期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法
被引量：
27
1
作者
钱名军
李引珍
阿茹娜
《铁道学报》
EI
CAS
CSCD
北大核心
2020年第6期25-34,共10页
首先,根据铁路月度客运量时序图呈现的趋势性、周期性和随机波动性,运用季节分解法将其分解为趋势循环分量、季节因子分量和不规则分量,直观量化地表征出所蕴含的特征信息。接着,引入季节时间序列模型(SARIMA)对平稳化和单整检验后的月...
首先,根据铁路月度客运量时序图呈现的趋势性、周期性和随机波动性,运用季节分解法将其分解为趋势循环分量、季节因子分量和不规则分量,直观量化地表征出所蕴含的特征信息。接着,引入季节时间序列模型(SARIMA)对平稳化和单整检验后的月度客运量序列的趋势性和季节性进行建模,通过季节差分序列的相关图筛选确定出最佳模型阶数,得到SARIMA基础预测模型。然后,为提高模型对波动性的刻画精度,消除异方差影响,再对基础模型的回归残差进行ARCH检验,构建出广义自回归条件异方差(GARCH)模型,并检验所建SARIMA-GARCH融合模型的稳定性。最后,将融合模型与常规SARIMA、ARIMA和NAR动态神经网络模型的短期预测值进行精度对比验证,并对其中长期预测性能做测试分析。结果表明,SARIMA-GARCH模型短期预测性能优于SARIMA、ARIMA和NAR动态神经网络模型。
展开更多
关键词
铁路运输
月度客运量预测
SARIMA-GARCH模型
季节性时间序列
异方差
在线阅读
下载PDF
职称材料
融合本体和深度学习的高速铁路应急预案数字化方法研究
被引量：
9
2
作者
王普
李平
+1 位作者
阿茹娜
杨连报
《铁道学报》
EI
CAS
CSCD
北大核心
2020年第8期29-36,共8页
应急预案是对高速铁路突发事件进行科学高效处置的核心,通常以纸质文本、电子文档等方式存储,存在着数字化程度不足、查询效率不高、全文检索困难、智能关联性差等不足。提出一种融合本体和深度学习的高速铁路应急预案数字化方法,即通...
应急预案是对高速铁路突发事件进行科学高效处置的核心,通常以纸质文本、电子文档等方式存储,存在着数字化程度不足、查询效率不高、全文检索困难、智能关联性差等不足。提出一种融合本体和深度学习的高速铁路应急预案数字化方法,即通过深度学习算法对突发事件消息文本中的类型、等级、时间、地点等关键信息进行提取,采用本体方法对突发事件应急预案进行预防预警、分级响应、应急处置、后期处置4阶段数字化构建,通过基于目标树的语义查询智能生成应急处置流程。案例分析表明本文提出的方法可以提高应急处置效率和应急预案数字化管理水平,减少突发事件对高速铁路安全运营的影响。
展开更多
关键词
高速铁路应急预案
数字化
本体
深度学习
在线阅读
下载PDF
职称材料
题名
基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法
被引量：
27
1
作者
钱名军
李引珍
阿茹娜
机构
兰州交通大学交通运输学院
中国中铁股份有限公司规划发展部
出处
《铁道学报》
EI
CAS
CSCD
北大核心
2020年第6期25-34,共10页
基金
国家自然科学基金(71861022)
甘肃省教育厅高等学校创新基金(2020A-038)
兰州交通大学校青年基金(2014029)。
文摘
首先,根据铁路月度客运量时序图呈现的趋势性、周期性和随机波动性,运用季节分解法将其分解为趋势循环分量、季节因子分量和不规则分量,直观量化地表征出所蕴含的特征信息。接着,引入季节时间序列模型(SARIMA)对平稳化和单整检验后的月度客运量序列的趋势性和季节性进行建模,通过季节差分序列的相关图筛选确定出最佳模型阶数,得到SARIMA基础预测模型。然后,为提高模型对波动性的刻画精度,消除异方差影响,再对基础模型的回归残差进行ARCH检验,构建出广义自回归条件异方差(GARCH)模型,并检验所建SARIMA-GARCH融合模型的稳定性。最后,将融合模型与常规SARIMA、ARIMA和NAR动态神经网络模型的短期预测值进行精度对比验证,并对其中长期预测性能做测试分析。结果表明,SARIMA-GARCH模型短期预测性能优于SARIMA、ARIMA和NAR动态神经网络模型。
关键词
铁路运输
月度客运量预测
SARIMA-GARCH模型
季节性时间序列
异方差
Keywords
railway transportation
forecast for monthly passenger traffic
SARIMA-GARCH Model
seasonal time series
heteroscedasticity
分类号
U293.13 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
融合本体和深度学习的高速铁路应急预案数字化方法研究
被引量：
9
2
作者
王普
李平
阿茹娜
杨连报
机构
中国
铁道科学研究院研究生
部
中国
铁道科学研究院集团
有限公司
电子计算技术研究所
中国中铁股份有限公司规划发展部
出处
《铁道学报》
EI
CAS
CSCD
北大核心
2020年第8期29-36,共8页
基金
中国铁路总公司科技研究开发计划(2017F001)。
文摘
应急预案是对高速铁路突发事件进行科学高效处置的核心,通常以纸质文本、电子文档等方式存储,存在着数字化程度不足、查询效率不高、全文检索困难、智能关联性差等不足。提出一种融合本体和深度学习的高速铁路应急预案数字化方法,即通过深度学习算法对突发事件消息文本中的类型、等级、时间、地点等关键信息进行提取,采用本体方法对突发事件应急预案进行预防预警、分级响应、应急处置、后期处置4阶段数字化构建,通过基于目标树的语义查询智能生成应急处置流程。案例分析表明本文提出的方法可以提高应急处置效率和应急预案数字化管理水平,减少突发事件对高速铁路安全运营的影响。
关键词
高速铁路应急预案
数字化
本体
深度学习
Keywords
emergency plan of high-speed railway
digital
ontology
deep learning
分类号
U298 [交通运输工程—交通运输规划与管理]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法
钱名军
李引珍
阿茹娜
《铁道学报》
EI
CAS
CSCD
北大核心
2020
27
在线阅读
下载PDF
职称材料
2
融合本体和深度学习的高速铁路应急预案数字化方法研究
王普
李平
阿茹娜
杨连报
《铁道学报》
EI
CAS
CSCD
北大核心
2020
9
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
