铁路客运量预测方法研究及在京津客运专线运量预测中的应用的开题报告.docx

铁路客运量预测方法研究及在京津客运专线运量预测中的应用的开题报告
一、课题背景及研究意义
铁路作为我国国内大陆主要的陆地交通方式，承担着大量的货物和客运任务。2017年，中国铁路货运量和旅客量已经连续多年保持稳定增长，其中，旅客列车开行里程突破10亿千米，客运量稳居世界第一。为了更好地满足人们的出行需求，提高客运服务质量，铁路客运量的预测与规划显得尤为重要。
目前，铁路客运量预测方法主要有时间序列方法、灰色模型、神经网络模型等。其中，时间序列方法以ARIMA模型为代表，其不仅能够对时间序列的基本特征进行拟合，还能对预测值的精度进行验证，是较为经典的预测方法之一。灰色模型适用于样本数据较少、数据质量较低、数据缺失等情况下进行预测，适用于铁路这种环境比较恶劣的行业。神经网络模型不需要对数据进行前期处理，而且适用于非线性模型的预测，能够更好地拟合复杂的时间序列数据。
本文旨在探索不同的铁路客运量预测方法，并在京津客运专线运量预测中进行应用，以提高铁路客运规划的效率和准确性，为政府和企业提供科学的决策支持。
二、研究内容和方案
（一）研究内容
1.综述铁路客运量预测的基本理论和方法；
2.比较ARIMA模型、灰色模型和神经网络模型在铁路客运量预测中的优缺点；
3.采用ARIMA模型、灰色模型和神经网络模型分别对京津客运专线运量进行预测；
4.对三个模型预测结果进行比较，分析其预测精度和适用性；
5.提出相应的优化方法和建议，完善铁路客运量预测方法。
（二）研究方案
1.范围：选择2011年到2019年京津客运专线的年度客运量数据为研究对象；
2.数据处理：对数据进行预处理，包括平稳性检验、ADF检验、分解等；
3.模型拟合：采用ARIMA模型、灰色模型和神经网络模型对数据进行拟合，并用预测值与真实值进行比对；
4.模型评估：比较几种模型的预测精度和适用性，分析其优缺点；
5.优化方法：总结不同方法的特点，提出优化方法和建议，完善铁路客运量预测方法。
三、预期成果及时间安排
（一）预期成果
1.对比分析ARIMA模型、灰色模型和神经网络模型在铁路客运量预测中的适用性和优缺点；
2.建立ARIMA模型、灰色模型和神经网络模型，对京津客运专线未来年度客运量进行预测；
3.对比分析三种模型的预测精度和适用性，提出相应的优化方法和建议；
4.发表论文1-2篇。
（二）时间安排
1-2个月：文献调研、数据收集和预处理；
2-4个月：建立模型，对数据进行拟合和预测；
4-6个月：对不同模型预测结果进行比较和分析，提出优化方法和建议；
6-7个月：论文撰写及校稿；
7-8个月：论文修改、答辩及相关准备工作。
四、主要参考文献
1.路凌霄.基于神经网络的铁路客运量预测研究[D].合肥:安徽大学,2008.
2.易扬.基于灰色系统的铁路客运量预测[J].理论探讨,2016,2(5):56-58.
3.李庆奎,田凤林.基于ARIMA模型的铁路旅客列车运量预测[J].铁道学报,2010,32(4):8-12.
4.林颖欣.联用ARIMA和神经网络模型在铁路客运量预测中的应用[J].北京交通职业技术学院学报,2014,13(2):26-30.
5.黄乃良.基于HybridARIMA-BP神经网络的铁路旅客列车运量预测[J].铁路计算机应用,2017,181(6):44-47.