变权重组合模型在铁路客运量短期预测中的应用

"Computer Engineering and Applications"杂志的一篇论文探讨了铁路客运量短期预测的问题，研究了一种基于灰色理论的变权重组合预测模型。这篇论文发表于2017年，由褚鹏宇和刘澜两位作者共同完成，来自西南交通大学交通运输与物流学院。 在铁路系统的改革和发展背景下，准确预测短期客运量对提升服务质量和应对市场变化至关重要。短期预测通常关注月度或日度的客运量变化，这类预测的难点在于数据的非线性、随机性和波动性。现有的预测方法包括移动平均法、指数平滑法、自回归分析、灰色理论、人工神经网络和支持向量机等。 论文中提出的方法结合了灰色理论和广义回归神经网络（GRNN）。灰色理论是一种处理小样本、不完全信息的数据分析方法，能够揭示数据的内在规律。而GRNN则用于动态预测模型的权重系数，它能适应时间序列数据的变化趋势，提供更准确的预测。 研究者以2014年全年的铁路客运量数据为例，建立了四种模型：均值GM(1,1)模型、离散GM(1,1)模型、灰色Verhulst模型以及变权重组合预测模型。通过比较这些模型的预测结果，变权重组合模型的平均相对误差仅为7.01%，显著优于其他单一模型（17.14%、16.99%和12.94%），显示出更高的预测精度。 该模型的应用可以有效帮助铁路管理部门提前预知客运量变化，以便调整运营策略，优化资源配置，提升服务质量。这一研究不仅在理论上有创新，也为实际操作提供了有价值的工具，对于铁路行业的决策支持有着积极的意义。 总结来说，这篇论文的研究贡献在于提出了一种新的铁路客运量短期预测模型，该模型利用灰色理论和GRNN相结合的方式，提高了预测的准确性，有助于铁路部门更好地应对市场的不确定性，从而提高服务质量。此研究方法的创新性和实用性为未来相关领域的研究提供了新的思路和参考。