Skip to main content

2015 | OriginalPaper | Buchkapitel

Combination Prediction of Railway Freight Volume Based on Support Vector Machine and NARX Neural Network

verfasst von : Xuefei Li, Maoxiang Lang

Erschienen in: LISS 2013

Verlag: Springer Berlin Heidelberg

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The support vector machine, NARX neural network and combination prediction method are used to predict the railway freight volume in this paper. The impact factors of the railway freight volume are analyzed. Two single prediction models: support vector machine model and NARX neural network model are built to predict railway freight volume. Based on it, the linear combination prediction method is adopted to predict the railway freight volume and get better predicted results compared to the single prediction method. The linear combination prediction method is able to adapt to the railway freight volume prediction problem better, and could provide some references for the railway planning and the decision-making departments.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Literatur
Zurück zum Zitat Chuang Zhao, Kai Liu, Diansheng Li (2004) Research on application of the support vector machine in freight volume forecast. J China Railw Soc 26(4):10–14 Chuang Zhao, Kai Liu, Diansheng Li (2004) Research on application of the support vector machine in freight volume forecast. J China Railw Soc 26(4):10–14
Zurück zum Zitat Hongqi Li, Kai Liu (2003) Analysis of railway freight volume based on fractal theory. J China Railw Soc 25(3):19–23 Hongqi Li, Kai Liu (2003) Analysis of railway freight volume based on fractal theory. J China Railw Soc 25(3):19–23
Zurück zum Zitat Hongqi Li, Kai Liu (2004) Prediction of railway freight volumes based on rough set theory. J China Railw Soc 26(3):1–7 Hongqi Li, Kai Liu (2004) Prediction of railway freight volumes based on rough set theory. J China Railw Soc 26(3):1–7
Zurück zum Zitat Lihui Shan, Qiang Wang (2006) Grey prediction model of the railway freight volume. Railw Freight Transp 24(2):19–20 Lihui Shan, Qiang Wang (2006) Grey prediction model of the railway freight volume. Railw Freight Transp 24(2):19–20
Zurück zum Zitat Yaqiu Liu, Guangfu Ma, Zhong Shi (2005) NARX network for dynamic system identification in adaptive inverse control. J Harbin Inst Technol 37(2):173–176 Yaqiu Liu, Guangfu Ma, Zhong Shi (2005) NARX network for dynamic system identification in adaptive inverse control. J Harbin Inst Technol 37(2):173–176
Metadaten
Titel
Combination Prediction of Railway Freight Volume Based on Support Vector Machine and NARX Neural Network
verfasst von
Xuefei Li
Maoxiang Lang
Copyright-Jahr
2015
Verlag
Springer Berlin Heidelberg
DOI
https://doi.org/10.1007/978-3-642-40660-7_129

Premium Partner