导读:本文包含了客流量预测论文开题报告文献综述及选题提纲参考文献，主要关键词:客流预测,灰色马尔科夫,公路
客流量预测论文文献综述
王一智,马维珍,孙宁[1]（2019）在《基于灰色马尔科夫模型的公路客流量预测》一文中研究指出为了科学准确预测近期公路客流量,提出了应用灰色马尔科夫模型进行预测的方法。利用历史数据建立灰色GM(1,1)模型,通过确定系数可获得公路客流量的时间响应序列及还原值的表达式,从而可获得未来年公路客流量的发展序列值,结合马尔科夫链过程将随机序列状态划分为3类,通过确定状态转移矩阵可获得序列处于各状态的概率值及与各状态对应的预测中值,最终求得各序列的修正值。通过安徽省公路客流量的历史数据,预测了近两年的公路客流量。实例证明该预测模型具有较高的精度,能够指导公路经营管理者近期的决策行为。(本文来源于《价值工程》期刊2019年33期）
赵盼,张浩伦,耿立艳,张占福[2]（2019）在《基于灰色关联分析的LS-SVM高铁客流量预测》一文中研究指出文章结合灰色关联分析(GRA)和最小二乘支持向量机(LS-SVM),构建基于GRA的LS-SVM高铁客流量预测模型(GRA-LS-SVM)。将高铁客流量的影响因素初步设为17项,利用灰色关联分析从中选取主要影响因素,并将其作为输入变量,构建LS-SVM。以我国高铁客流量数据为例,验证GRA-LS-SVM的有效性。结果显示,GRA-LS-SVM不仅简化了模型结构,而且提高了高铁客流量预测精度。(本文来源于《中国市场》期刊2019年31期）
邓慧琼,陈怀娜,曾毓芬,连宗胜,周燕[3]（2019）在《基于小波分析和ARIMA模型的假期客流量预测分析》一文中研究指出旅游业在国民经济中的地位越来越高,已逐渐成为国民经济的重要产业,准确的客流量预测对于为旅客、景区及旅游部门提供科学的决策依据具有重要意义。鉴于广东各景区节假日与非节假日客流量之间存在差异的特点,本文提出了运用合适的小波基对序列进行小波变换,从而获取尺度系数和小波系数;然后,采用ARIMA分别对分解得到的序列建模,得到各子序列的模型,进而对各子序列分别进行预测;最后,利用稍加更改的重构函数重构预测的子序列,得到对原数据的拟合,运用拟合效果好的模型进行预测,得到最终的预测结果。(本文来源于《中国新通信》期刊2019年21期）
王兰梅,陈崇成,叶晓燕,潘淼鑫[4]（2019）在《网络搜索数据和GWO-SVR模型的旅游短期客流量预测》一文中研究指出利用皮尔森相关系数法处理网络搜索数据,用灰狼算法(grey wolf optimizer, GWO)优化支持向量回归(support vector regression, SVR)中的参数,提出并实现一种基于网络搜索数据和GWO-SVR模型的旅游短期客流量预测模型,并用参数优化后的SVR对客流量进行建模预测.以四川省九寨沟和四姑娘山两个景区为例,构建GWO-SVR、 ARIMA、 BPNN、 SVR、 CS-SVR、 PSO-SVR和无网络搜索数据等客流量预测模型进行实证分析.结果表明, GWO-SVR模型均优于其他模型,具有更高的预测精度.(本文来源于《福州大学学报(自然科学版)》期刊2019年05期）
刘夏,李苑辉,欧志鹏,陈磊,陈明锐[5]（2019）在《基于ARIMA与灰色马尔科夫模型的叁亚市交通客流量预测研究》一文中研究指出为了较为全面、客观、准确地预测城市的交通客流量,对叁亚市旅游统计数据2012-2017年每月的交通客流数据进行分析,在数据整理的基础上,主要采用ARIMA模型和灰色马尔科夫模型对2012-01—2017-12月叁亚的交通流量分别进行拟合仿真,并对2018年每月的客流进行了趋势外推预测;结果表明:采用ARIMA预测模型所获得的平均绝对百分误差为4. 42%,采用灰色马尔科夫模型获得的平均绝对百分误差为3. 78%,表明两种预测具有较高的精度;最后利用灰色马尔科夫模型进行趋势外推预测,得出叁亚市2018年交通客流预计近3 600万,预测结果对叁亚市旅游、交通等行业制定政策能起到积极的作用。(本文来源于《重庆工商大学学报(自然科学版)》期刊2019年05期）
耿立艳,鲁荣利,李新杰[6]（2019）在《基于波动聚集性的城际高铁客流量预测》一文中研究指出由于受到众多因素的影响,城际高铁客流量序列呈现出波动聚集性特征,常用的预测方法很难准确揭示这种波动聚集性特征,一定程度上限制了城际高铁客流量预测精度的提高。为解决该问题,将自回归差分移动平均(ARIMA)模型与广义自回归条件异方差(GARCH)模型相结合,提出城际高铁客流量的ARIMA-GARCH预测模型。先构建城际高铁客流量序列的ARIMA模型,再利用GARCH模型刻画ARIMA模型残差的波动聚集性。利用某车站的城际高铁客流量数据检验ARIMA-GARCH模型的有效性。研究结果表明:ARIMA-GARCH模型刻画出了城际高铁客流量的波动聚集性特征,其短期、中期、长期预测精度均高于ARIMA模型。随着预测步数的增加,ARIMA-GARCH模型的预测精度逐渐下降。(本文来源于《铁道科学与工程学报》期刊2019年08期）
谢红利,赵树鹏,王浩宇[7]（2019）在《基于季节指数的重庆轨道交通客流量预测分析》一文中研究指出城市轨道交通的月度客流量预测需要抓住其趋势的波动性进行研究分析,而城市居民出行也较为符合季节性等特点。通过季节指数对城市轨道交通的月度客流量数据进行逆处理,用以调整季节性因素对预测结果的影响。并且使用经过季节指数处理过的数据和没有处理过的原始数据,通过ARIMA模型对重庆市轨道交通1号线的月度进站客流进行预测。使用Eview软件对预测结果进行曲线趋势分析,得出通过季节指数调整过后的ARIMA模型误差更小,更加符合实际情况。说明所建立的预测方法可以适用于城市轨道交通的月度客流量预测。(本文来源于《智能城市》期刊2019年15期）
叶然然,赵姣[8]（2019）在《地铁客流量灰色关联度及预测模型研究》一文中研究指出在仅有通车5年的地铁客流量小样本数据条件下,为了合理、科学地预测各城市地铁客流量,量化不同影响因素对客流量的影响程度,本文提出了基于Matlab的灰色系统地铁客流量预测模型;以实际调研的叁个城市8条地铁线路的统计数据为样本,运用灰色关联度模型对不同影响因素的影响程度进行量化评估;分别建立GM(1,1)单变量预测模型与GM(1,N)多变量预测模型对客流量进行预测分析。研究结果表明:本文选取的影响因素对客流量的灰色关联度均大于0.5,说明它们对客流量均具有较大影响;GM(1,1)预测模型85%的预测结果误差在10%以内,GM(1,N)预测模型80%的预测结果误差大于40%,从而得出GM(1,1)预测模型比GM(1,N)预测模型的预测结果更加准确。因此,针对通车5年的地铁客流量小样本数据预测,选用单变量预测模型更加科学、合理。(本文来源于《2019世界交通运输大会论文集（上）》期刊2019-06-13）
张丹丹[9]（2019）在《2019年北京市世园会客流量预测》一文中研究指出2019北京世园会将努力把源远流长的中华文明、博大精深的中华文化内化到世园会的总体规划、园区建设、园艺展示、活动策划、综合服务等各个环节,积极传播和发展中国园艺文化,让世界感知中国,让中国融入世界,为了更好的提高服务质量,预知未来的风险,对其开园期间客流量的科学预测是一个必要的过程。本文通过梳理客流量预测和大事件影响下客流量的变化等相关文献,确定其理论基础和不同指标应有的测度方法。首先,本研究首次在节事活动对客流量影响大小测度分析中引入谱分析-傅里叶级数回归,并且通过本底线趋势法-逻辑回归复合函数模型对谱分析结果进行验证。其次,本文通过建立城市综合力评价指标体系,运用因子分析对青岛、西安及北京城市吸引力进行测度衡量,找出其叁个城市的差异。即以西安、北京城市影响力为桥梁,结合西安世园会的举办对客流量的影响大小,计算出2019年北京市世园会对游客接待量的影响大小。此外,本研究以历年来延庆市游客接待量为研究对象,通过不同的曲线估计拟合其时间序列,最终选择拟合度最高,误差最小的方程对2019年延庆地区游客接待量进行预测。最后,结合以上所有指标的数值,计算得出北京市世园会开园期间的客流量。最终得出的结论是:(1)为突发的能产生重要影响的事件对客流量的影响定量分析提供新的分析方法和思路。(2)世园会举办对当地客流量的影响与城市影响力有关。(3)根据单因素方差分析结果显示,年龄、收入等对游客意愿度有着显着影响,加强旅行社合作与适当的降低票价可以增加客流量。(4)根据问卷调查结果显示,对世园会的了解还是不够的,为了提高客流量,应该增加宣传方式。(本文来源于《北京交通大学》期刊2019-06-05）
刘聪,杨阳,邓洋阳[10]（2019）在《基于百度指数的景区客流量预测研究》一文中研究指出景区客流量预测是以百度指数与景区客流量的内在联系为基础。本研究以四川九寨沟景区日接待客流量和百度指数的相关数据为基础,利用EG两步法结合误差修正模型分析了百度指数与景区客流量的长期和短期关系,并对模型的预测效果进行了评价。得出如下结论:百度指数与景区客流量之间存在长期均衡关系;长期范围内的百度指数与景区客流量之间的数量关系受时间因素的影响;误差修正机制在发生作用,会将偏离长期均衡的客流量拉回正常值;模型整体预测效果良好。(本文来源于《市场周刊》期刊2019年06期）
客流量预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
文章结合灰色关联分析(GRA)和最小二乘支持向量机(LS-SVM),构建基于GRA的LS-SVM高铁客流量预测模型(GRA-LS-SVM)。将高铁客流量的影响因素初步设为17项,利用灰色关联分析从中选取主要影响因素,并将其作为输入变量,构建LS-SVM。以我国高铁客流量数据为例,验证GRA-LS-SVM的有效性。结果显示,GRA-LS-SVM不仅简化了模型结构,而且提高了高铁客流量预测精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
客流量预测论文参考文献
[1].王一智,马维珍,孙宁.基于灰色马尔科夫模型的公路客流量预测[J].价值工程.2019
[2].赵盼,张浩伦,耿立艳,张占福.基于灰色关联分析的LS-SVM高铁客流量预测[J].中国市场.2019
[3].邓慧琼,陈怀娜,曾毓芬,连宗胜,周燕.基于小波分析和ARIMA模型的假期客流量预测分析[J].中国新通信.2019
[4].王兰梅,陈崇成,叶晓燕,潘淼鑫.网络搜索数据和GWO-SVR模型的旅游短期客流量预测[J].福州大学学报(自然科学版).2019
[5].刘夏,李苑辉,欧志鹏,陈磊,陈明锐.基于ARIMA与灰色马尔科夫模型的叁亚市交通客流量预测研究[J].重庆工商大学学报(自然科学版).2019
[6].耿立艳,鲁荣利,李新杰.基于波动聚集性的城际高铁客流量预测[J].铁道科学与工程学报.2019
[7].谢红利,赵树鹏,王浩宇.基于季节指数的重庆轨道交通客流量预测分析[J].智能城市.2019
[8].叶然然,赵姣.地铁客流量灰色关联度及预测模型研究[C].2019世界交通运输大会论文集（上）.2019
[9].张丹丹.2019年北京市世园会客流量预测[D].北京交通大学.2019
[10].刘聪,杨阳,邓洋阳.基于百度指数的景区客流量预测研究[J].市场周刊.2019