致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7-8页 |
1. 绪论 | 第11-18页 |
1.1 论文研究的背景与研究意义 | 第11-13页 |
1.1.1 论文研究的背景 | 第11-12页 |
1.1.2 论文研究的意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-16页 |
1.3 研究内容与研究方法 | 第16-17页 |
1.4 论文研究框架 | 第17-18页 |
2. 铁路货运量预测概述 | 第18-28页 |
2.1 铁路货运量预测方法 | 第18-25页 |
2.1.1 铁路货运量定性预测方法 | 第18-20页 |
2.1.2 传统的铁路货运量定量预测方法 | 第20-22页 |
2.1.3 应用机器学习理论的铁路货运量定量预测方法 | 第22-24页 |
2.1.4 预测结果验证方法 | 第24-25页 |
2.1.5 机器学习方法同传统预测方法的定性比较 | 第25页 |
2.2 R软件简介 | 第25-27页 |
2.2.1 R语言概述 | 第26页 |
2.2.2 R的功能介绍 | 第26-27页 |
2.3 小结 | 第27-28页 |
3. 铁路货运量影响因素及其关联度分析 | 第28-35页 |
3.1 铁路货运量影响因素定性分析 | 第28-30页 |
3.1.1 成品钢材产量对铁路货运量的影响 | 第28页 |
3.1.2 原煤产量对铁路货运量的影响 | 第28-29页 |
3.1.3 原油加工产量对铁路货运量的影响 | 第29页 |
3.1.4 火力发电量对铁路货运量的影响 | 第29页 |
3.1.5 固定资产投资对铁路货运量的影响 | 第29-30页 |
3.1.6 工业增加值增长率对铁路货运量的影响 | 第30页 |
3.2 铁路货运量影响因素定量分析 | 第30-34页 |
3.2.1 灰色关联度理论概述 | 第30-32页 |
3.2.2 铁路货运量同各影响因素间的关联度计算 | 第32-34页 |
3.3 小结 | 第34-35页 |
4. 运用机器学习算法进行铁路货运量预测 | 第35-51页 |
4.1 铁路货运量Bagging预测 | 第35-37页 |
4.1.1 Bagging预测模型建立和算法设计 | 第35-36页 |
4.1.2 Bagging预测结果及分析 | 第36-37页 |
4.2 铁路货运量BP人工神经网络预测 | 第37-42页 |
4.2.1 BP学习算法概述 | 第37-38页 |
4.2.2 BP神经网络概述 | 第38-39页 |
4.2.3 铁路货运量人工神经网络预测模型建立及算法设计 | 第39-40页 |
4.2.4 铁路货运量人工神经网络预测结果及分析 | 第40-42页 |
4.3 铁路货运量支持向量机预测 | 第42-45页 |
4.3.1 支持向量机的思路:基于最大间隔分隔数据 | 第42页 |
4.3.2 支持向量机预测模型和算法设计 | 第42-44页 |
4.3.3 支持向量机预测结果和分析 | 第44-45页 |
4.4 铁路货运量随机森林预测 | 第45-49页 |
4.4.1 随机森林预测模型建立和算法设计 | 第45-46页 |
4.4.2 随机森林预测结果和分析 | 第46-49页 |
4.5 各算法预测结果比较分析 | 第49-50页 |
4.6 小结 | 第50-51页 |
5. 结论与展望 | 第51-53页 |
5.1 总结 | 第51-52页 |
5.2 展望 | 第52-53页 |
参考文献 | 第53-55页 |
附录A | 第55-61页 |
作者简历及攻读硕士/博士学位期间取得的研究成果 | 第61-63页 |
学位论文数据集 | 第63页 |