论文部分内容阅读
近年来,为支持我国经济发展,应对快速扩大的运输需求,我国开始进入客运专线大规模投资建设时期,大型铁路尤其是高速铁路的建成运营,缓解了目前客运能力紧张的局面,这将为铁路客运带来极大的便利。准确的高铁客运量预测在高速铁路建设项目经济评估、国家资源配置、铁路内部投资结构调整和经营管理等方面发挥着重要作用。在铁路运输方面,对运量进行预测是铁路规划投资建设之前必须完成的一项重要工作,因而,如何对高铁客运量进行科学合理的预测将成为交通领域一项重要的研究课题。由于受众多因素的影响,我国高铁客运量数据常常呈现出一定的波动性,往往很难对其客观规律进行准确的描述。不同的预测方法对预测结果的精确度产生不同的影响,单一模型不能完全反映出客运量的变化规律和信息,相关研究表明,将不同的单一预测方法以一定的方式综合起来所得到的组合预测方法可以提高模型整体预测的效果。本文旨在把IOWA组合模型和粒子群优化算法与BP网络结合的PSO-BP模型引入高铁客运量预测领域,并以高精度为目标,分别研究两类组合模型对高铁客运量所进行的预测。为了提高高铁客运量预测的精度,本文首先在阐述客运量变化特点的基础上,对影响高铁客运量的诸多因素进行划分归类,并采用相关系数法最终确定了与高铁客运量相关的因素。其次,考虑高铁客运量变化的发展规律,遴选偏最小二乘回归、灰色GM(1,1)模型和BP神经网络作为高铁客运量预测分析的单一模型,并基于IOWA算子构建了高铁客运量的IOWA组合预测模型。接着对BP神经网络和粒子群优化算法进行了相关的分析和总结,指出了BP神经网络存在的缺陷,提出将粒子群优化算法与BP算法相结合的PSO-BP模型,并通过MATLAB建立模型实施模拟与预测。最后以我国高铁客运量及各影响因素历史数据为模型样本,分别建立IOWA组合预测模型以及PSO结合BP网络的组合模型,并运用这两类组合模型对我国高铁客运量进行了预测,从而得出高铁客运量的预测值。最终选取了四个评价指标来判断各模型的预测性能,结果表明,两种组合预测模型的前三个误差指标值比三种单项预测模型的更低,而R值更接近于1,相比其他三种单项预测方法,组合模型所得的预测值与实际客运量之间的误差较小,预测精度较高,验证了本文所提出的两种组合预测模型的有效性与实用性,从而为交通规划提供有效的参考。