基于Box-Cox-TQR概率密度的铁路运用车保有量预测方法

交通运输系统工程与信息 ›› 2019, Vol. 19 ›› Issue (3): 111-118.

基于Box-Cox-TQR概率密度的铁路运用车保有量预测方法

李夏苗^*，王丽珊，郭旺

中南大学交通运输工程学院，长沙 410000

收稿日期:2018-10-25 修回日期:2019-02-22 出版日期:2019-06-25 发布日期:2019-06-25
作者简介:李夏苗(1963-)，男，湖南茶陵人，教授，博士.
基金资助:
国家自然科学基金/National Natural Science Foundation of China(U1334207).

A Method to Predict the Number of Rail Freight Serviceable Cars Held Kept Based on Box-Cox-TQR Probability Density

LI Xia-miao, WANG Li-shan, GUO Wang

School of Traffic and Transportation Engineering, Central South University, Changsha 410000, China

Received:2018-10-25 Revised:2019-02-22 Online:2019-06-25 Published:2019-06-25

摘要/Abstract

摘要：

合理的铁路运用车保有量，对满足铁路货运需求，提高货车运用效率，降低运营成本等有重要作用.考虑铁路运输系统复杂的内外部环境及其动态变化特性，对影响运用车保有量因素定性分析；提出了粗糙集属性约简、灰色关联分析、逐步回归方法相结合的主要影响因素识别方法.以此为基础，建立了基于 Box-Cox变换分位数回归(Box-Cox-TQR)和核密度估计相结合的概率密度预测模型.以国家铁路局运用车保有量实际数据为基础，进行预测试验.结果表明，利用主要因素识别的方法符合目标值的运动变化规律，预测结果具有良好的精度.此外，概率密度预测比点预测、区间预测传递出更多信息，为管理决策提供更多准确有用信息.

关键词: 铁路运输, 运用车保有量, 概率密度预测, 主要因素识别, 变换分位数回归

Abstract:

The rational number of serviceable cars held kept plays an important role in meeting railway freight demand, improving efficiency and reducing transportation cost. Considering the complex internal and external environment of railway transportation system and its dynamic change characteristics, this paper makes a qualitative analysis of the factors affecting the number of serviceable cars held kept. A method for identifying the main influencing factors combining rough set attribute reduction, grey correlation analysis and stepwise regression is proposed. Based on this, a probability density prediction model based on Box-Cox transform quantile regression (Box-Cox-TQR)and kernel density estimation is established. Based on the actual data of the number of serviceable cars held kept of the State Railway Administration, the prediction test is carried out. The results show that the identification method using the main factors conforms to the motion variation law of the target value and have good accuracy. In addition, probability density prediction conveys more information than point prediction and interval prediction, providing more accurate and useful information for management decisions.

Key words: railway transportation, number of serviceable cars held kept, probability density prediction, main factors identification, transform quantile regression

中图分类号:

U294.1

李夏苗，王丽珊，郭旺. 基于Box-Cox-TQR概率密度的铁路运用车保有量预测方法[J]. 交通运输系统工程与信息, 2019, 19(3): 111-118.

LI Xia-miao, WANG Li-shan, GUO Wang. A Method to Predict the Number of Rail Freight Serviceable Cars Held Kept Based on Box-Cox-TQR Probability Density[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(3): 111-118.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19843.shtml

http://www.tseit.org.cn/CN/Y2019/V19/I3/111

参考文献

[1] KLOSTERHALFEN S T, KALLRATH J, FISCHER G. Rail car fleet design: Optimization of structure and size [J]. Int. J. Production Economics, 2014(157): 112-119.

[2] ISLAM D M Z, JACKSON R, ROBINSON M. European freight rolling stock fleet size in 2050 in light of the Transport White Paper 2011[J]. Journal of Rail Transport Planning & Management, 2015: S2210970615300056.

[3] 穆鑫, 程学庆, 朱永霞, 等. 基于二元线性模型的铁路货车保有量预测[J]. 中国铁道科学, 2013, 34(2): 113- 116. [MU X, CHENG X Q, ZHU Y X, et al. Prediction on the number of railway freight trains based on binary linear model[J]. China Railway Science, 2013, 34(2): 113-116.]

[4] 何耀耀, 郑丫丫, 杨善林. 基于 Box-Cox变换分位数回归与负荷关联因素辨识的中长期概率密度预测[J]. 系统工程理论与实践, 2018, 38(1): 197-207. [HE Y Y, ZHENG Y Y, YANG S L. Medium and long term probability density forecasting based on Box-Cox transformation quantile regression and load relation factor identification[J]. Systems Engineering —Theory & Practice, 2018, 38(1): 197-207.]

[5] 梁宁, 耿立艳, 张占福, 等. 基于 GRA与 SVM-mixed的货运量预测方法[J]. 交通运输系统工程与信息, 2016, 16(6): 94-99. [LIANG N, GENG Y, ZHANG Z F, et al. A prediction method of railway freight volumes using GRA and SVM-mixed[J]. Journal of Transportation Systems Engineering and Information, 2016, 16(6): 94- 99.]

[6] 齐杉, 李夏苗, 吴慧山, 等. 不确定环境下铁路客运量预测方法[J]. 铁道科学与工程学报, 2016, 13(1): 168- 175. [QI S, LI X M, WU H S, et al. Prediction method of railway passenger traffic volume under uncertainty environment[J]. Journal of Railway Science and Engineering, 2016, 13(1): 168-175.]

[7] CANNON A J. Qauantile regression neural networks: Implementation in R and application to precipitation down-scalin[J]. Computers & Geosciences, 2010, 37(9): 1277-1284.

[8] YEE T W. Quantile regression via vector generalized additive models[J]. Statistics in Medicine, 2004(23): 2295-2315.

[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.