一、利用季节指数修正指数平滑预测值对公路客运量进行预测（论文文献综述）
古圣钰,吴英伟[1]（2021）在《节假日乡村旅游客流量预测——基于季节性调整的支持向量机模型研究》文中研究表明在"乡村振兴"背景下,乡村旅游成为乡村经济发展新的增长点,其肩负着转移乡村剩余劳动力、提高农产品质量、转变农村土地使用等实现农民增收增效提高提升农村精神文明程度的重大责任。乡村旅游是以"三农"资源为载体的新型业态,对于假日乡村旅游客流量预测的重要性不言而喻。文章基于北京市延庆区2014-2018年节假日的乡村旅游客流量数据,建立PSO算法优化的SVR预测模型,并针对客流量数据的非线性波动和季节性特点,对模型进行季节性调整,最后提出季节性调整的SVR-PSO节假日乡村旅游客流量预测模型,同时将模型预测出来的精度与BP神经网络（BPNN）、自回归滑动平均模型（ARMA）、遗传粒子群寻优（PSO-GA）等方法的预测效果进行比较分析。结果表明:基于PSO参数寻优的SVR支持向量机预测模型（SVR-PSO）在精度上具有较大优势,能有效地对北京市延庆区节假日乡村旅游客流量进行精准预测。对于非线性小样本且季节性变化较大的数据,采用季节性调整的SVR-PSO模型,可以极大地提高预测精度和收敛速度,且调节参数少,简单易行,可以实现模型数据的精准预测。
李奇[2]（2021）在《基于优化RBF神经网络的铁路货运量预测研究》文中指出我国是一个资源大国,但是资源的分布比较不均匀,西北资源多,东南相对较少。铁路运输作为我国资源运送的最主要手段,是交通运输业的重中之重。随着铁路货运的需求不断增加,货运铁路的建设和投资也日益增加,货运量的预测已经成为了国家把握铁路运输产业发展的重要指标。随着现代社会的发展,传统的预测方法已经稍显疲态。机器学习和智能算法的发展让货运量的预测有了更多的选择和可能性。本文在分析了当前货运量预测所用方法的不足之处后,提出了使用RBF（Radial Basis Function,径向基）神经网络对货运量进行预测。RBF神经网络参数的选择直接关系到该模型的预测精度,本文选用粒子群智能算法（PSO,Particle swarm optimization）对RBF参数进行优化。通过对标准的粒子群算法进行收敛性分析得出该算法在进行到后期的时候容易陷入局部极值,存在“早熟”问题,并且搜索精度有待提高。针对上述问题,本文提出了基于差异演化粒子群和单纯形粒子群的混合粒子群H-PSO算法,该算法继承了前者优秀的全局搜索能力和后者出色的局部寻优能力,通过函数测试也证明了该算法的寻优能力相比标准PSO有了显着的提高。随后,建立了基于H-PSO优化的RBF神经网络预测模型,经过实验验证,该方法对比单纯的RBF和基于标准粒子群优化的RBF都有了明显提高,并且证明在神经元个数为3时,模型收敛效率最高。本文以近27年的铁路货运量为训练样本,对随后4年的货运量进行预测,并将实验结果和相对成熟的灰色模型和BP（Back Propagation,反向传播）神经网络模型进行对比。通过对比,本文提出的基于优化粒子群的RBF模型（HPSORBF）相比灰色模型平均误差减小了6.36%,相比BP神经网络平均误差减小了3.48%。最后,又将本文提出的HPSORBF和灰色模型进行了简单的组合,经过验证得出组合模型在一定程度上能够将其中各个子模型的优点结合起来,从而得到一个更加完备的预测模型,给未来的研究提供了方向。
汪欢[3]（2021）在《考虑周期波动数据特征的GM（1,1）模型构建及应用研究》文中研究表明
赵芳卉,陈琳,李冬青[4]（2021）在《基于SARIMA-GARCH模型的民航客运量研究》文中进行了进一步梳理民航客运量的研究有利于帮助政府和民航企业合理优化资源配置、制定运输规划。本文以2005年1月至2019年6月我国民航客运量的时间序列数据为研究对象,首先针对数据呈现的趋势及季节波动特征建立SARIMA （1,1,1）（0,1,1）12模型。其次,为提高模型预测精度,加入GARCH模型消除SARIMA （1,1,1）（0,1,1）12模型回归残差的异方差并建立SARIMA （1,1,1）（0,1,1）12-GARCH （1,1）模型,利用2019年7-12月的数据对模型进行验证,结果表明该模型预测的平均相对误差为1.32%,低于SARIMA （1,1,1）（0,1,1）12模型的3.27%。最后运用SARIMA （1,1,1）（0,1,1）12-GARCH （1,1）模型预测2020年1-6月的民航客运量,分析民航业受疫情的影响并给出建议。
周展,王文强[5]（2019）在《我国铁路客运量短期预测模型修正及比较》文中研究说明文章针对我国铁路客运量进行短期预测,首先分析现有常见预测模型的优点与不足,然后试图通过构造新的组合或修正模型,从而实现提高预测精度。在构建年度数据组合模型时,发现以偏最小二乘回归、主成分回归和岭回归为基础进行组合时,预测精度达到了最优;在构建季度数据模型时,首先通过修正的时间序列分解法与季节周期回归模型显着地提高了预测精度,然后以这两个模型为基础构造组合模型,预测精度进一步得到提高。
秦震[6]（2019）在《一汽丰田安庆4S店需求预测模型研究》文中认为随着我国经济的快速发展,人民生活水平的不断提高,家用轿车已经逐渐进入普通老百姓家庭,回顾近几十年的家用轿车普及过程,不难发现,作为家用轿车销售服务终端的4S店仍然发挥着非常重要的桥梁作用,既承担着为广大终端客户销售和服务的任务,也承担着为汽车生产厂家反馈各类信息的任务,同时他们还要承担各地区市场的各种不可控风险,这些风险包括来自潜在市场的不可预测性、来自竞争品的威胁、来自自身管理问题的产生、宏观经济等的综合影响。导致了诸多不确定性因素影响了汽车4S店的发展,特别是对于纷繁复杂的市场环境,4S店很难去把握未来的销售需求和方向。很多4S店的局部地域市场特性和缺乏对生产厂家的深入了解和沟通,相应的就限制了其自由发展的空间,更大范围内的宏观经济思维方面存在一定的不足,对国内整体汽车市场缺少信息获取途径,因此,在销售预测能力上存在很大提升空间。所处环境不同就造成了每个4S店存在的问题也多种多样,各不相同,要想一次性解决所有4S店的问题是不可能的事情,作者在一些4S店的实地调研过程中经常会听到有关销售预测和库存管理不合理造成困扰的事情,而4S店疲于应对生存的压力而忙于业务本身或是解决各种经营问题,很少有4S店能静下心来分析产生问题的真正原因和寻求解决问题的办法。因此,本文选择4S店在新车销售过程中的需求预测问题进行深入研究,将一汽丰田安庆4S店的需求预测为例,将安庆4S店2018年和2017年的需求预测数据分别导入到移动平均值预测模型、简单指数平滑模型、Holt预测模型、Winter预测模型,然后比较这4种模型的预测误差评定指标,选出一个更适合该4S店需求预测的基础模型,再通过德尔菲法——调查行业内资深从业专家对多种销售影响因素的主观评级,并将这些因素进行排序、设定修正系数对需求预测基础模型进行修正,从而得到重叠前置预测模型的预测结果,最后将预测结果与2019年安庆4S店的实际需求预测进行比对后发现,采用重叠前置预测模型更适合4S店进行需求预测。
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》文中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。
王洋[8]（2019）在《四川省公路客运量组合预测》文中进行了进一步梳理采用GM（1,1）、三次指数平滑法和多元线性回归,建立三种不同的四川省公路客运量单项预测模型。在此基础上,建立诱导有序加权平均组合预测模型。通过两个误差指标值的比较,说明组合预测方法的优越性。准确合理地推测未来公路客运量,有助于相关部门从整体上掌握未来公路旅客的需求,从而更合理地制定规划。
周展[9]（2019）在《我国铁路客运量短期预测模型修正及比较》文中指出铁路作为一种主要的交通运输方式,给人们的出行带来了极大的便利.为了提高我国铁路客运量短期预测的精度,主要做了以下工作:第一章首先介绍了客运量预测的研究现状,梳理了常见的定量预测模型及其修正模型,然后对模型的优劣进行了比较分析,最后阐述了本文的主要工作.第二章从年度数据出发,以变量间多重共线性问题为切入点,主要介绍了可用于修正该问题的五个常用的模型,这些模型包括逐步回归、岭回归、适应性LASSO回归、主成分回归与偏最小二乘回归.为了更充分地提取序列中的季节因子和趋势因子,在分析铁路客运量季度数据时,考虑对时间序列分解法、季节周期回归模型与季节性多元回归模型进行修正.在模型修正的基础上,通过构建组合预测模型,并运用拟倒数法、熵权法进行加权以进一步提高模型的稳定性和预测性能.第三章对我国铁路客运量年度数据预测模型进行了实证分析.结果表明,选取的五个模型的拟合误差均控制在3%以内,即各模型的拟合效果较好.同时,选取外推预测能力排名在前面的三个模型:岭回归、偏最小二乘回归和主成分回归,通过拟倒数法与熵权法对这三个模型进行了两两组合预测,发现基于岭回归与主成分回归的组合模型误差最小,其误差下降至原来的1/3左右.然后,将组合预测结果与其它常见模型进行了比较分析,经比较可知,其预测误差约为灰色回归组合模型的1/5,二次指数平滑模型的1/4.第四章对我国铁路客运量季度数据预测模型进行了实证分析.在构建季度数据预测模型时,首先对各预测模型作了相应的修正,经修正后模型的误差分别下降至原模型的1/6,1/13与1/5左右,然后将修正后误差较小的模型进行了组合预测,并将组合预测结果与常见的时间序列模型进行了比较分析,由比较结果可知,修正后的组合模型其预测误差约为SARIMA模型的1/9,Holt-Winters加法模型的1/5.
张蕾[10]（2019）在《基于组合模型的民航客运量预测研究》文中认为作为国民经济和社会发展的重要行业之一,民用航空业在近年来发展迅速,每年的民用航空客运量都稳步增长.民航旅客运输量直接影响机场的建设、飞机的采购和航线的规划发展等.因此,为了使航空事业在我国国民经济发展中充分发挥作用,促进航空客运建设快速、高效发展,同时,为民航企业的管理等相关工作提供科学依据,民用航空运输交通的研究与预测显得不容忽视.由于单一模型不能完全反映民用航空客运量的信息,因此本文引入组合模型的方法对数据进行研究与预测.为了提高对民航客运量的预测精度,本文分别利用R、Eviews、SPSS等工具,采用支持向量回归机,季节性自回归求和移动平均模型以及温特斯线性指数平滑模型对民用航空客运量进行预测,并使用平均相对误差以及均方根误差对每个单一模型进行分析后,利用各个单一模型对2019年1月至2019年6月的民航客运量进行外推预测.然后分别使用等权重法、简单加权平均法、方差倒数法、均方误差倒数法、优势矩阵法和基于误差平方和最小的组合预测模型对三个单一模型的测试样本分别进行组合,发现每种组合模型的平均相对误差以及均方根误差均小于单一模型.为进一步提高对民航客运量的预测精度,引入基于IOWA算子的组合模型.由于对每一个单一模型来说,在不同时刻模型预测的精度不同,因而在单一模型的不同时刻赋予相同权重是不合适的,而IOWA算子可以将同一时刻的单一模型预测结果排序,从而达到有序赋权的结果.通过对我国民航客运量的分析和预测,比较各个模型的预测结果,发现基于IOWA算子的组合模型对民航客运量预测有较高精度,具有一定的实用性,对中国民用航空业的发展可以起到一定引导作用.
二、利用季节指数修正指数平滑预测值对公路客运量进行预测（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、利用季节指数修正指数平滑预测值对公路客运量进行预测（论文提纲范文）
（1）节假日乡村旅游客流量预测——基于季节性调整的支持向量机模型研究（论文提纲范文）
| 1 引言 |
| 2 文献回顾与述评 |
| 3 理论分析框架与研究方法 |
| 3.1 理论分析框架 |
| 3.2 研究方法 |
| 3.2.1 SVR模型 |
| 3.2.2 PSO算法的参数寻优原理 |
| 3.2.3 季节性调整 |
| 4 数据收集 |
| 5 经验性结果 |
| 5.1 SVR-PSO预测模型 |
| 5.2 季节SVR-PSO节假日客流量预测模型 |
| 5.2.1 SEA-SVR-PSO预测模型 |
| 5.2.2 SSVR-PSO预测模型 |
| 6 研究结论、讨论与政策启示 |
| 6.1 研究结论 |
| 6.2 讨论 |
| 6.3 政策启示 |
（2）基于优化RBF神经网络的铁路货运量预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文章节安排 |
| 2 预测方法简介 |
| 2.1 定性预测 |
| 2.1.1 Delphi法 |
| 2.1.2 头脑风暴预测法 |
| 2.1.3 主观概率法 |
| 2.1.4 情景预测法 |
| 2.2 定量预测 |
| 2.2.1 时间序列预测法 |
| 2.2.2 因果关系法 |
| 2.2.3 回归预测法 |
| 2.2.4 指数平滑预测法 |
| 2.2.5 季节指数预测法 |
| 2.3 铁路货运量及影响铁路货运量的预测因素 |
| 2.3.1 铁路货运周转量对铁路货运量的影响 |
| 2.3.2 水路货运量与公路货运量之和对铁路货运量的影响 |
| 2.3.3 国内生产总值对铁路货运量的影响 |
| 2.3.4 铁路营业里程对铁路货运量的影响 |
| 2.3.5 原煤产量对铁路货运量的影响 |
| 2.3.6 钢材产量对铁路货运量的影响 |
| 2.3.7 产业结构对铁路货运量的影响 |
| 2.4 本章小结 |
| 3 RBF神经网络及其标准粒子群优化 |
| 3.1 神经网络 |
| 3.1.1 前馈型神经网络 |
| 3.1.2 反馈型神经网络 |
| 3.2 RBF神经网络 |
| 3.2.1 RBF神经网络原理 |
| 3.2.2 RBF神经网络模型建立 |
| 3.3 智能优化算法的发展 |
| 3.4 粒子群算法 |
| 3.4.1 粒子群算法的基本原理 |
| 3.4.2 粒子群算法的更新规则 |
| 3.4.3 标准PSO算法流程 |
| 3.4.4 参数分析 |
| 3.5 基于粒子群的RBF神经网络 |
| 3.5.1 粒子群算法特点 |
| 3.5.2 粒子群优化的基本思想 |
| 3.5.3 基于标准粒子群的RBF神经网络流程 |
| 3.5.4 模型仿真实验 |
| 3.6 本章小结 |
| 4 粒子群算法的优化改进 |
| 4.1 收敛性证明 |
| 4.2 基于差异演化的粒子群优化算法 |
| 4.2.1 差异演化算法的算法流程 |
| 4.2.2 DE-PSO算法原理 |
| 4.2.3 DE-PSO算法流程 |
| 4.3 基于单纯形的粒子群优化算法 |
| 4.3.1 单纯形算法的算法流程 |
| 4.3.2 SM-PSO算法原理 |
| 4.3.3 SM-PSO算法流程 |
| 4.4 基于DE算法和SM算法的混合粒子群优化算法 |
| 4.4.1 H-PSO算法流程 |
| 4.5 改进粒子群优化算法的函数测试 |
| 4.5.1 不同算法的函数测试和结果分析 |
| 4.5.2 H-PSO在不同惯性权重策略下的函数测试和结果分析 |
| 4.6 本章小结 |
| 5 基于优化粒子群的RBF神经网络的铁路货运量预测 |
| 5.1 算法流程 |
| 5.2 模型验证 |
| 5.3 样本选取 |
| 5.4 数据预处理 |
| 5.5 实验结果对比 |
| 5.6 灰度-HPSORBF组合预测 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 参考文献 |
| 学位论文数据集 |
（4）基于SARIMA-GARCH模型的民航客运量研究（论文提纲范文）
| 一、引言 |
| 二、数据与方法 |
| （一）数据来源 |
| （二）模型与方法 |
| 1、SARIMA模型 |
| 2、GARCH模型 |
| 3、研究方法 |
| 三、实证分析 |
| （一）序列平稳性检验 |
| （二）模型识别 |
| （三）模型检验 |
| 1、模型参数检验 |
| 2、残差检验 |
| （四）SARIMA-GARCH模型构建 |
| （五）SARIMA-GARCH模型预测 |
| 四、结论及建议 |
| （一）结论 |
| （二）建议 |
| 1、政府提供扶持政策 |
| 2、民航企业积极调整 |
| 3、民众给予支持 |
（6）一汽丰田安庆4S店需求预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 研究的思路和方法 |
| 1.2.1 研究的思路 |
| 1.2.2 研究的方法 |
| 1.3 论文的结构和框架 |
| 1.3.1 论文的结构 |
| 1.3.2 论文的框架 |
| 第二章 预测理论相关文献综述 |
| 2.1 国内外预测研究情况 |
| 2.1.1 国外研究情况 |
| 2.1.2 国内研究情况 |
| 2.2 主要预测理论在汽车行业的具体运用 |
| 2.3 本章小结 |
| 第三章 中国汽车市场发展状况及区域汽车市场近几年特征 |
| 3.1 中国汽车市场状况 |
| 3.1.1 中国汽车市场的发展 |
| 3.1.2 中国汽车品牌4S店的发展变化情况 |
| 3.2 中国区域汽车市场状况 |
| 3.2.1 区域汽车市场变化的影响因素 |
| 3.2.2 华中区域汽车市场容量及安庆汽车市场近几年特征 |
| 3.3 本章小结 |
| 第四章 一汽丰田供应链管理模式及需求预测模型 |
| 4.1 一汽丰田供应链管理模式 |
| 4.1.1 一汽丰田终端客户订单式需求管理 |
| 4.1.2 经销店(4S店)终端客户订单生成过程 |
| 4.1.3 代理商(一汽丰田)在供应链上的重要枢纽作用 |
| 4.1.4 代理商(一汽丰田)区域经理管理制度 |
| 4.2 一汽丰田安庆4S店需求预测案例分析 |
| 4.2.1 4S店需求预测的数据获取 |
| 4.2.2 安庆4S店2018 年需求预测分析 |
| 4.3 基于安庆4S店2018 年需求预测的模型分析 |
| 4.3.1 基于需求预测数据的移动平均值预测模型 |
| 4.3.2 基于需求预测数据的简单指数平滑预测模型 |
| 4.3.3 基于需求预测数据的Holt预测模型 |
| 4.3.4 基于需求预测数据的Winter预测模型 |
| 4.3.5 基于需求预测数据的重叠前置预测模型 |
| 4.4 本章小结 |
| 第五章 结论和展望 |
| 5.1 结论 |
| 5.1.1 存在的不足 |
| 5.1.2 今后的计划 |
| 5.2 展望 |
| 5.2.1 今后的建议 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 |
| 附录2 |
（7）基于季节指数的重庆轨道交通客流量预测分析（论文提纲范文）
| 1 月度客流量特性分析 |
| 2 基于季节指数的ARIMA模型 |
| 2.1 季节指数 |
| 2.2 ARIMA模型 |
| 3 数据处理及分析 |
| 3.1 数据处理 |
| 3.2 预测结果及结论 |
| 4 结语 |
（8）四川省公路客运量组合预测（论文提纲范文）
| 引言 |
| 一、单项预测模型 |
| 1. 灰色GM (1, 1) 模型。 |
| 2. 季节指数修正的三次指数平滑预测模型。 |
| 3. 多元线性回归预测模型。 |
| 二、组合预测模型 |
| 结语 |
（9）我国铁路客运量短期预测模型修正及比较（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究现状 |
| 1.1.1 客运量预测模型及修正模型 |
| 1.1.2 客运量预测模型比较 |
| 1.2 本文的主要工作 |
| 第二章 铁路客运量预测模型及原理 |
| 2.1 年度数据预测模型 |
| 2.1.1 岭回归与适应性LAO回归 |
| 2.1.2 主成分回归与偏最小二乘回归 |
| 2.2 季度数据预测模型 |
| 2.2.1 修正的时间序列分解法 |
| 2.2.2 修正的季节周期回归模型 |
| 2.2.3 修正的季节性多元回归模型 |
| 2.3 组合预测模型 |
| 2.3.1 拟倒数法 |
| 2.3.2 熵权法 |
| 第三章 年度数据预测模型实证分析 |
| 3.1 指标选取与数据预处理 |
| 3.1.1 指标选取 |
| 3.1.2 数据预处理 |
| 3.2 单项预测模型分析 |
| 3.2.1 模型拟合 |
| 3.2.2 误差分析 |
| 3.3 组合预测模型分析 |
| 第四章 季度数据预测模型实证分析 |
| 4.1 单项预测模型分析 |
| 4.1.1 修正的时间序列分解法 |
| 4.1.2 修正的季节周期回归模型 |
| 4.1.3 修正的季节性多元回归模型 |
| 4.2 组合预测模型分析 |
| 第五章 总结与展望 |
| 攻读硕士学位期间发表的论文 |
| 参考文献 |
| 致谢 |
（10）基于组合模型的民航客运量预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的主要目的和意义 |
| 1.2 文献回顾 |
| 1.3 民航客运量介绍 |
| 1.4 本文主要工作 |
| 2 民航客运量支持向量回归预测 |
| 2.1 SVR模型原理 |
| 2.1.1 线性支持向量回归 |
| 2.1.2 非线性支持向量回归 |
| 2.2 民航客运量的支持向量回归机预测 |
| 2.2.1 数据选取与预处理 |
| 2.2.2 核函数与获取参数方法的选择 |
| 2.2.3 仿真实验与结果分析 |
| 2.3 本章小结 |
| 3 民航客运量SARIMA模型预测 |
| 3.1 时间序列分析简介与相关的定义 |
| 3.2 时间序列模型及其建立 |
| 3.2.1 平稳时间序列模型 |
| 3.2.2 自回归求和移动平均模型(qdp ARIMA),,( ) |
| 3.2.3 季节性自回归求和移动平均模型 |
| 3.3 Box-jenkins的建模方法 |
| 3.3.1 模型识别 |
| 3.3.2 参数处理 |
| 3.3.3 预测与检验 |
| 3.4 民航客运量SARIMA模型预测 |
| 3.4.1 时间序列的平稳化 |
| 3.4.2 模型的定阶 |
| 3.4.3 模型的检验 |
| 3.4.4 仿真预测 |
| 3.5 本章小结 |
| 4 民航客运量温特斯线性季节指数平滑模型预测 |
| 4.1 指数平滑法简介 |
| 4.2 指数平滑法预测模型 |
| 4.2.1 单参数指数平滑模型 |
| 4.2.2 多参数指数平滑模型 |
| 4.3 民航客运量温特斯线性季节指数平滑预测模型 |
| 4.3.1 建立预测模型 |
| 4.3.2 模型预测及效果评价 |
| 4.4 本章小结 |
| 5 民航客运量组合模型预测 |
| 5.1 组合模型原理 |
| 5.2 几种组合预测模型 |
| 5.2.1 基于权重分配方式的组合 |
| 5.2.2 基于IOWA算子的组合模型 |
| 5.3 民航客运量组合模型预测 |
| 5.3.1 基于权重分配方式的组合 |
| 5.3.2 基于IOWA算子的民航客运量组合预测模型 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
四、利用季节指数修正指数平滑预测值对公路客运量进行预测（论文参考文献）
- [1]节假日乡村旅游客流量预测——基于季节性调整的支持向量机模型研究[J]. 古圣钰,吴英伟. 林业经济, 2021(09)
- [2]基于优化RBF神经网络的铁路货运量预测研究[D]. 李奇. 北京交通大学, 2021
- [3]考虑周期波动数据特征的GM（1,1）模型构建及应用研究[D]. 汪欢. 江南大学, 2021
- [4]基于SARIMA-GARCH模型的民航客运量研究[J]. 赵芳卉,陈琳,李冬青. 统计与管理, 2021(02)
- [5]我国铁路客运量短期预测模型修正及比较[J]. 周展,王文强. 统计与决策, 2019(21)
- [6]一汽丰田安庆4S店需求预测模型研究[D]. 秦震. 电子科技大学, 2019(04)
- [7]基于季节指数的重庆轨道交通客流量预测分析[J]. 谢红利,赵树鹏,王浩宇. 智能城市, 2019(15)
- [8]四川省公路客运量组合预测[J]. 王洋. 经济研究导刊, 2019(12)
- [9]我国铁路客运量短期预测模型修正及比较[D]. 周展. 湘潭大学, 2019(02)
- [10]基于组合模型的民航客运量预测研究[D]. 张蕾. 辽宁师范大学, 2019(11)