基于遗传算法优化支持向量机的铁路客运量预测

摘要

铁路作为最大众化的交通工具，一直是人们出行的主要方式之一。近些年随着高铁的建设不断加快，选择铁路出行的人越来越多，由此进一步地刺激了客运量的增长。客运量的增长迫切需要我们加快铁路的建设。因此，作为建设依据之一的客运量预测，正发挥着越来越大的作用。
　　选择合适的方法能有效地提高预测的精度。本文把支持向量机(SVM)和遗传算法(GA)结合的GA-SVM方法运用到铁路客运量预测当中，探讨GA-SVM在铁路客运量预测中的作用。
　　本文首先对客运量预测的重要程度进行了探讨，并且介绍了一些常规的预测方法，如时间序列预测法、回归模型、灰色预测等等。通过分析比较各种方法的优缺点，指出探索新方法的必要性。
　　其次对影响铁路客运量的变化因素进行了总结。根据相关性分析，确立影响铁路客运量变化的主要影响因子。
　　接着，通过介绍支持向量机和遗传算法的基础理论，选择了两种结合的方法，即GA-SVM作为本文的预测方法，建立了影响因素下的GA-SVM的铁路客运量预测模型。为了验证模型的有效性，文章选用一些传统的预测算法和神经网络做了比较，从另一方面证明了GA-SVM方法的预测效果。
　　最后对论文作了总结，指出论文的不足之处及今后需要改进的方向。

目录

声明

摘要

第一章 绪论

1．1 研究的背景和意义

1．1．1 研究的背景

1．1．2 研究的意义

1．2 客运量预测的国内外常用方法

1．2．1 常用的预测方法

1．2．2 新预测理论在客运量预测中的应用

1．3 论文的主要研究方法

1．4 论文的主要内容及结构图

1．4．1 论文的主要研究内容

1．4．2 论文的研究结构图

第二章 铁路客运需求及影响因素分析

2．1 客运量变化的特点及预测步骤

2．1．1 客运量变化的特点

2．1．2 预测的思路及步骤

2．2 运输结构与各种运输方式的发展趋势

2．2．1 运输结构与运输量

2．2．2 铁路运输的发展趋势

2．3 影响客运量的因素

2．3．1 运输结构的演变对铁路客运量的影响

2．3．2 其他因素对铁路客运量的影响

2．4 影响因素的选取

2．4．1 影响因素的选取标准

2．4．2 影响因素的确定

2．4 本章小结

第三章 支持向量机和遗传算法的理论基础

3．1 支持向量机理论概述

3．1．1 统计学习理论的基本思想

3．1．2 经验风险最小化原则

3．1．3 VC维

3．1．4 推广性的界

3．1．5 结构风险最小化原则

3．2 支持向量机的基本原理

3．2．1 线性学习

3．2．2 优化理论

3．2．3 支持向量机回归

3．2．4 支持向量机回归原理

3．3 遗传算法理论

3．3．1 遗传算法的理论基础

3．3．2 遗传算法的基本思想

3．3．3 遗传算法的数学模型及其步骤

3．3．4 遗传算法的具体实现

3．5 本章小结

第四章 影响因素下的GA-SVM模型的铁路客运量预测

4．1 基于遗传算法优化支持向量机参数的实现

4．2 数据的搜集与处理

4．2．1 数据的搜集

4．2．2 数据的预处理

4．3 基于GA-SVM的铁路客运量实证分析

4．3．1 实例准备

4．3．2 BP神经网络预测模型

4．3．3 灰色预测模型

4．3．4 支持向量机预测模型

4．3．5 GA-SVM预测模型

4．3．6 GA-SVM预测模型和其他模型预测结果的比较

4．4 本章小结

第五章 总结与展望

5．1 总结

5．2 研究展望

致谢

参考文献

在学期间发表的论著及取得的科研成果