计算机技术与发展2023，Vol.33Issue(8) ：192-198.DOI:10.3969/j.issn.1673-629X.2023.08.028

基于分解集成框架的铁路货运量预测方法研究

Research on Railway Freight Volume Forecasting Method Based on Decomposition Integration Framework

曹慧 秦江涛
计算机技术与发展2023，Vol.33Issue(8) ：192-198.DOI:10.3969/j.issn.1673-629X.2023.08.028
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于分解集成框架的铁路货运量预测方法研究

Research on Railway Freight Volume Forecasting Method Based on Decomposition Integration Framework

曹慧 1秦江涛1
扫码查看

作者信息

  • 1. 上海理工大学 管理学院,上海 200093
  • 折叠

摘要

铁路货运量时间序列受到多种因素影响,数据具有波动性以及随机性的特征,导致预测精度低下.为了提高铁路货运量的预测精度,提出一种基于分解集成框架的铁路货运量预测方法.首先筛选相关影响因素,并使用主成分分析(Principal Component Analysis,PCA)进行降维,得到主成分之后使用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)将铁路货运量历史数据分解成较为平稳的分量,用样本熵(Sample Entropy,SE)评估分量复杂度并重组分量,将重组分量与主成分构成新的数据集,最后将新数据集通过秃鹰搜索算法(Bald Eagle Search,BES)优化的极限学习机(Extreme Learning Machine,ELM)的模型中预测,得到重组分量的预测结果,叠加预测分量得到最终预测结果.与其他算法对比分析得出,提出的CEEMD-BES-ELM分解集成方法在铁路货运量预测中具有优越性,能够有效提高铁路货运量预测的准确性.

关键词

互补集合经验模态/秃鹰搜索算法/极限学习机/主成分分析/样本熵

Key words

complementary ensemble empirical mode decomposition/bald eagle search/extreme learning machine/principal component a-nalysis/sample entropy

引用本文复制引用

基金项目

国家自然科学基金(72174121)

国家自然科学基金(71774111)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量10
段落导航相关论文