导读:本文包含了客货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:货运量,模型,运量,客货,青海省,灰色,云南省。
客货运量预测论文文献综述
张浩,肖金龙,温泉,刘凤琳[1]（2019）在《基于长江上游区域产业结构测度的叁峡枢纽货运量预测》一文中研究指出针对长江叁峡枢纽通过能力提升的过坝运输需求预测问题,研究长江上游区域经济发展、产业结构与叁峡枢纽过坝货运量的发展变化关系,构建基于长江上游区域产业结构测度的叁峡枢纽过坝货运量预测模型,预计2020、2030、2040和2050年长江叁峡枢纽货运量分别约为1. 61、2. 54、3. 10和3. 17亿t。研究表明:采用基于区域产业结构测度的方法预测叁峡枢纽过坝货运量具有一定的参考意义;同时,发现长江叁峡枢纽过坝货运量约在2040年左右将进入平稳发展阶段,该结论有待进一步探讨。(本文来源于《水运工程》期刊2019年11期）
王好文,李玲琴,王雅丽[2]（2019）在《青海客货运量与服务业的相关性分析及预测》一文中研究指出对青海客货运量和服务业的发展情况进行了分析,选用青海省2008-2018年客货运量和服务业的数据,并采用SPSS 21.0软件对客货运量与服务业进行相关性分析。结果显示,青海省客货运量与服务业高度相关。(本文来源于《湖北农机化》期刊2019年18期）
薛方,苏芮锋,杨升,姚远征,张俊[3]（2019）在《基于回归分析的公路货运量预测》一文中研究指出为了预测公路货运量,文章先从影响公路货运量的10个因子出发,分析各因子和公路货运量的关系,并使用多元逐步回归法做最优回归方程的选择,挑选出对公路货运量影响显着的6个因子,然后建立公路货运量预测的6元线性回归模型,使用最小二乘法求解模型参数。经检验,公路货运量预测模型的显着水平p=0.02137<0.05,样本可决系数R~2=0.9998,接近于1,模型拟合效果较好。最后对各因子建立一元线性回归模型,得到2018年各因子的预测值,代入公路货运量预测模型,得到2018年的公路货运量预测值。(本文来源于《汽车实用技术》期刊2019年15期）
巫仁亮,徐伟华,沈文喆[4]（2019）在《基于灰色神经网络的云南省货运量预测模型研究》一文中研究指出货运量是体现一个地区发展水平与经济实力的重要指标,所以提高对货运量的预测精度,具有重要的意义。文章收集了云南省2008年到2018年货运量及其影响因素的相关数据,结合灰色系统理论与BP神经网络算法建立了灰色神经网络模型,对云南省的货运量进行预测,并与BP神经网络的预测值进行对比。结果表明:灰色神经网络的预测平均相对误差为2.45%。BP神经网络的预测平均相对误差为13.52%。灰色神经网络预测精度提高了11.06%,证明了灰色神经网络的预测结果更好,可广泛应用于各地区对货运量的预测。(本文来源于《物流科技》期刊2019年08期）
徐莉,薛锋[5]（2019）在《基于GM(1,1)残差二次修正的铁路货运量预测》一文中研究指出铁路货运量是铁路运输能力的重要体现,也是确定铁路交通基础设施建设规模的主要依据。铁路货运量的预测结果是否合理,会对铁路的运输生产及效益产生直接影响。在传统GM(1, 1)灰色预测及GM(1, 1)残差一次修正模型的基础上,建立GM(1, 1)残差二次修正预测模型,从而提高模型预测的精度,并基于残差二次修正后的模型预测未来叁年我国铁路的货运量,以期为铁路部门制定未来铁路运输发展战略,合理利用资源,充分发挥铁路运输能力提供参考。(本文来源于《交通运输工程与信息学报》期刊2019年02期）
吕冬梅[6]（2019）在《指数平滑结合条件Markov预测模型研究——基于新疆货运量预测》一文中研究指出建立了一个时间序列预测模型。以叁次指数平滑模型为基本预测模型,并基于马尔科夫链定义了误差修正模型--条件马尔科夫链。条件马尔科夫链的特点在于将传统马尔科夫链中的一步状态转移概率矩阵变成条件一步状态转移概率矩阵,即在条件马尔科夫链的状态转移概率矩阵中,每个元素的意义为:在已知t-1时刻的状态下,t时刻的状态转向t+1时刻状态的概率:即P{(E_t→E_(t+1))/E_(t-1)}。在文章中以新疆货运量为实验对象,通过对新疆货运量这一指标用叁次指数平滑模型,用叁次指数平滑模型结合马尔科夫链和叁次指数平滑模型结合条件马尔科夫链叁个模型进行预测,结果显示,经过条件马尔科夫链修正后的预测结果误差最小,证明文中模型可以有效提高预测精度。(本文来源于《石河子科技》期刊2019年03期）
赵娜青[7]（2019）在《基于ARIMA模型的铁路货运量预测》一文中研究指出近年来随着我国经济的蓬勃发展,运输以及物流行业也发展迅速。合理地对我国铁路货运量进行预测可以为我国铁路交通基础设施建设提供科学的依据,进而有助于提高我国的经济效益。为了科学地预测我国的铁路货运量,本文利用Eviews软件拟合ARIMA模型,对我国的铁路货运量进行预测。(本文来源于《智库时代》期刊2019年22期）
陈琛,吴青,高嵩[8]（2019）在《基于时空因素的水路短期货运量预测》一文中研究指出考虑货运网络港口间空间关联能提高短期预测精度,但是不同于公路网络中通过交叉路口形成简单明确的上下游空间关系,超高维的水运货运空间关系数据难以直接利用,为此,基于频繁港口和神经网络(FR-NN)构建考虑时空因素的水路货运量预测模型.该模型基于频繁模式的思想挖掘出目标港口在货运空间网络中的频繁港口,利用频繁港口提取货运网络的主要空间关系,用低维数据保留高维网络主要空间特征,再利用神经网络拟合频繁港口与目标港口货运量间的时空关系.实例分析表明,考虑时空关系有助于提高预测精度,模型能提高不同粒度的短期货运量预测精度,尤其是能够预测采用时间序列方法不理想的周、日货运量.(本文来源于《上海交通大学学报》期刊2019年05期）
王文玉,曾纪涵[9]（2019）在《基于灰色Verhulst模型的铁路货运量预测研究》一文中研究指出交通运输铁路预测系统是一个动态的时变系统,货运量作为交通运输系统的行为特征量,具有一定的随机波动性,它的发展呈现某种变化趋势的非平稳随机过程。灰色GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程。灰色Verhulst模型能够对部分信息未知、具有饱和特性的系统或者某种非平稳随机且趋近饱和过程进行高精度预测。本文建立灰色Verhulst模型与GM(1,1)模型,对2008-2017年货运量预测与实际值精度检验,并预测2018-2035年全国铁路货运量。结果表明,Verhulst模型不仅弥补了GM(1,1)模型单调的变化过程,而且更加精准模拟铁路货运量的变化趋势。通过灰色Verhulst模型与GM(1,1)模型对铁路货运量预测精度检验的比较,可以看出灰色Verhulst模型具有更高的精度。(本文来源于《时代汽车》期刊2019年04期）
赵朝文,罗璟,邱晨[10]（2019）在《基于ARIMA模型与Winter模型的水运货运量预测比较》一文中研究指出本文运用SPSS统计软件,采用ARIMA模型与Winter模型对我国2010年1月-2017年7月水运货运量数据进行分析,ARIMA模型定为ARIMA(1,1,1)(2,1,0)12,通过对训练样本进行训练,R方达0.953,拟合效果较好。Winter模型,分别采用Winter季节可加性、Winter相乘性条件对训练样本进行训练,R方分别为0.974、0.966,标准化的BIC(L)分别为14.752、15.036,拟合效果都比较好。叁种方法对2017年8月-2018年8数据进行测试,都有较好效果;在进行2018年9-2019年9月预测中,叁种方法所得结果都有差异,总体来看采用Winter季节可加性最优,其次为Winter相乘性,最后为ARIM模型。故在进行我国水运货运量预测的短期预测中,需综合考虑选择模型进行预测。(本文来源于《软件》期刊2019年01期）
客货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：
对青海客货运量和服务业的发展情况进行了分析,选用青海省2008-2018年客货运量和服务业的数据,并采用SPSS 21.0软件对客货运量与服务业进行相关性分析。结果显示,青海省客货运量与服务业高度相关。
（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。
客货运量预测论文参考文献
[1].张浩,肖金龙,温泉,刘凤琳.基于长江上游区域产业结构测度的叁峡枢纽货运量预测[J].水运工程.2019
[2].王好文,李玲琴,王雅丽.青海客货运量与服务业的相关性分析及预测[J].湖北农机化.2019
[3].薛方,苏芮锋,杨升,姚远征,张俊.基于回归分析的公路货运量预测[J].汽车实用技术.2019
[4].巫仁亮,徐伟华,沈文喆.基于灰色神经网络的云南省货运量预测模型研究[J].物流科技.2019
[5].徐莉,薛锋.基于GM(1,1)残差二次修正的铁路货运量预测[J].交通运输工程与信息学报.2019
[6].吕冬梅.指数平滑结合条件Markov预测模型研究——基于新疆货运量预测[J].石河子科技.2019
[7].赵娜青.基于ARIMA模型的铁路货运量预测[J].智库时代.2019
[8].陈琛,吴青,高嵩.基于时空因素的水路短期货运量预测[J].上海交通大学学报.2019
[9].王文玉,曾纪涵.基于灰色Verhulst模型的铁路货运量预测研究[J].时代汽车.2019
[10].赵朝文,罗璟,邱晨.基于ARIMA模型与Winter模型的水运货运量预测比较[J].软件.2019
论文知识图
