基于无偏灰色Verhulst模型的铁路货运量预测研究

安永娥，鲍学英，王起才

(兰州交通大学 土木工程学院，甘肃 兰州 730070)

铁路运输是受多因素影响的复杂的动态系统，这些影响因素的多样性、模糊性和渐变性，导致了铁路系统的复杂性[1-2]。这种错综复杂的内在关系决定了铁路货运量与影响因素之间存在复杂的非线性关系，综合考虑这些因素的影响，建立准确的铁路货运量预测模型对铁路货运的组织、决策等具有重要意义。近年来，许多学者对铁路货运量的预测方法进行了大量研究，常见的铁路预测方法有指数平滑法、回归分析法、GM(1,1)模型预测法和BP神经网络法等。马晓珂等[3]用指数平滑法对铁路运量进行预测，该方法只能用于定量分析且由于平滑系数的选取具有不确定性；李彦[4]选用挖掘方法之一的线性回归模型，通过与其他2种挖掘方法比较，指出线性回归模型误差较大，精度较低，其原因是货运原始数据线性程度比较差，一般均为非线性关系，支持向量回归机输入参数较少；曹飞[5]用GM(1,1)模型及残差GM(1,1)模型对铁路货运量进行预测，通过比较发现，残差GM(1,1)模型较GM(1,1)模型的误差更小，精度更高。由于原始数据中不规则数据随机性的影响且GM(1,1)模型要求数据呈指数分布，所以对铁路运量有较为明显的误差；赵闯等[6-7]用神经网络对铁路货运量进行预测，神经网络作为一种非线性非参数模型，能较好地解释铁路货运量与影响因素之间的复杂非线性关系，具有的自学习、自适应能力可有效降低因假定有误而引起的预测误差，因而被引入到铁路货运量预测中。……