基于时间序列的铁路客流量预测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景和意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 定性预测法 | 第12页 |
| 1.2.2 定量预测法 | 第12-14页 |
| 1.2.3 灰色预测方法 | 第14-15页 |
| 1.2.4 EMD预测 | 第15-16页 |
| 1.2.5 BP神经网络 | 第16页 |
| 1.2.6 支持向量机 | 第16-17页 |
| 1.3 现状综述 | 第17-18页 |
| 1.4 主要内容与主要技术 | 第18-19页 |
| 1.4.1 主要内容 | 第18-19页 |
| 1.4.2 组织结构 | 第19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 相关知识介绍 | 第20-33页 |
| 2.1 铁路短期客流变化特点 | 第20-22页 |
| 2.2 EEMD算法 | 第22-25页 |
| 2.2.1 EMD算法简介 | 第22-23页 |
| 2.2.2 EMD算法步骤 | 第23-24页 |
| 2.2.3 EEMD算法 | 第24-25页 |
| 2.3 SVR模型 | 第25-29页 |
| 2.3.1 SVR模型介绍 | 第25-28页 |
| 2.3.2 SVR参数优化 | 第28-29页 |
| 2.4 ARIMA模型 | 第29-31页 |
| 2.4.1 AR模型 | 第30页 |
| 2.4.2 MA模型 | 第30页 |
| 2.4.3 ARMA模型 | 第30-31页 |
| 2.4.4 ARIMA模型 | 第31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 基于EEMD的组合预测方法 | 第33-44页 |
| 3.1 组合模型特点 | 第33-34页 |
| 3.2 EEMD-SVR组合模型建立 | 第34-37页 |
| 3.2.1 火车客流序列的EEMD分解 | 第34-35页 |
| 3.2.2 各分量的PSO-SVR建模与预测 | 第35-37页 |
| 3.2.3 数据整合阶段 | 第37页 |
| 3.3 EEMD-ARIMA组合模型建立 | 第37-40页 |
| 3.3.1 EEMD分解 | 第38页 |
| 3.3.2 ARIMA预测 | 第38-40页 |
| 3.3.3 数据整合阶段 | 第40页 |
| 3.4 EEMD-ARIMA-SVR组合模型建立 | 第40-42页 |
| 3.5 性能测试指标选择 | 第42-43页 |
| 3.5.1 平均绝对百分误差 | 第42页 |
| 3.5.2 最大相对偏差 | 第42页 |
| 3.5.3 绝对误差方差： | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 具体实验 | 第44-56页 |
| 4.1 数据介绍与预处理 | 第44-47页 |
| 4.1.1 完整性检测 | 第44-45页 |
| 4.1.2 正确性检测 | 第45页 |
| 4.1.3 规范性检测 | 第45-46页 |
| 4.1.4 数据预处理 | 第46-47页 |
| 4.2 IMF分量分离 | 第47-48页 |
| 4.3 实验步骤 | 第48-51页 |
| 4.3.1 线性部分预测 | 第48-50页 |
| 4.3.2 非线性部分预测与数据汇总 | 第50-51页 |
| 4.4 预测结果分析 | 第51-54页 |
| 4.4.1 ARIMA对比SVR | 第52-53页 |
| 4.4.2 混合模型对比单一模型 | 第53-54页 |
| 4.4.3 EEMD-ARIMA-SVR模型 | 第54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 文章总结 | 第56-57页 |
| 5.2 文章展望 | 第57-58页 |
| 参考文献 | 第58-60页 |
| 攻读硕士学位期间取得的研究成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 附表 | 第62页 |
