基于最大Lyapunov指数的铁路煤炭发送量预测研究

交通运输系统工程与信息 ›› 2013, Vol. 13 ›› Issue (6): 184-190.

基于最大Lyapunov指数的铁路煤炭发送量预测研究

吴华稳，王富章^*

中国铁道科学研究院电子计算技术研究所，北京 100081

收稿日期:2013-06-24 修回日期:2013-09-03 出版日期:2013-12-24 发布日期:2014-01-14
作者简介:吴华稳（1983- ），男，河北唐山人，博士生.
基金资助:
铁道部科技研究课题（2007X008-G，2008X015-H）.

Railway Coal Dispatched Volume Prediction Based on Maximum Lyapunov Exponent

WU Hua-wen, WANG Fu-zhang

Institute of Computing Technology, China Academy of Railway Sciences, Beijing 100081, China

Received:2013-06-24 Revised:2013-09-03 Online:2013-12-24 Published:2014-01-14

摘要/Abstract

摘要：

应用混沌理论的相空间重构方法，分析了与铁路煤炭运量相关的3组时间序列，分别计算了它们的嵌入延迟时间、嵌入维数、关联维数、最大Lyapunov指数等混沌统计量，并以此为依据判断了3组时间序列的混沌特性.结果显示：煤炭发送增长量和增长率符合混沌特性，煤炭发送量不符合混沌特性.最后,利用最大Lyapunov指数方法和BP神经网络方法对铁路煤炭发送增长量和增长率进行预测.预测结果表明,基于最大Lyapunov指数预测值能够较好地与实际值相吻合，其预测的准确度明显好于BP神经网络预测值.因而用混沌理论中的最大Lyapunov指数在煤炭发送量相关时间序列预测中有广泛的实用价值.

关键词: 铁路运输, 煤炭发送量时间序列, 最大Lyapunov指数, 混沌判定, 相空间重构

Abstract:

The phase space reconstruction method of chaos theory is used to analyze the three groups of time series associated with railway coal dispatched volume. The embedded time-delay, embedded dimension, correlation dimension and the maximum Lyapunov exponent of each time series are separately calculated. The results are used to judge the chaotic characteristic of time series. The analytical results show as follows: the growth amount and growth rate of railway coal dispatched volume have chaotic characteristics while the coal dispatched volume doesn’t. The maximum Lyapunov exponent method and BP neural network are separately used to forecast the growth amount and growth rate of railway coal dispatched volume. The result shows that the predicted data using maximum Lyapunov exponent method is anastomotic with the real data. The maximum Lyapunov exponent method is better than BP neural network in prediction. The maximum Lyapunov exponent prediction of chaos theory has extensive and practical value in railway coal dispatched volume time series prediction.

Key words: railway transportation, railway coal dispatched volume time series, maximum Lyapunov exponent, chaotic judgment, phase space reconstruction

中图分类号:

U29.39

吴华稳，王富章. 基于最大Lyapunov指数的铁路煤炭发送量预测研究[J]. 交通运输系统工程与信息, 2013, 13(6): 184-190.

WU Hua-wen, WANG Fu-zhang. Railway Coal Dispatched Volume Prediction Based on Maximum Lyapunov Exponent[J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 13(6): 184-190.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract18697.shtml

http://www.tseit.org.cn/CN/Y2013/V13/I6/184

参考文献

[1]吕金虎，陆君安，陈士华.混沌时间序列分析及应用［M］.武汉:武汉大学出版社,2002:106-108.[LV J H, LU J A, CHEN S H. Analysis and application of chaotic time series[M].Wuhan: Wuhan University Press,2002:106-108.]

[2]刘婷婷,邓克涛,马昌喜. 模糊神经网络非线性组合预测在铁路货运量预测中的应用[J]. 铁道运输与经济, 2008, 39( 9):91-94.[LIU T T, DENG K T, MA C X. Application of nonlinear combination forecast of fuzzy neural network on forecasting railway freight volume[J] . Railway Transport and Economy, 2008, 39(9):91-94.]

[3]胡波,刘建民. 基于层次结构模型的RBF神经网络货运量预测方法[J]. 长沙交通学院学报,2006,22(4):61-64.[HU B,LIU J M. The radial basis function neural network model for freight volume forecast based on hierarchy configuration model[J]. Journal of Changsha Communications University, 2006,22(4):61-64.]

[4]李红启, 刘凯. 基于分形理论的铁路货运量分析[J]. 铁道学报, 2003, 25( 3) : 19-23.[LI H Q, LIU K. Analysis of railway fright volume based on fractal theory[J] . Journal of the China Railway Society, 2003, 25( 3) : 19-23.]

[5]聂伟,邵春福,杨励雅,等. 分形理论在货运量预测中的应用探讨[J] . 物流技术, 2007, 26(2) :104-108.[NIE W,SHAO C F,YANG L Y, et al. Application of fractal theory in freight volume forecast[J] . Logistics Technology, 2007, 26(2) :104-108.]

[6]张诚, 周湘峰. 基于灰色预测-马尔可夫链-定性分析的铁路货运量预测[J] . 铁道学报, 2007, 29(5):15-21.[ZHANG C, ZHOU X F . Prediction of railway freight volumes based on gray forecast-markov chain-qualitative analysis[J] . Journal of the China Railway Society,2007, 29( 5) : 15-21.]

[7]平海. 基于灰色系统理论的铁路货运需求预测[J]. 统计与决策, 2005, 29( 5) : 57-58.[PING H. Prediction of railway freight volumes based on gray forecast[J] . Statistics and Decision,2005, 29(5) : 57-58.]

[8]Packard N H, Crutchfield J P, Farmer J D.Geometry from a time series phys[J]. Rev. Lett., 1980,45：712-716.

[9]Takens F. Determining strange attractors in turbulence[J]. Lecture Notes in Mathematics, 1981,898:366-381.

[10]Kim H S, Eykholt R,Salas J D. Nonlinear dynamics, delay times, and embedding windows[J]. Physica D,1999,127:48-60.

[11]Grassberger, Procaccia I. Measuring the strangeness of strange attractors[J].Physica D,1983(9):189-208.

[12]Wolf A, Swift J B, Swinney H L, et al. Determining Lyapunov exponents from a time series[J]. Physica D, 1985, 16:60-67.

[13]张卓, 练继建.混沌神经网络综合法在边坡位移预测中的应用[J] . 哈尔滨工业大学学报,2009,41(4): 210-212.[ZHANG Z, LIAN J J. Slope displacement forecast using the combination of chaos and neural network[J]. Journal of Harbin Institute of Technology, 2009, 41( 4) : 210-212.]

[1]	耿庆桥, 贾元华, 陈军团. 基于变权可拓物元的铁路“走出去”公私合营项目风险决策[J]. 交通运输系统工程与信息, 2022, 22(2): 64-71.
[2]	戚建国, 周厚盛, 杨立兴, 周亚茹, 张春田. 灵活编组条件下轨道交通客货协同运输方案优化[J]. 交通运输系统工程与信息, 2022, 22(2): 197-205.
[3]	张晓明, 徐芳, 江文辉, 蒋朝哲. 考虑资金约束的中欧班列运价与运量决策分析[J]. 交通运输系统工程与信息, 2022, 22(1): 30-36.
[4]	张春田, 戚建国, 杨立兴, 高原, 高自友. 基于不确定旅客需求的高速铁路鲁棒列车开行方案研究[J]. 交通运输系统工程与信息, 2022, 22(1): 115-123.
[5]	周勇, 张杰, 钟祾充, 李文锋, 王国栋. 铁路集装箱中心站多轨道吊柔性协同调度优化[J]. 交通运输系统工程与信息, 2022, 22(1): 133-141.
[6]	牛惠民. 轨道列车时刻表问题研究综述[J]. 交通运输系统工程与信息, 2021, 21(5): 114-124.
[7]	刘葛辉，陈绍宽，刘爽，金华，王丹阳. 资源约束下城市轨道交通基础设施维修任务安排优化模型[J]. 交通运输系统工程与信息, 2021, 21(3): 163-169.
[8]	徐智勇. 铁路电分相布设及纵断面协同优化研究[J]. 交通运输系统工程与信息, 2021, 21(3): 170-175.
[9]	钟明轩，乐逸祥，周磊山. 高铁站列车和调车作业计划一体化编制方法[J]. 交通运输系统工程与信息, 2021, 21(3): 176-186.
[10]	吕敏，帅斌，周照玉，张士行，左静，李林卿. 考虑边境站延误风险的中欧班列运输路径决策[J]. 交通运输系统工程与信息, 2021, 21(3): 254-259.
[11]	张蒙蒙，许茂增. 考虑政府补贴决策的中欧班列竞合关系研究[J]. 交通运输系统工程与信息, 2021, 21(2): 16-21.
[12]	李岸隽，王典，彭其渊. 基于个体出行链的区域城际铁路规划方法研究[J]. 交通运输系统工程与信息, 2021, 21(2): 30-36.
[13]	刘晓伟，晏启鹏，倪少权，吕苗苗，吕红霞. 考虑空车调配协调的货物列车开行方案优化研究[J]. 交通运输系统工程与信息, 2021, 21(2): 180-188.
[14]	李晓娟，石佳娜，李得伟，闫振英. 考虑定制化列车的运行图与能力协同优化方法[J]. 交通运输系统工程与信息, 2021, 21(1): 95-100.
[15]	倪少权，杨皓男，彭强. 基于乘客路径选择的多制式轨道交通客流分配[J]. 交通运输系统工程与信息, 2021, 21(1): 108-115.