(最新)铁路货运量预测方法研究

《(最新)铁路货运量预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、北基窑亟太堂亟土堂位逾塞生塞撞墓中文摘要铁路货运量是确定铁路交通基础设施建设规模的主要依据，货运量预测结果的合理性、可靠性直接影响铁路工程项目的投资和效益，对制定未来铁路运输发展战略、合理利用资源、充分发挥铁路运输设施的效益都有着重要的意义．论文在广泛参阅有关货运量预测文献的基础上，阐述了铁路货运量预测原理、方法和步骤，综合分析了目前主要预测方法的适用范围和存在的不足，对灰色预测、回归分析、ARMA模型在货运量预测中的应用进行了比较深入的研究和探讨，并探讨了改进的灰色马尔柯夫链预测模型，以及基于移动平滑的ARMA模型。并将多个模型组合起来进行预测，充分利用其中的有用信息，扬长避短，克服了

2、单一预测模型在铁路货运量预测中的局限性，并结合铁路货运量实际情况，实现综合预澳j铁路货运量的目的，为铁路运输业制定货运市场营销决策提供依据。本论文分为五个部分，第一部分阐述了论文背景、选题意义、研究目标和本人所做的工作；第二部分回顾了国内外已有文献中对铁路货运量的预测方法应用，并在此基础上，分析了目前铁路货运量预测研究中的不足之处及改进意见：第三部分铁路货运量预测模型综述，介绍时问序列、回归分析等模型的特点及计算过程；第四部分铁路货运量预测模型实证分析；第五部分本文结论和后续研究方向，提出了今后研究中需要进一步解决的问题及今后的工作展望．关键词：货运量预测；灰色马尔柯夫链；ARMA模型；

3、回归分析：组合预测分类号：ABSTRACTPredicti∞ofthecargovolumeofRailwaytransportationisthemainbasisfordeterminingthescaleofwstertransportinfrastntctures．AreasonableandaccuratepredictionresuRofcargovolumehasthemostsignificanteffectondeterminingtheinvestmentandbenefitoffurorerailwaytransportationenginceringproject

4、s，makingdevelopingstrategyforfuturerailwaytransportationandgivingfullplaytobenefitofwaterwayuansportfacilities．Basedontheamountofreferenceliteratures011cargovolumeforecast．n地paperexpatiatesonprinciple，methodandstepsofforecastingrailwayvolume；itstudiesanddiscussestheapplicationoftheoryofgreysystem

5、,multilinearregressionandARMAmodeltoc41rgovolumeforecast,andlearnstheimprovedgrey-markonclainandARMAmodelbasedonmovingsmoothing．Combinationgforecastingmodelrendelrsustomakebetteruseofeachsingleforecastingmodelandthesimprovesforecastingperformancegreatly,whichOV㈣eStheshortcomingsofeachsingleforeca

6、stingmodel．Withbetterunderstandingoftherailwayfreightsituation,themodelprobidesbetterdecision-makingbasisforrailwaylransportationenterprises．Themailbodyofthispaperiscomposedoffiveparts．Firstpartsummarizetheresearchbackground；stresstheimportanceandthepufpo∞ofthethesisandexplainwhatdoneinthethesis；

7、secondpartreviewstheexistingre∞,archworkinthislieId，andanalyzesthedeficiencyofstudyOnrailwayfreightwolumeforecasting；,thirdpartreportstheforecastingmdels．theyaremovingaveraging,movingsmoothing,ARlVLAmodel，greymodel，lie