| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文研究思路 | 第12-14页 |
| 2 预测方法简述 | 第14-22页 |
| 2.1 定性预测 | 第15-18页 |
| 2.1.1 德尔菲法 | 第16页 |
| 2.1.2 头脑风暴预测法 | 第16-17页 |
| 2.1.3 主观概率法 | 第17页 |
| 2.1.4 情景预测法 | 第17-18页 |
| 2.2 定量预测 | 第18-21页 |
| 2.2.1 平滑预测法 | 第18-19页 |
| 2.2.2 趋势延伸法 | 第19-20页 |
| 2.2.3 季节指数预测法 | 第20页 |
| 2.2.4 回归分析 | 第20-21页 |
| 2.3 小结 | 第21-22页 |
| 3 铁路货运量影响因素分析 | 第22-26页 |
| 3.1 铁路货物周转量对铁路货运量的影响 | 第22页 |
| 3.2 水路货运量与公路货运量之和对铁路货运量的影响 | 第22-23页 |
| 3.3 国内生产总值对铁路货运量的影响 | 第23页 |
| 3.4 铁路运输业就业人员数对铁路货运量的影响 | 第23-24页 |
| 3.5 铁路营业里程对铁路货运量的影响 | 第24页 |
| 3.6 原煤产量对铁路货运量的影响 | 第24-25页 |
| 3.7 钢材产量对铁路货运量的影响 | 第25-26页 |
| 4 运用机器学习算法对铁路货运量进行预测 | 第26-42页 |
| 4.1 SVR算法 | 第27-32页 |
| 4.1.1 SVR预测模型原理与算法设计 | 第27-31页 |
| 4.1.2 SVR预测结果及分析 | 第31-32页 |
| 4.2 BP神经网络 | 第32-36页 |
| 4.2.1 BP神经网络原理及算法设计 | 第32-35页 |
| 4.2.2 BP神经网络预测结果及分析 | 第35-36页 |
| 4.3 Adaboost(Adaptive Boosting)算法 | 第36-39页 |
| 4.3.1 Adaboost原理介绍 | 第36-37页 |
| 4.3.2 预测结果与分析 | 第37-39页 |
| 4.4 梯度提升决策树GBDT | 第39-41页 |
| 4.4.1 GBDT原理介绍 | 第39-40页 |
| 4.4.2 预测结果与分析 | 第40-41页 |
| 4.5 小结 | 第41-42页 |
| 结论 | 第42-43页 |
| 致谢 | 第43-44页 |
| 参考文献 | 第44-45页 |