基于复杂系统的铁路客流预测方法研究

论文摘要

随着铁路的高速发展,以“市场需求决定运输生产”将成为铁路运输企业发展的准则,客流预测凸现重要位置,它是铁路投资、列车开行方案、定价的前提和基础,客流中长期预测是为了给铁路建设和整体运能提升提供科学依据,短期预测可以为运能调度提供有力支持。铁路客流预测已经不再是一个新鲜的话题,国内外以及路内外专家已经研究了很多的模型算法,也在不断的改进以提高其精度和缩小误差范围。但客流是一个具有高度不确定性的系统,要想用一个算法或模型表示和预测一个中长期的客流是非常困难的。结合客流的复杂特性从复杂系统角度研究客流预测模型则显得非常必要。本文从复杂系统的角度分析了客流复杂性、一般客流预测模型、影响客流因素和客流模态等,也指出了需要进一步研究的问题。首先,论文将一般客流预测方法从客流演变机理和客流行为空间两方面进行了归纳,在此基础上基于复杂系统理论提出了复杂系统客流预测模型（PFM-CS模型）,对模型进行了详细阐述,并指出了复杂系统客流预测模型与一般客流预测模型的关系,以及复杂系统客流预测模型影响客流因素集和参数集的重要性。其次,论文围绕PFM-CS模型的影响客流因素,从时间因素、空间因素、客流属性因素、价格因素和运输能力因素等几方面作了详尽的分析,对参数的取值分析提出了建议,并用铁路的实际客流数据作了分析验证。第三,论文结合PFM-CS模型子系统与振动系统有着类似的特征,将模态概念引入到铁路客流预测模型中,将PFM-CS模型的各子系统看成是一个一个的模态,并分析了几个常用的模态算法,另外,更重要的是提出了模态划分、模态选择以及模态趋势和季节分量处理的模态处理步骤和方法。第四,论文围绕PFM-CS模型的空间层次,利用模糊聚类方法（AGA-OFEM）将铁路车站进行聚类分析,划分出若干相似的层次区域,然后选择了北京地区应用PFM-CS模型,完成了模态划分、模态模型选择和参数估计、趋势和季节分量处理等研究,以验证PFM-CS模型的科学性。最后,论文结合铁路信息化规划的《客运营销辅助决策系统》,论述了将PFM-CS模型应用于铁路客流预测需要完成的工作和建议的方法步骤,同时也指出了其中的模态模型优化、客流影响因素采集分析量化以及模态划分和模态选择都是需要进一步研究的难点。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 相关工作研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 复杂系统与客流复杂性
• 1.3.1 复杂系统概念
• 1.3.2 复杂系统评价方法论
• 1.3.3 复杂系统的评价方法
• 1.3.4 客流及其复杂性
• 1.4 论文主要工作
• 1.5 论文组织结构
• 2 铁路客流预测及方法
• 2.1 什么是客流预测
• 2.2 客流预测的一般理论及主要方法
• 2.2.1 基于客流演变机理的客流预测方法
• 2.2.2 基于客流行为和时空关系的客流预测方法
• 2.3 基于复杂系统的客流预测方法
• 2.3.1 单系统客流预测模型
• 2.3.2 复杂系统客流预测模型
• 3 影响客流的复杂因素分析
• 3.1 引言
• 3.2 客流的时间因素分析
• 3.3 客流的空间因素分布
• 3.4 客流的属性因素分析
• 3.4.1 市场细分
• 3.4.2 基于既有数据属性分析
• 3.4.3 指标参数
• 3.5 客流的价格因素分析
• 3.6 运输能力影响因素分析
• 3.7 小结
• 4 客流的模态和模态识别
• 4.1 引言
• 4.2 模态识别概念
• 4.3 基于时域的模态识别
• 4.4 几种时序模态分析模型
• 4.4.1 自回归模型法（AR）
• 4.4.2 移动平均法（MA）
• 4.4.3 指数平滑法（Smooth）
• 4.5 基于改进BP神经网络模态分析
• 4.6 基于ARMA模态分析
• 4.6.1 ARMA模型传递函数
• 4.6.2 ARMA模态参数
• 4.7 铁路客流的模态分析
• 4.7.1 模态划分
• 4.7.2 模态选择
• 4.7.3 模态的趋势及季节分量处理
• 4.8 小结
• 5 基于复杂系统的客流模态识别和预测
• 5.1 引言
• 5.2 客流区域（AGA-OFEM）聚类分析
• 5.2.1 AGA-OFEM方法描述
• 5.2.2 应用AGA-OFEM方法对铁路车站分类
• 5.3 客流模态划分
• 5.4 客流模态模型选择和参数估计
• 5.5 复杂系统客流预测模型
• 5.5.1 模型建立
• 5.5.2 趋势分量和季节分量的处理
• 5.6 小结
• 6 铁路客流预测的应用研究
• 6.1 引言
• 6.2 复杂系统客流预测的应用
• 6.2.1 复杂系统客流预测简介
• 6.2.2 复杂系统客流预测模型的应用思路和关键技术
• 6.3 小结
• 7 总结和展望
• 7.1 全文总结
• 7.2 进一步工作
• 参考文献
• 致谢
• 在读博士期间发表的论文
• 在读博士期间参加的科研项目