• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

基于Verhulst-RBF的铁路客运量预测

付洁, 黄洪

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, 28(11): 1-4,17.
引用本文: 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, 28(11): 1-4,17.
FU Jie, HUANG Hong. Prediction of railway passenger traffic volume based on Verhulst-RBF[J]. Railway Computer Application, 2019, 28(11): 1-4,17.
Citation: FU Jie, HUANG Hong. Prediction of railway passenger traffic volume based on Verhulst-RBF[J]. Railway Computer Application, 2019, 28(11): 1-4,17.

基于Verhulst-RBF的铁路客运量预测

详细信息
    作者简介:

    付洁,硕士研究生;黄洪,副教授。

  • 中图分类号: U293;TP39

Prediction of railway passenger traffic volume based on Verhulst-RBF

  • 摘要: 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。
    Abstract: In order to predict the railway passenger traffic volume more accurately, this paper used the grey correlation method to analyze the influence degree of different factors on the railway passenger traffic volume, determine the main influencing factors, and took them as the prediction indexes to propose a combined predicting model of railway passenger traffic volume based on Verhulst-RBF neural network.Based on the railway passenger traffic volume data of Sichuan Province in recent 14 years, the combined model was tested.The experimental results show that the prediction accuracy of Verhulst-RBF neural network combined model is higher than that of single Verhulst model or single RBF neural network model.
  • [1] 黄丽燕. 基于大数据的高速铁路客流分析与辅助决策研究[D]. 成都:西南交通大学, 2017.
    [2] 南敬林. 铁路客运量预测影响因素分析[J]. 综合运输, 2016, 38(2):35-40.
    [3] 王栋,米国际. 基于灰色关联和BP神经网络的铁路货运量预测方法[J]. 江南大学学报(自然科学版),2015,14(1):80-84.
    [4] 马彪. GM(1, 1)模型在春运铁路客流预测中的应用[J]. 交通科技与经济, 2017, 19(6):9-11.
    [5] 许锟,鲍学英,王起才. 基于GA-GM(1,N,α)幂模型的铁路客运量预测[J]. 铁道标准设计, 2018(1):6-10.
    [6] 王洁,王波. 上海未来短期客运量的预测分析-基于最小二乘法改进的GM(1, 1)模型[J]. 数学的实践与认识, 2017(13):67-74.
    [7] 王晚香,刘文俭,李岩. 基于灰色关联和多元回归预测的铁路客运需求分析及预测[J]. 大连交通大学学报, 2019, 40(1):22-25.
    [8] 王彬. 基于灰色回归组合模型的铁路客运量预测研究[J]. 重庆理工大学学报(自然科学), 2017, 31(11):230-234, 240.
    [9] 桂文毅. 基于灰色线性回归模型的哈尔滨铁路枢纽客运量预测研究[J]. 中国公共安全(学术版), 2018(6):22-27.
    [10] 程丽娟,张仲荣. 基于GM模型和马尔科夫模型的公路客运量预测[J]. 黑龙江交通科技, 2018, 41(3):162-164.
    [11] 王利莎,梁开宏. 基于灰色马尔科夫模型的陕西省铁路客运量预测[J]. 数学的实践与认识, 2018, 48(8):166-172.
    [12] 杨祺煊. 基于主成分分析与GA-BP网络的铁路客运量预测研究[J]. 军事交通学院学报, 2017, 19(2):84-89.
    [13] 徐杰,张兰婷. 基于灰色关联分析的我国海洋渔业产业结构[J]. 海洋开发与管理, 2018, 35(10):55-59.
    [14] 张兆同,余潜. 灰色关联分析与RBF神经网络在我国棉花价格预测中的应用研究[J]. 价格月刊, 2017(9):31-36.
    [15] 杨泽众,严守靖,晏斌. 基于灰色关联分析和BP神经网络的用电量预测[J]. 价值工程, 2018, 37(35):30-33.
    [16] 王相平. 铁路旅客运输量影响因素的灰色关联分析[J]. 铁路计算机应用, 2013, 22(10):13-16.
    [17] 朱念. 基于GM(1, 1)和Verhulst模型的广西边贸物流预测比较研究[J]. 广西经济管理干部学院学报,2017,29(3):1-8.
    [18] 袁胜强. 改进灰色神经网络模型在甘肃省铁路客运量预测中的运用[D]. 兰州:兰州交通大学, 2017.
    [19] 鲜敏. 基于灰色神经网络的铁路客运量预测方法研究[D]. 成都:西南交通大学, 2016.
    [20] 陈虎.RBF神经网络在铁路客运成本预测中的应用[J]. 铁道标准设计, 2016, 60(12):45-48.
    [21] 颜保凡,郭垂江. 基于RBF神经网络的铁路旅客周转量预测研究[J]. 铁道运输与经济, 2017, 39(12):65-69.
    [22] 王晓寅,陶海龙. 基于灰色系统理论的RBF神经网络铁路货运量预测[J]. 甘肃广播电视大学学报, 2012, 22(3):38-41.
    [23] 刘述忠. 基于GM-RBF神经网络的股票价格预测分析[J]. 计算机与现代化, 2018(8):8-11.
  • 期刊类型引用(3)

    1. 才溢,樊翼,林晓飞,何雨亮. 基于灰色模型的北京轨道交通昌平线客流预测及应用. 山东交通科技. 2024(04): 74-78 . 百度学术
    2. 丁海涛,张晓东. 高速铁路兰州至张掖三四线运输需求分析. 铁道运输与经济. 2020(01): 24-30 . 百度学术
    3. 李雨鸿. 基于通道合理分工的铁路客运需求协同预测探讨. 铁道运输与经济. 2020(10): 49-54 . 百度学术

    其他类型引用(2)

计量
  • 文章访问数:  67
  • HTML全文浏览量:  0
  • PDF下载量:  14
  • 被引次数: 5
出版历程
  • 收稿日期:  2019-02-17

目录

    /

    返回文章
    返回