公交線路客運(yùn)量預(yù)測(cè)研究背景目的意義及現(xiàn)狀-資料下載頁(yè)
2025-08-09 01:29本頁(yè)面
【正文】 組合來(lái)表現(xiàn)當(dāng)前值。自回歸移動(dòng)平均模型ARMA（Auto regression moving average）是自動(dòng)回歸技術(shù)（AR）與移動(dòng)平均技術(shù)（MA）相結(jié)合的模型。上述兩種方法是以南京市某條公交線路一周客流預(yù)測(cè)為例。預(yù)測(cè)結(jié)果誤差較大，平均達(dá)到30%。具有周期波動(dòng)項(xiàng)的離散預(yù)測(cè)模型黃文韜、徐安農(nóng)和劉繼光認(rèn)為客運(yùn)量的變化趨勢(shì)不僅包含長(zhǎng)期變動(dòng)趨勢(shì)，而且含有固定周期的周期波動(dòng)趨勢(shì)，在2000年3月提出客運(yùn)量函數(shù)由長(zhǎng)期趨勢(shì)函數(shù)和相對(duì)波動(dòng)函數(shù)構(gòu)成。首先對(duì)趨勢(shì)函數(shù)進(jìn)行一重和二重?cái)M和，提高擬和的精度，其次用相對(duì)波動(dòng)函數(shù)進(jìn)行加權(quán)修正。從而得到客運(yùn)量變化函數(shù)進(jìn)行客運(yùn)量預(yù)測(cè)。此預(yù)測(cè)方法以桂林市客流量最大的公交11路車(chē)9998年月收入為例。，得到了與實(shí)際相符的結(jié)果，并且擬合度及預(yù)測(cè)精度較高?；疑Ｐ蜕坳楞w陽(yáng)等人在2005年12月建立公交客運(yùn)量的灰色預(yù)測(cè)GM（1，1）模型，并采用殘差、關(guān)聯(lián)度和后驗(yàn)差三個(gè)指標(biāo)進(jìn)行模型驗(yàn)證。此方法較適用于城市公交日客運(yùn)量預(yù)測(cè)研究，并在安慶市公共交通規(guī)劃中得到應(yīng)用。優(yōu)點(diǎn)在于適用于采集少量的樣本數(shù)據(jù)情況下，短期公交客運(yùn)量預(yù)測(cè)精度較高，計(jì)算速度快和操作簡(jiǎn)單。不足在于未能考慮影響客運(yùn)量變化的客觀因素，且不適用長(zhǎng)期預(yù)測(cè)?；疑窠?jīng)網(wǎng)絡(luò)模型杭力，韓直等人在2006年4月在灰色預(yù)測(cè)的基礎(chǔ)上，引入BP神經(jīng)網(wǎng)絡(luò)模型，建立了GM（1，）和BP神經(jīng)網(wǎng)絡(luò)組合模型。同樣利用灰色方法將少量原始數(shù)據(jù)轉(zhuǎn)換為多樣本數(shù)據(jù)，一部分樣本數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，剩余樣本數(shù)據(jù)用于驗(yàn)證網(wǎng)絡(luò)訓(xùn)練勸值和閾值的適應(yīng)性。此方法優(yōu)點(diǎn)仍然是少量原始數(shù)據(jù)的多樣本化處理，不足在于神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)，可能出現(xiàn)局部訓(xùn)練最優(yōu)，適應(yīng)性較差。綜上，因果法和外推法各有優(yōu)缺點(diǎn)，由于公交營(yíng)運(yùn)受人口流動(dòng)、天氣變化等多種因素的影響和制約，公交客運(yùn)量變化是動(dòng)態(tài)的，波動(dòng)也比較大。如何反映出影響因素的變化是解決客運(yùn)量預(yù)測(cè)的關(guān)鍵
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1