数据序列进行分解,得到不同频率的模态分量;其次通过GA优化初始权值和阈值的BP神经网络对各模态分量分别预测;然后重构各模态分量的预测值,用预测值替换节假日延续期内的客运量,得到修正数据序列,据此预测得到高速铁路日常客运量。实例应用表明,VMD-GA-BP的预测误差远低于BP,EMD-GA-BP,SVR,EMD-BP等方法,且基于修正数据序列的预测误差明显低于基于原始数据序列。可见,VMD-GA-BP预测方法精度较高。(本文来源于《中国铁道科学》期刊2019年03期）
吴华稳[10]（2019）在《基于无偏灰色残差理论的铁路客运量预测研究》一文中研究指出铁路客运量作为铁路客运市场体系中的重要指标,反映铁路客运基本情况和发展水平,体现铁路在综合交通运输体系中的地位和作用。为了科学准确地预测"十叁五"时期铁路客运量,在分析铁路客运量主要影响因素的基础上,构建基于无偏灰色残差理论的铁路客运量预测模型。以24年铁路客运量数据为例,通过对比支持向量机SVM预测与RBF神经网络预测的结果,验证基于无偏灰色残差理论的铁路客运量预测模型预测精度较高,进而运用此模型预测铁路客运量未来5年的数据,为铁路客运生产组织和发展规划提供理论依据。(本文来源于《铁道运输与经济》期刊2019年05期）
客运量预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
文章针对我国铁路客运量进行短期预测,首先分析现有常见预测模型的优点与不足,然后试图通过构造新的组合或修正模型,从而实现提高预测精度。在构建年度数据组合模型时,发现以偏最小二乘回归、主成分回归和岭回归为基础进行组合时,预测精度达到了最优;在构建季度数据模型时,首先通过修正的时间序列分解法与季节周期回归模型显着地提高了预测精度,然后以这两个模型为基础构造组合模型,预测精度进一步得到提高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
客运量预测论文参考文献
[1].付洁,黄洪.基于Verhulst–RBF的铁路客运量预测[J].铁路计算机应用.2019
[2].周展,王文强.我国铁路客运量短期预测模型修正及比较[J].统计与决策.2019
[3].徐森.基于BP神经网络的甘肃省公路客运量预测方法[J].交通与运输.2019
[4].蔡文婷,彭怡,陈秋吉.基于多元回归模型的航空运输客运量预测[J].航空计算技术.2019
[5].付洁,黄洪.改进Verhulst模型的铁路客运量预测研究[J].信息技术.2019
[6].王小凡,朱永强.铁路客运量预测模型对比研究[J].黑龙江交通科技.2019
[7].焦卓彬,明菲菲,石磊.高铁影响下的公路客运量预测分析[J].汽车实用技术.2019
[8].李伟,申浩,凤少伟,孙朝云,呼延菊.基于LSTM的民航客运量预测方法[C].2019世界交通运输大会论文集（下）.2019
[9].史峰,杨星琪,胡心磊,徐光明,武润发.基于数据替补修正的高速铁路日常客运量VMD-GA-BP预测方法[J].中国铁道科学.2019
[10].吴华稳.基于无偏灰色残差理论的铁路客运量预测研究[J].铁道运输与经济.2019
论文知识图
