敦煌鐵路運(yùn)量預(yù)測及營銷策略研究.pdf

1、運(yùn)量和運(yùn)價的預(yù)測是線路項(xiàng)目建設(shè)乃至以后運(yùn)營的必要且關(guān)鍵的工作?？梢哉f,做好運(yùn)量和運(yùn)價的預(yù)測工作是進(jìn)行線路建設(shè)和設(shè)計(jì)工作的起步點(diǎn),是工程項(xiàng)目建設(shè)規(guī)模和運(yùn)營經(jīng)濟(jì)評價的基礎(chǔ),是管理層進(jìn)行正確決策的重要依據(jù)。
　　近些年來興起的人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡稱ANN)有表示任意非線性關(guān)系和學(xué)習(xí)等能力,給解決這類問題提供了新的思路方法。人工神經(jīng)網(wǎng)絡(luò)研究方法具有很強(qiáng)的容錯性和自學(xué)習(xí)能力以及善于聯(lián)想、概括

2、、類比等特性,數(shù)學(xué)上能夠證明,神經(jīng)網(wǎng)絡(luò)可以逼近所有函數(shù),這意味著神經(jīng)網(wǎng)絡(luò)能自動地逼近那些最佳刻畫了樣本數(shù)據(jù)規(guī)律的函數(shù),而不論這些函數(shù)具有怎樣的形式,因此應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行項(xiàng)目的預(yù)測研究對以后的經(jīng)濟(jì)評價及決策有很好的現(xiàn)實(shí)意義。
　　本文針對目前在運(yùn)量預(yù)測中常用的預(yù)測方法的不足,結(jié)合線路自身的特殊情況,采用神經(jīng)網(wǎng)絡(luò)與四階段法相組合的方法進(jìn)行預(yù)測,就客運(yùn)量詳細(xì)地構(gòu)造了預(yù)測模型。第一步應(yīng)用神經(jīng)網(wǎng)絡(luò)把各OD區(qū)的國民生產(chǎn)總值、人均收入和人口數(shù)以

3、及客流交通量建立起聯(lián)系,來進(jìn)行客流量的預(yù)測。因?yàn)樯窠?jīng)網(wǎng)絡(luò)不但考慮政治、經(jīng)濟(jì)、人口等因素的影響,而且還考慮了時間、票價以及運(yùn)距的影響,實(shí)例驗(yàn)證表明本文的神經(jīng)網(wǎng)絡(luò)模型用誤差反向傳播算法具有良好的收斂性,能夠取得理想的預(yù)測結(jié)果;然后套用四階段法的理論,在第二階段的交通分布計(jì)算中,因?yàn)樵鲩L率法中的Frator法認(rèn)為兩交通區(qū)之間未來的交通量不僅與兩交通區(qū)的交通增長系數(shù)有關(guān),而且還與各交通區(qū)的交通量總增長系數(shù)有關(guān),考慮了各個方面的影響,所以以Fra

4、tor法計(jì)算客流量的交通分布;再以重力模型法計(jì)算誘發(fā)客流;最后階段依據(jù)運(yùn)輸阻力構(gòu)建的分擔(dān)率模型計(jì)算轉(zhuǎn)移客流,分擔(dān)客流和轉(zhuǎn)移客流之和即為線路的旅客需求量。在后面的內(nèi)容中,本文預(yù)測了敦煌鐵路柳園—敦煌段的客流密度并根據(jù)運(yùn)距計(jì)算出客運(yùn)周轉(zhuǎn)量,另外本文還利用線形回歸模型預(yù)測出線路在近、遠(yuǎn)期的貨運(yùn)量、貨運(yùn)密度以及貨運(yùn)周轉(zhuǎn)量。并根據(jù)相關(guān)單位成本,以及客、貨運(yùn)周轉(zhuǎn)量計(jì)算預(yù)測出線路的運(yùn)價范圍,為項(xiàng)目以后的經(jīng)濟(jì)預(yù)算提供支持。最后一章是針對在營銷工作中存在