下载文档原格式
基于灰色马尔科夫模型的黑龙江省对俄国际物流需求预测孙凤英;马洋
【期刊名称】《物流技术》
【年(卷),期】2014(033)004
【摘要】针对黑龙江省对俄国际物流的现状,采用灰色马尔科夫模型对黑龙江省对俄国际物流的货运量进行了预测,并找到一种提高预测结果准确性的方法.预测结果为黑龙江省开展对俄贸易和发展对俄国际物流提供了决策依据,对黑龙江省国际物流发展规划和评价具有一定的参考意义.
【总页数】3页(P129-131)
【作者】孙凤英;马洋
【作者单位】东北林业大学交通学院,黑龙江哈尔滨 150040;东北林业大学交通学院,黑龙江哈尔滨 150040
【正文语种】中文
【中图分类】F752.8;F224
【相关文献】
1.黑龙江省高职院校中俄国际合作办学现状刍析 [J], 周爽;李丹
2.基于灰色系统理论的黑龙江省物流需求预测分析 [J], 马萍;陈艳红
3.基于灰色马尔科夫模型的林业产业结构变动趋势预测\r——以黑龙江省国有林区为例 [J], 吕洁华;刘艳迪;王潇涵
4.基于灰色马尔科夫模型的青岛冷链物流需求预测 [J], 崔毅; 徐伟; 张松涛
5.黑龙江省社会科学院世界史专业（俄国史）第二十六届硕士研究生毕业论文答辩会和毕业典礼剪影 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。
基于灰色线性回归模型的哈尔滨铁路枢纽货运量预测研究颜阳;武中凯;尹传忠;高文慧;李文锦【摘要】为合理规划哈尔滨铁路枢纽基础设施及物流网络,促进哈尔滨铁路枢纽更好地服务于现代物流发展的需要,基于哈尔滨铁路枢纽的定位与货运现状,在考虑线性回归模型与灰色预测模型各自优势的基础上,构建哈尔滨铁路枢纽货运量预测的灰色线性回归模型,通过计算平均偏差比率对模型进行检验.检验结果表明,灰色线性回归模型预测结果平均偏差比率较小,介于灰色预测模型和一元线性回归模型之间,同时该模型结合了货运量与时间变化、生产总值之间的关系,预测结果切合实际,可以为制定铁路货运枢纽规划及物流发展战略提供科学决策依据.【期刊名称】《铁道货运》【年(卷),期】2018(036)011【总页数】6页(P1-5,15)【关键词】哈尔滨铁路枢纽;货运量预测;灰色理论;灰色线性回归模型【作者】颜阳;武中凯;尹传忠;高文慧;李文锦【作者单位】上海海事大学交通运输学院,上海201306;中国铁路哈尔滨局集团有限公司经营开发处,黑龙江哈尔滨150006;上海海事大学交通运输学院,上海201306;上海海事大学交通运输学院,上海201306;上海海事大学交通运输学院,上海201306【正文语种】中文【中图分类】U294.1+3哈尔滨铁路枢纽位于我国东北北部黑龙江省哈尔滨市，衔接京哈线(北京—哈尔滨)、滨洲线(哈尔滨—满洲里)、滨北线(哈尔滨—北安)、滨绥线(哈尔滨—绥芬河)、拉滨线(哈尔滨—拉法)、哈大客运专线(大连北—哈尔滨西)、哈齐客运专线(哈尔滨—齐齐哈尔南)等7条铁路干线，担负着这些干线的客货交流及枢纽地区的客货到发任务，各干线间通过枢纽内的王万、王孙、江北、滨江、哈屯等联络线相连，形成了客内货外的大型环状枢纽格局。
枢纽内既有车站24个，线路所9个。
其中，哈尔滨站和哈尔滨西站为枢纽主要客运站，哈尔滨北站为辅助客运站，哈尔滨东站兼辅助客运站并兼地区车场及工业站，哈尔滨南站为路网性主要编组站，滨江、新香坊为货运站，香坊站为工业站兼货运站，其余均为中间站。
灰色预测模型在国内物流货运量预测中的应用作者：刘玲来源：《物流科技》2017年第04期摘要：由于在全国范围内对物流货运量的影响因素众多，数据较为庞大，统计过程较为复杂，所以存在“部分信息确定，部分信息不确定”的情况，可以运用灰色预测模型对国内物流货运量进行预测。
文章建立灰色预测模型，分析该灰色预测模型对国内物流货运量预测是否有效，模型运用是否合理，在模型运用合理结果有效的前提下，对未来的国内物流货运量进行了预测。
关键词：国内物流货运量；灰色预测模型；有效性；合理性中图分类号：U294 文献标识码：AAbstract： Due to the large number of influencing factors of logistics freight in the whole country， the data is relatively large and the statistical process is more complicated. Therefore， there is a situation that“some information is determined and some information is uncertain”， and the gray forecasting model can be used to forecast the domestic logistics. This paper establishes the grey prediction model， analyzes whether the gray forecasting model is effective for the forecasting of domestic logistics and the rational use of the model， and forecasts the future domestic freight volume under the premise that the model is reasonable and the result is effective.Key words： domestic logistics volume； gray forecasting model； effectiveness； rationality物流是一个复杂的经济现象，物流与经济之间存在双向因果关系（即互动关系）的可能，一方面物流发展推动经济增长，另一方面经济增长拉动物流发展。
基于灰色马尔可夫模型对我国货运量的预测岳大波;姚丁心【摘要】According to"The 12th 5-year Plan"of traffic planning, it will energetically promote the highway, waterway etc. such key traffic infrastructure construction in our country, construction to the internal and external unimpeded transportation system. To promote China's economic and social comprehensive, coordinated and sustainable development provides the transportation guarantee, cargo momentum of accurate prediction seems particularly important. In this paper, through analysis and freight volume growth factors of correlation degree, at the same time, R software writing grey Markov model is adopted to"12th 5-year Plan period"forecast of freight volume in our country .% 根据“十二五”交通规划，我国将大力推进公路、水路等重点交通基础设施建设，构建内外畅通的交通运输体系。
为促进我国经济社会全面协调可持续发展提供了运输保障，货动量的准确预测显得尤为重要。
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桂文毅【摘要】客运量是铁路客运枢纽规划的基础,准确掌握铁路客运量的发展规律,可为铁路枢纽制定运输计划与线路改造等提供参考依据.由于铁路客运系统是一个信息不完全的灰色系统,在进行客运量预测时,将灰色预测模型与线性回归模型结合,消除单一模型在预测过程中产生的较大误差,使模型更加灵活、预测数据更加准确.采用该模型预测哈尔滨铁路枢纽客运量,对模型精度进行评价检验,验证结果表明:评价指标方差比与小误差概率均为第一等级,评价检验结果为优,预测结果可靠.【期刊名称】《中国铁路》【年(卷),期】2018(000)006【总页数】6页(P22-27)【关键词】铁路枢纽;客运量;灰色预测模型;线性回归;组合预测【作者】桂文毅【作者单位】中国铁路哈尔滨局集团有限公司,黑龙江哈尔滨150006【正文语种】中文【中图分类】U492.4+13随着我国经济的快速发展，人们的出行意愿越来越强烈，铁路客运量不断增长。
但同时乘客对铁路客运也提出了更高要求，铁路客运系统面临着越来越严峻的考验，担负着越来越重要的责任[1]。
因此，准确掌握铁路客运量的发展规律，对铁路枢纽规划及提升客运服务水平具有重要意义。
1 哈尔滨铁路枢纽概况哈尔滨铁路枢纽衔接京哈、滨洲、滨北、滨绥、拉滨五大铁路干线以及哈大、哈齐客运专线，担负着多条线路的客货运输及枢纽地区的列车到发任务，是东北地区最重要的铁路枢纽之一。
枢纽内既有车站24个，线路所9个。
其中哈尔滨站和哈尔滨西站为枢纽主要客运站，哈尔滨北站为辅助客运站，哈尔滨东站为辅助客运站兼地区车场和工业站，哈尔滨南站为路网性编组站，滨江站、新香坊站为货运站，香坊站为工业站兼货运站，其余均为中间站。
2 客流流向及发展趋势近年来，哈尔滨市中长途客流主要流向吉林、辽宁及华北地区，约占中长途客流总量的81%；城际客流主要流向绥化市、大庆市、齐齐哈尔市、牡丹江市、佳木斯市，约占城际客流总量的60%。
改进的灰色预测模型在过坝货运量预测中的应用张绪进;母德伟;韩涛【摘要】通过某些数学处理方法,从建模机理上着手对GM(1,1)模型进行改进,减小由于建模方法上的缺陷所造成的固有误差.改进后的模型较传统模型灵活性大、预测精度高,大大提高了GM(1,1)模型的适用范围.通过实例探讨了GM(1,1)改进模型在货运量预测中的应用,同时也验证了改进方法的有效性和实用性.【期刊名称】《水运工程》【年(卷),期】2009(000)006【总页数】4页(P4-7)【关键词】MATLAB;灰色系统;GM(1,1)模型;改进;水运量【作者】张绪进;母德伟;韩涛【作者单位】重庆交通大学西南水运工程科学研究所,重庆,400074;重庆交通大学西南水运工程科学研究所,重庆,400074;重庆交通大学西南水运工程科学研究所,重庆,400074【正文语种】中文【中图分类】U691+.71货运量预测是指在对货运市场调查、分析基础上,运用科学的方法,估计未来货运量及其变化规律,从而为制定有关政策、编制运输和物流发展规划提供科学依据[1]。
但运量预测通常采用的方法，如回归分析法、移动平均法、指数平滑法等，大都需要大量的样本数据，或需进行复杂的相关因素调研分析，或计算工作量大难以达到较高的预测精度[2]。
近年来随着灰色系统理论的不断完善和发展，GM(1,1)预测模型已越来越多地被应用于运输量的预测研究分析中。
灰色系统理论是我国著名学者邓聚龙教授于1982年首次提出的，研究对象是“部分信息已知，部分信息未知”的“贫信息”不确定性系统，它通过对部分已知信息的生成和开发来实现对现实世界的确切描述和认识[3]。
灰预测模型具有建模所需信息少、无需考虑原始数据先验特征、可对任意光滑离散数列建模、计算简单、建模精度高等优点，因而得到了广泛的应用。
但是这也并不意味着GM(l,1)模型的应用具有随意性，像其它数学模型一样，也存在着一定的局限性。
GM(1,1)模型是一种呈指数增长的预测模型，主要适用于按单一指数规律增长的数列，对序列数据出现异常情况往往很难加以考虑。
铁路运输量预测及灰色模型的应用
吴秋阳
【期刊名称】《西部交通科技》
【年(卷),期】2017(000)005
【摘要】铁路运输量预测对于地区物流规划有着重要的作用.文章选取铜仁市2010-201 5年的铁路运输量,分别利用曲线估计和灰色模型对铜仁市未来五年的铁路运输量进行预测.结果表明,灰色模型预测精度较高,铜仁市未来五年铁路运输量会突飞猛进,到2020年铁路运输量将达到431.48万吨.
【总页数】4页(P75-78)
【作者】吴秋阳
【作者单位】重庆工商大学,重庆400067
【正文语种】中文
【中图分类】U294.1+3
【相关文献】
1.灰色理论在铁路煤炭运输量预测中的应用 [J], 路辉
2.灰色模型在铁路软基沉降预测中的应用 [J], 尹紫红;高雪;赵丰年
3.灰色BP网络串联式组合模型在铁路客货运输量预测中的应用 [J], 赵海龙;吕安涛;张俊友;姚宁;代洪娜
4.用灰色模型预测铁路旅客运输量发趋势 [J], 黄志仁
5.多层递阶方法在铁路货物运输量预测中的应用 [J], 龚玉荣;祁兵
因版权原因，仅展示原文概要，查看原文内容请购买。
基于灰色加权马尔可夫链的大连铁路客运量预测贾金平;吉莉【摘要】以2003～2013年大连铁路客运量数据为基础,采用灰色GM(1,1)模型预测方法和马尔可夫链相结合的方法对大连铁路客运量数据进行预测,给出了灰色加权马尔科夫链预测模型.不仅构造了状态转移概率矩阵,而且也获得了有效的滞时阶数.结果表明,在预测值与真实值的平均绝对误差方面,与灰色GM(1,1)模型相比,灰色加权马尔可夫链模型减小了一半,其预测效果十分理想.在此基础上,对2014～2020年大连铁路客运量数据进行了预测.【期刊名称】《大连交通大学学报》【年(卷),期】2015(036)003【总页数】4页(P6-8,21)【关键词】GM(1,1)模型;加权马尔科夫链;铁路客运量【作者】贾金平;吉莉【作者单位】大连科技学院基础部,辽宁大连116052;大连科技学院基础部,辽宁大连116052【正文语种】中文灰色系统理论是邓聚龙教授在上个世纪八十年代首创，对于信息不完全系统的分析与预测具有十分独特的功效.灰色预测模型是当时间序列数据样本十分稀少时对未来趋势进行预测的方法[1].以“灰色预测”为主题检索中国知网，最近几年发表在期刊上的论文数量平均每年都有400多篇，并呈现逐年递增趋势.荣文竽[2]根据2003～2008年大连火车站客运量数据，使用灰色系统方法预测2012和2013年客运量分别为1 637.3万人和1 777.6万人.但是，这两年客运量真实值为1 245.3万人和1 423.3万人，误差为-31.5%和-24.9%.误差如此之大的原因是，灰色系统预测对短期数据的预测效果比较理想，而对长期数据的预测效果会越来越差.在旅客客运量预测方面，一些学者使用神经网络[3]、遗传算法[4]、马尔科夫链[5]、线性回归马尔科夫链[6]等数学方法进行了有益的尝试.作为进一步研究，笔者拟对灰色系统预测模型的结果进行加权马尔可夫链，从而提高对大连铁路客运量预测的准确性，为大连铁路客运量的精确预测提供更加可靠的方法依据.1.1 GM(1,1)模型设原始时间序列为x(0)=(x(0)(1),x(0)(2),…,x(0)(n))，做一次累加生成序列x(1)=(x(1)(1),x(1)(2),…,x(1)(n))，其中).对一次累加生成序列建立白化微分方程解得从而得到原始数据的灰色预测值).根据上述原理，使用2003～2013年共11年大连铁路客运量实测数据，在灰色系统专业预测软件GSTA V7.0平台上得到2003～2020年的客运量的预测数据.对2003～2013年大连铁路客运量的实测值与GM(1,1)模型预测值进行比较，如表1所示.1.2 结果检验模型的后验差比值其中，S1为原始序列的方差，S2为残差的方差.小误差概率5S1}=1其中，E为残差为残差的均值.根据表2，C和P值显示预测精度都达到了1级水平，但是有些预测数据的误差较大，因此有必要进一步改进GM(1,1)模型的预测结果.2.1 状态的划分根据表1中大连铁路客运实测值与GM(1,1)模型预测值的比值情况，将2003～2013年的数据划分为4种状态：E1(0.91～0.95)，E2(0.96～1.00)，E3(1.01～1.05)，E4(1.06～1.10).各状态的中值分别为：Z1=0.93,Z2=0.98,Z3=1.03,Z4=1.08.因此每年的状态如表3所示.2.2 各阶自相关系数的计算根据刘思峰[1]的灰色绝对关联度计算方法，设原始序列为,...比较序列为N.可以得到各阶自相关系数其中).根据上述公式，计算大连铁路客运量原始时间序列数据的各阶自相关系数，前6阶自相关性系数为：r1=0.847 1,r2=0.931 0,r3=0.950 3,r4=0.820 1,r5=0.688 7,r6=0.596 7.前三阶自相关性逐渐加强，随后逐渐快速减弱，由此可见，我们只需要考虑前3阶自相关系数即可.将前三阶自相关系数归一化后作为各自滞时的马尔可夫链的权重，分别为：ω1=0.310 5,ω2=0.341 2,ω3=0.348 3.2.3 构造状态转移概率矩阵构造如下状态转移概率矩阵[7]其中,Pij(a)=Mij(a)/Mi,i=1,2,…,N;Mij(a)表示状态i经过a步转移到状态j的原始数据的个数;Mi是处于状态i的原始数据个数.根据表3状态划分和滞时阶数，获得步长分别为a=1,2,3的马尔可夫链状态转移概率矩阵：2.4 预测原始序列利用加权马尔科夫链预测出原始数据序列的预测值为其中是由GM(1,1)得到的预测值是马尔科夫链预测出来的权是大连铁路客运量处于该状态的预测概率，是由同一状态的各个预测概率加权和.根据大连铁路客运量的实测值及相应的状态转移概率矩阵对2014年数据进行预测，其结果如表4所示.通过GM(1,1)模型得到2014年预测值是1 504.9.根据加权马尔科夫链模型预测出来的权是0.998 772 5，从而2014年预测值是1 503.1.表5给出了灰色加权马尔可夫链模型与灰色GM(1,1)模型预测值与精度的比较.在预测值与实测值的平均相对误差方面，误差灰色GM(1,1)模型为-0.32%，灰色加权马尔可夫链模型为-0.35%.在预测值与实测值的平均绝对误差方面，误差灰色GM(1,1)模型为5.11%，灰色加权马尔可夫链模型为2.53%.由此可见，与灰色GM(1,1)模型相比，灰色加权马尔可夫链模型的预测效果明显更加理想.于是，灰色加权马尔科夫链模型对2014～2020年大连铁路客运量进行了预测，预测结果分别为1 503.0、1 594.2、1 684.2、1 754.5、1 796.2、1 843.7、1 955.0万人. 针对灰色GM(1,1)模型受原始数据影响较大，其预测精确度不高这一缺点，对大连铁路客运量预测采用了灰色加权马尔科夫链改进预测方法的研究思路.选取2003～2013年大连铁路客运量数据进行模拟，建立了灰色GM(1,1)模型，并对该模型进行数据模拟检验，此模型可以用于大连铁路客运量的预测.对灰色模型进行加权马尔可夫链修正，并对未来7年大连铁路客运量进行了预测.不仅构造了状态转移概率矩阵，而且也获得了滞时阶数，预测结果的准确性和效度得到了较大的改进.【相关文献】[1]刘思峰,杨英杰,吴利丰.灰色系统理论及其应用[M].北京:科学出版社,2014．[2]荣文竽,梁立,王洪亮.哈大客运专线长大段趋势客运量预测[J].大连交通大学学报,2011,32(1):22-25.[3]吴昕慧.基于神经网络的铁路客运量优化预测[J].计算机仿真,2010,27(10):168-174.[4]甘秋明.基于遗传算法优化支持向量机的公路客运量预测[J].公路工程，2012,37(6):192-195.[5]娄彦江,马艳丽,韩丽飞.基于马尔科夫链的区域综合交通客运结构预测[J].交通运输系统工程与信息，2012,12(3):1-5.[6]李晓东.基于线性回归马尔可夫模型的铁路客运量预测[J].铁路运输与经济,2012(4):38-41.[7]王增民,王开珏.基于灰色加权马尔可夫链的移动通信市场预测[J].数学的实践与认识,2012,42(24):8-15.。
第３４卷第３期铁 道 学 报Ｖｏｌ．３４ Ｎｏ．３２ ０ １ ２年３月ＪＯＵＲＮＡＬ ＯＦ ＴＨＥ ＣＨＩＮＡ ＲＡＩＬＷＡＹ ＳＯＣＩＥＴＹ Ｍａｒｃｈ ２０１２文章编号：１００１－８３６０（２０１２）０３－０００１－０６基于灰色关联分析的ＬＳ－ＳＶＭ铁路货运量预测耿立艳１， 张天伟２， 赵 鹏３（１．石家庄铁道大学 经济管理学院，河北石家庄 ０５００４３；２．石家庄铁道大学交通运输学院，河北石家庄 ０５００４３；３．河北科技师范学院欧美学院，河北秦皇岛 ０６６００４）摘 要：为提高对铁路货运量的预测精度及建模速度，在分析货运量影响因素基础上，提出基于灰色关联分析的ＬＳ－ＳＶＭ铁路货运量预测方法。
将货运量影响因素分为社会需求与铁路供给两方面因素，采用灰色关联分析法对两方面因素与货运量进行相关性分析，根据灰色关联度值，结合定性分析筛选ＬＳ－ＳＶＭ输入变量，简化ＬＳ－ＳＶＭ结构，再通过随机权重粒子群（ＳＩＷＰＳＯ）算法优化选择ＬＳ－ＳＶＭ模型参数。
通过对我国１９８０～２００９年铁路货运量实例分析表明：该方法具有较快的收敛速度和较高的预测精度。
关键词：铁路货运量；预测；灰色关联分析；最小二乘支持向量机中图分类号：Ｕ２９４．１３ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－８３６０．２０１２．０３．００１Ｆｏｒｅｃａｓｔ ｏｆ Ｒａｉｌｗａｙ Ｆｒｅｉｇｈｔ Ｖｏｌｕｍｅｓ Ｂａｓｅｄｏｎ ＬＳ－ＳＶＭ ｗｉｔｈ Ｇｒｅｙ Ｃｏｒｒｅｌａｔｉｏｎ ＡｎａｌｙｓｉｓＧＥＮＧ Ｌｉ－ｙａｎ， ＺＨＡＮＧ Ｔｉａｎ－ｗｅｉ， ＺＨＡＯ Ｐｅｎｇ（１．Ｓｃｈｏｏｌ ｏｆ Ｅｃｏｎｏｍｉｃｓ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，Ｓｈｉｊｉａｚｈｕａｎｇ Ｔｉｅｄａｏ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｉｊｉａｚｈｕａｎｇ ０５００４３，Ｃｈｉｎａ；２．Ｓｃｈｏｏｌ ｏｆ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ，Ｓｈｉｊｉａｚｈｕａｎｇ Ｔｉｅｄａｏ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｉｊｉａｚｈｕａｎｇ ０５００４３，Ｃｈｉｎａ；３．Ｅ＆Ａ Ｃｏｌｌｅｇｅ ｏｆ Ｈｅｂｅｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｑｉｎｈｕａｎｇｄａｏ ０６６００４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ａｎａｌｙｚｉｎｇ ｔｈｅ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ ｏｆ ｒａｉｌｗａｙ ｆｒｅｉｇｈｔ ｖｏｌｕｍｅｓ，ｔｈｅ ＬＳ－ＳＶＭ ｒａｉｌｗａｙｆｒｅｉｇｈｔ ｖｏｌｕｍｅ ｆｏｒｅｃａｓｔ ｍｅｔｈｏｄ ｗｉｔｈ ｇｒｅｙ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｗａｓ ｐｒｏｐｏｓｅｄ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｐｒｅｄｉｃｔｉｎｇ ａｃｃｕｒａｃｙａｎｄ ｍｏｄｅｌｉｎｇ ｓｐｅｅｄ ｏｆ ｒａｉｌｗａｙ ｆｒｅｉｇｈｔ ｖｏｌｕｍｅｓ．Ｔｈｅ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ ｏｆ ｒａｉｌｗａｙ ｆｒｅｉｇｈｔ ｖｏｌｕｍｅｓ ｗｅｒｅ ｄｉｖｉｄｅｄｉｎｔｏ ｓｏｃｉａｌ ｄｅｍａｎｄ ｆａｃｔｏｒｓ ａｎｄ ｒａｉｌｗａｙ ｓｕｐｐｌｙ ｆａｃｔｏｒｓ．Ｃｏｒｒｅｌａｔｉｏｎｓ ｂｅｔｗｅｅｎ ｔｈｅ ｔｗｏ－ｃａｔｅｇｏｒｙ ｆａｃｔｏｒｓ ａｎｄ ｒａｉｌ－ｗａｙ ｆｒｅｉｇｈｔ ｖｏｌｕｍｅｓ ｗｅｒｅ ａｎａｌｙｚｅｄ ｒｅｓｐｅｃｔｉｖｅｌｙ ｂｙ ｇｒｅｙ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ．Ｔｈｅ ｉｎｐｕｔ ｖａｒｉａｂｌｅｓ ｏｆ ＬＳ－ＳＶＭｗｅｒｅ ｓｃｒｅｅｎｅｄ ｂｙ ｔｈｅ ｇｒｅｙ ｃｏｒｒｅｌａｔｉｏｎ ｄｅｇｒｅｅ ｖａｌｕｅ ｔｏｇｅｔｈｅｒ ｗｉｔｈ ｑｕａｌｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｔｏ ｓｉｍｐｌｉｆｙ ｔｈｅ ＬＳ－ＳＶＭｓｔｒｕｃｔｕｒｅ．Ｆｉｎａｌｌｙ，ｔｈｅ ｓｔｏｃｈａｓｔｉｃ ｉｎｅｒｔｉａ ｗｅｉｇｈｔ ＰＳＯ（ＳＩＷＰＳＯ）ａｌｇｏｒｉｔｈｍ ｗａｓ ｕｓｅｄ ｔｏ ｏｐｔｉｍｉｚｅ ｔｈｅ ｐａｒａｍｅｔｅｒｓｏｆ ｔｈｅ ＬＳ－ＳＶＭ ｍｏｄｅｌ．Ｓｔａｔｉｓｔｉｃｓ ｏｆ ｔｈｅ ｒａｉｌｗａｙ ｆｒｅｉｇｈｔ ｖｏｌｕｍｅｓ ｆｒｏｍ １９８０ｔｏ ２００９ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄｆｏｒｅｃａｓｔ ｍｅｔｈｏｄ ｐｒｏｖｉｄｅｓ ａ ｂｅｔｔｅｒ ｃｏｎｖｅｒｇｅｎｃｅ ｒａｔｅ ａｎｄ ｈｉｇｈｅｒ ｐｒｅｄｉｃｔｉｎｇ ａｃｃｕｒａｃｙ．Ｋｅｙ ｗｏｒｄｓ：ｒａｉｌｗａｙ ｆｒｅｉｇｈｔ ｖｏｌｕｍｅｓ；ｆｏｒｅｃａｓｔ；ｇｒｅｙ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ；ＬＳ－ＳＶＭ 铁路运输系统是一个受多种因素共同作用的复杂动态系统，具有的不确定性、随机性和模糊性［１］导致铁路货运量预测的复杂性。
安徽工程大学毕业设计（论文）中国货运量预测方法研究摘要货运量是确定物流需求的一个重要指标，是为确定物流基础设施建设规模和制定各项相关政策决策的一个主要依据。
货运量预测结果的合理性和可靠性将直接影响到物流基础设施的投资收益和相关物流企业的发展，并对地区资源合理的分配以及物流发展战略的制定都具用非常重要的意义。
本文分为六个部分，第一部分是绪论部分，阐述了本论文的研究背景、选题的意义、研究内容和研究方法，并分析了国内外的研究现状，使读者了解了撰写本文的意义及相关研究的发展水平;第二部分，概述了时间序列平滑预测，在这里我们应用了三种平滑预测方法，分别对中国历年的货运量做了频繁或预测;第三部分，采用了多元线性回归的方法，我们从统计年鉴中查找了影响货运量的几个指标的数据，这里我们共有四个自变量和一个因变量，并采用逐步回归的方法，找出影响货运量最显著地变量。
第四部分，对中国货运量序列采用了ARIMA模型进行拟合，最终找到了适合该序列的模型为ARIMA （1，1，0）。
第五部分，基于上面几种预测方法之后，对本文的最后一章，采用了灰色模型预测。
从以上几种预测方法中得到模型预测最精确的是灰色预测模型预测值2013年为544415.04为第六部分是结论和展望，对本文结论进行了总结，并对后续研究中需要进一步解决的问题进行了展望。
本文主要在查找国内外知名学者的研究基础上对中国2012年以前的货运量数据做了详尽的研究，本文虽然在预测方法上并没有突破前人的方法理论，没有一味的追求算法的复杂性和先进性。
但能够从不同的预测背景出发，同时这也是本文的创新点，即根据各种预测算法的适用范围及优缺点，合理的选择预测方法，这样才能够保证预测结果的可靠性。
对每一种方法所对应的预测做出最终的预测结果。
关键词:货运量；预测；灰色预测；ARIMA模型；多元线性回归；时间序列平滑预测张创：中国货运量预测方法研究AbstractCargo is an important indictor for determining the logistic needs of the region. It is also the main basis for determining the scale of the logistic infrastructure and making industrial policies.The reasonable and reliable results of the Cargo Forecast will have a direct impact on the inventincome of region's logistic infrastructure and the development of related logistics enterprises. It isalso of significant meanings in the distribution of resources in the region and making strategies forthe logistics development.There are six parts in this thesis. The first part introduces the backgrounds, aim, significance, main content and methods used in the research, and literatures related. Then, The s econd part, an overview of the time series smoothing, here we use three kinds of forecast methods of smoothing, respectively on the freight volume of Chinese calendar made frequent or prediction. , The third part, using the method of multiple linear regression, we find the impact of several indexes of freight from the statistical yearbook, here we have four variables and one dependent variable, and by the stepwise regression method, find out the most significant variables influencing freight volume. The fourth part, the Chinese freight traffic volume time series using ARIMA model, finally found a suitable for the sequence model for ARIMA (1, 1, 0) .The fifth part, after the above product prediction method based on, to the last chapter of this paper, using the grey prediction. Through comparing the results, the author finds the combination forecast model is a reliable model. Finally, the author draws a conclusion and shows the further research.The basis of this study mainly for domestic and foreign well-known scholars on China before 2012 freight volume data to do a detailed study, although this article theory and method in the prediction method does not break the previous,not blindly pursue algorithm complexity and advanced. But from the point of forecasting background different, according to the scope of application of all kinds of algorithms and the advantages and disadvantages, prediction method of rational choice, so that it can ensure the reliability of prediction results. Prediction corresponding to each method to make the final prediction results.Keywords: Cargo;Forecast,;grey forecasting; ARIMA model; multivariate linear regression; time series smoothing安徽工程大学毕业设计（论文）目录摘要 (I)ABSTRACT (II)第1章绪论 ......................................................................................................................... - 2 -1.1研究背景和意义 (2)1.2国内外研究现状 (2)1.3数据来源 (4)1.4研究内容和方法 (5)第2章时间序列平滑预测法 ............................................................................................... - 6 -2.1移动平均法 .. (6)2.2指数平滑法 (7)第3章多元线性回归模型 (10)3.1多元线性回归模型理论介绍 (10)3.3实证分析 (12)第4章时间序列ARIMA模型的建立和预测.................................................................. - 17 -4.1平稳时间序列分析ARIMA模型 . (17)4.2差分运算 (17)4.3ARIMA模型 (18)4.4实证分析 (25)第5章灰色G（1，1）模型的建立和预测 ................................................................... - 29 -5.1灰色系统和模型的介绍. (29)5.2灰色模型的建模步骤 (29)5.3实际数据代入及参数运算 (31)5.4灰色模型预测 (32)结论与展望 ......................................................................................................................... - 33 -致谢 ................................................................................................................................... - 34 -参考文献 ............................................................................................................................. - 35 -附录 ................................................................................................................................. - 37 -附录A一篇引用的外文文献及其译文 (37)附录B列出主要参考文献的题录及摘要（10篇） (47)附录C主要源程序 (51)张创：中国货运量预测方法研究插图清单图2-1原始货运量趋势图........... . (8)图4-1原始时间序列的时序图 (25)图4-2一阶差分时序图............. . (26)图4-3自相关图 (26)图4-4白噪声检验........................ ............................................................................. . (26)图4-5偏自相关图................ (27)图4-6模型的参数估计及残差白噪声检验.. (27)图4-7模型的最终的预测............. (27)图4-8模型的最终的预测 (28)安徽工程大学毕业设计（论文）插表清单表1-1原始货运量数据........................ (4)表2-1各种方法预测结果........................... .. (9)表3-1各种指标的原始数据........ ................ ............ . (12)表3-2 逐步回归方程................... . (13)表3-3 拟合优度检验.......................... ............... . (14)表3-4 方程的显著性检验........................... .. (14)表3-5 回归系数检验表...................... .. (15)表3-6 残差序列自相关性检验.................................... (15)表5-1 2003到2009的时间响应函数预测值.................... (32)表5-2 模型精度检验............................ (32)表5-3灰色G（1，1）预测........................ .. (32)安徽工程大学毕业设计（论文）引言货运量预测，即运用有关预测的一系列理论与方法对未来铁路、公路、管道等运输方式的货运市场需求的变化规律及发展趋势做出正确的判断和估计，对影响货运量的因素进行分析，可以明确的找出能够确切影响货运量的因素，以便对未来进行更好的预测与分析。
