基于灰色神经网络的航线客流量预测

准确预测航线客流量对于航空公司制定航线销售政策有着重要的作用。现有研究中鲜见考虑民航旅客出行的随机性、客流量表现出的非线性特征以及对航线客流量影响因素的分析。针对以上问题,提出一种基于灰色神经网络的航线客流量预测模型。该模型运用灰色理论弱化数据序列的随机性,再结合非线性处理能力较强的BP神经网络,构建基于灰色神经网络的航线客流量预测模型。同时验证了平均折扣率对航线客流量的影响。实验结果表明,相比于灰色GM(1,2)模型、BP神经网络模型,灰色神经网络模型具有更高的航线客流量预测精度和更强的稳定性。     

灰色变异粒子群算法在公交客流量预测中的应用

由于公交客流量是公交系统发展规划的基础依据,因此提高公交客流量预测的准确性有利于城市公交的发展。利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出用灰色变异粒子群组合预测模型来预测公交客流量,提高公交客流量预测精度,并通过实例对组合预测模型的预测精度和有效性进行了分析。结果表明,此组合预测模型的预测精度优于单一的灰色预测模型,也优于其他几种常用预测算法,能很好地预测公交客流量,为公交系统的决策规划提供了可靠的科学数据。     

电梯客流量预测算法的仿真研究

研究电梯客流量准确预测问题,电梯客流量受到节假日、上下班等影响,具有非线性、随性时等复杂特点,单一预测方法不能准确描述复杂变化规律,导致电梯客流量预测精度低.为了提高电梯客流量预测精度,提出一种灰色预测型和最小二乘支持向量机相结合的电梯客流量预测模型.首先分别采用灰色模型和最小二乘支持向量机对客流量线性和线性变化规律进行预测,然后采用线性回归确定两种预测结果的权重,最后根据权重得到电梯客流量预测结果.仿真结果表明,相对单一预测模型,模型克服了传统模型缺陷,提高了电梯客流量预测精度.     

基于组合方法的三亚机场客流量预测

准确地预测机场客流量对机场的建设和发展有着至关重要的作用. 在三亚机场2005-2015年客流量数据的基础上,分别采用Holt-Winter季节模型、ARMA和线性回归模型分别对三亚机场2016-2017年的客流量进行了预测. 为了减少预测误差提高预测精度,采用了组合加权的方法对数据进行了组合预测. 经验证,该方法可以作为有效预测机场客流量的一种方法.     

灰色预测方法在铁路春运客流预测中的应用

文章通过对车站客流数据的分析，认为火车站作为一个系统，是本征性灰色的，故选择使用灰色预测方法，对春运客流量做出预测，并根据实际预测结果对基本模型进行了优化：选择优化参数a,采用残差预测模型，新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明，预测结果是可信的。     

灰色模型在春运客流量预测应用中的优化

将火车站视为本征性灰色系统，选用灰色预测方法对春运客流量作出预测，并根据实际预测结果对基本模型进行优化。采用残差预测模型和新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明预测结果是可信的。     

航空公司航线决策分析系统的设计与应用研究

航线决策是航空公司的一项重要决策.基于组件开发和数据仓库技术建立了航线决策分析系统的整体架构和数据流程,并对采取的关键技术及应用情况进行分析,展示了其在航空公司自行开发的航线决策分析系统中的实现.并展望了航线决策分析系统未来的发展方向.     

基于ARMA-LSTM组合模型的铁路客流量预测

单一模型在铁路客流量预测中很难同时捕获到数据序列的线性、非线性和周期性等多种特征,从而无法取得很好的预测效果.针对该问题提出基于机器学习的ARMA-LSTM组合模型预测方法.对原始数据进行分析和特征提取;训练LSTM(Long Shot-Term Memory)模型和ARMA(Autoregressive moving average model)模型,分别得到两模型预测结果;通过BP神经网络算法对两模型进行权重优化,得到预测结果.将ARMA-LSTM组合模型与ARMA、LSTM、灰色模型、GM-LSTM组合模型进行对比,预测效果明显优于其他单一模型,预测结果误差(MAPE)降至3.10％ ～10.73％,验证了ARMA-LSTM组合模型在铁路客流量预测中有更高的准确性和更好的适用性.     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型.它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性.文中研究成果对所有航管部门具有一定的指导意义.     

基于随机灰色蚁群神经网络的近期公交客流预测

为了科学准确地预测近期公交客流量,根据近期公交客流量预测受到多因素影响以及非线性的特点,利用随机灰色变量描述预测系统的不确定性,建立了随机灰色预测模型以及基于蚁群算法的递归神经网络模型,在此基础上,提出了一种基于随机灰色蚁群神经网络的近期公交客流量预测方法。最后以铜陵市为例,对模型的预测精度和有效性进行了分析。结果表明,基于蚁群算法的递归神经网络模型的预测精度不但高于其他单一预测模型,而且明显优于其他传统组合预测模型,能很好地反映事物发展的规律,能够指导公交经营管理者近期的决策行为,有效地改善了预测精度。     

基于小波包与长短时记忆融合的铁路旅客流量预测模型

短期铁路客运需求量的实时精准预测可以为实时调整客运服务结构提供依据.铁路旅客流量数据具有时变性、非线性和随机波动性等特点,传统的预测模型无法精准的预测短期内的客流量.本文提出一种基于小波包分解与长短时记忆融合的深度学习预测模型（WPA-LSTM）,首先用小波包分解将原始客运量时间序列分解重构成多个不同尺度的低频和高频序列,然后分别针对各个子序列进行LSTM模型训练和预测,最后将各子序列的预测值叠加作为WPA-LSTM模型的输出.采用某高铁367天的日旅客流量数据对模型进行实验验证,并与季节性模型和基于经验模态的长短时记忆融合模型进行对比,实验结果表明,WPA-LSTM模型可有效提高铁路旅客流量预测的精度.     

Passenger Flow Prediction Based on Newly Adopted Algorithms

Passenger flow forecasting is an essential part of transportation systems. Neural networks in the transportation field have been applied to passenger demand prediction. In this paper, we developed two hybrid methods, known as parlimentary optimization algorithm-artificial neural network (POA-ANN), and intelligent water drops algorithm-ANN (IWD algorithm-ANN). In addition, we applied the proposed algorithms to illustrate the effect of precise prediction for passenger queues. We mainly focus on predicting passenger demand by comparing the genetic algorithm-ANN (GA-ANN) with POA-ANN and IWD-ANN. The results of prediction methods suggest that both POA-ANN and IWD-ANN provide a better forecasting performance, which is obtained via mean square error (MSE), than GA-ANN in the field of passenger flow prediction. This study illustrates that the newly adopted algorithms exhibit good performance for passenger prediction.     

一种基于ARIMA和LSTM的民航旅客订座组合预测模型

针对民航旅客订座预测问题,提出一种组合预测模型。首先,根据订座特性,设计缺失值、噪声数据预处理方法,使得历史订座数据得到有效校正。然后,为了提高预测准确性,建立自回归求积移动平均模型（ARIMA）以及基于特征选取长短时记忆网络（LSTM）的组合预测模型,并利用某航空公司实际订座数据,将该组合模型应用于旅客订座预测场景中,实验结果表明,本文提出的组合模型的MAE值、RMSE值均小于2个单项模型,预测结果更准确。     

支持向量机在航空运输量预测中的应用

分析了现有航空运量预测方法存在的问题,建立了航空旅客运输量预测的支持向量回归模型,以中国南方航空公司1978～2002年的旅客运输量和相关指标的历史统计数据作为学习样本,分别选用不同的核函数,通过拟合训练进行预测,验证了支持向量机用于航空旅客运输量预测的有效性,并对模型中的有关参数进行了探讨分析。     

基于群体决策特征的中式自选餐厅菜品销量预测模型

从中式自选餐厅的运营流水数据中刻画餐饮消费者群体的膳食特征,并对餐厅菜品销量进行预测。由于中式自选餐厅每日供应的菜品变化巨大,传统的时间序列预测方法难以解决问题,为此提出了一种基于决策理论的预测模型。通过MACBETH方法和期望效用理论将餐厅的菜品转换为统一的效用值,作为就餐群体选择菜品的依据,使用决策权重代表消费者群体的膳食特征,然后基于行为决策理论设计餐饮消费者的决策模型来预测各个菜品的销量。使用了中式自选餐厅的流水数据训练销量预测模型,模型在训练集的交叉熵为0.082,在测试集上的交叉熵为0.086。相比基于神经网络的预测模型,该模型精确度更高,并具有良好的解释性。因此,该模型能够精确预测给定菜品供应下中式自选餐厅的菜品销量,从而支持中式自选餐厅的高效运营。     

Passenger flow prediction in bus transportation system using deep learning

The forecasting of bus passenger flow is important to the bus transit system’s operation. Because of the complicated structure of the bus operation system, it’s difficult to explain how passengers travel along different routes. Due to the huge number of passengers at the bus stop, bus delays, and irregularity, people are experiencing difficulties of using buses nowadays. It is important to determine the passenger flow in each station, and the transportation department may utilize this information to schedule buses for each region. In Our proposed system we are using an approach called the deep learning method with long short-term memory, recurrent neural network, and greedy layer-wise algorithm are used to predict the Karnataka State Road Transport Corporation (KSRTC) passenger flow. In the dataset, some of the parameters are considered for prediction are bus id, bus type, source, destination, passenger count, slot number, and revenue These parameters are processed in a greedy layer-wise algorithm to make it has cluster data into regions after cluster data move to the long short-term memory model to remove redundant data in the obtained data and recurrent neural network it gives the prediction result based on the iteration factors of the data. These algorithms are more accurate in predicting bus passengers. This technique handles the problem of passenger flow forecasting in Karnataka State Road Transport Corporation Bus Rapid Transit (KSRTCBRT) transportation, and the framework provides resource planning and revenue estimation predictions for the KSRTCBRT.

     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

Sabre: the development of information-based competence andexecution of information-based competition

This article describes the evolution of reservations processing at American Airlines, which became critical in the 1950s as passenger volumes threatened to overwhelm electromechanical and manual filing methods. American Airlines' Advanced Process Research Department sought technical solutions for determining the availability of space on planes, adjusting the inventory of seats, and recording passenger information. Conventional data processing equipment offered scant help, and equipment vendors were not interested in the application until the mid-1940s when the Teleregister Corporation agreed to build a system based on American's model. The resulting “Reservisor” system was only a partial solution. In the late 1950s, IBM teamed with American Airlines to devise a teleprocessing solution-Sabre. When fully implemented, Sabre established a dominant design for reservations processing that was copied throughout the airline industry. Functional enhancements transformed Sabre from a reservations system into a passenger services system that supported many additional aspects of airline operations. Widespread access to Sabre for travel agents coincided with regulatory reform that was redefining competition in the industry. Sabre was transformed again into a sales distribution system. American's management exploited Sabre's latent economies of scale and scope to survive, and ultimately thrive, in a deregulated environment     

区域航空市场航线客流量预测研究

为了有效地控制和合理地分配区域航空市场航线客流量,提高航空机场的效率,为航管决策部门提供制定计划的理论依据,在深入研究国内外航空客流量预测研究成果基础之上,针对区域航空市场的特点,提出了一个自顶向下的航线客流量预测模型。它包括总体趋势预测、中长期预测模型和短期预测模型三部分;并将神经网络和支持向量机构成的组合模型引入中长期预测模型中,使用神经网络实现短期预测模型;并结合A公司实际进行了实证研究,证明了该预测模型的有效性。文中研究成果对所有航管部门具有一定的指导意义。