公交客运量随机波动下GM(1,1)改进预测模型：误差减小4.68%-2.99%

本文主要探讨了"基于随机波动条件的公交客运量预测模型"，发表于2012年的长安大学学报(自然科学版)第32卷第1期。传统的灰色GM(1,1)模型在公交客运量预测中常常遭遇误差过大的问题，这主要是由于忽略了实际交通流量的随机波动特性。为了提高预测精度，研究者麦海兰和都恩崇针对这一问题进行了深入研究。 他们提出了一种改进方法，即通过对公交客运量的残差序列进行再处理，通过构造新的数据序列来反映这种随机波动。具体来说，他们采用预测序列与残差序列的绝对值之和作为新序列的数据，这样做的目的是捕捉到交通流量中的动态变化。通过运用改进后的GM(1,1)模型对某城市的两条公交线路的客运量进行预测，结果显示，相较于传统的GM(1,1)模型，新模型预测的公交客运量平均相对误差显著降低，分别为4.9%和5.3%。这表明，随机波动条件下的改进模型能够更准确地反映实际的交通流量变化。 相比于传统模型的平均相对误差7.5%和7.45%，这种改进方法带来了约4.68%和2.99%的误差减少，显示出其在实际应用中的优越性。研究的关键领域包括交通工程、公交客运量预测以及GM(1,1)模型的优化。此外，本文还被归类在中国科学分类号U491下，文献标志码为A，表明其研究价值主要在于提升城市公共交通系统的规划和管理效率。 总结来说，这篇论文是一项重要的贡献，它提供了改进公交客运量预测模型的新思路，对于公共交通系统的实时管理和决策支持具有重要意义。