声明
致谢
摘要
1 绪论
1.1 研究背景
1.2 研究的目的和意义
1.3 国内外的研究现状
1.3.1 混沌理论研究进展
1.3.2 混沌时间序列预测方法
1.3.3 铁路货物运量相关时间序列研究动态
1.4 本论文主要研究工作
1.4.1 本论文的研究方法
1.4.2 本文结构
1.5 本章小结
2 铁路货运量指标数据统计分析
2.1 铁路货运量宏观形势
2.2 铁路货运统计调查
2.2.1 铁路货物运输统计调查方式
2.2.2 货物运输统计的调查对象和调查单位
2.2.3 货物运输统计的原则
2.3 铁路货运指标
2.3.1 货物重量指标
2.3.2 货物周转量
2.3.3 货物平均运程
2.4 铁路货运时间序列平稳性分析
2.4.1 平稳性
2.4.2 单位根检验法
2.4.3 铁路货运时间序列数据的平稳性检验
2.5 铁路货运时间序列分形分析
2.5.1 铁路货运量时间序列的R/S分析
2.5.2 铁路货运量变维分形分析
2.6 小结
3 混沌时间序列的相空间重构研究
3.1 混沌理论的基础
3.1.1 混沌概述
3.1.2 混沌现象的3个基本特征
3.1.3 混沌运动的分类
3.1.4 典型混沌系统
3.2 Takens定理与相空间重构技术
3.3 时延的确定
3.3.1 自相关法
3.3.2 复自相关法
3.3.3 互信息法
3.4 嵌入维的确定
3.4.1 假最近邻法
3.4.2 Cao方法
3.5 同时确定时延和嵌入维
3.5.1 嵌入窗法
3.5.2 C-C方法
3.6 铁路货物运量相空间重构
3.6.1 时延估计
3.6.2 嵌入维估计
3.7 本章小结
4 时间序列混沌特性的识别研究
4.1 功率谱
4.2 庞加莱截面
4.3 主分量分析
4.4 关联维数估计
4.4.1 G-P算法
4.4.2 铁路货运时间序列关联维数估计
4.5 Lyapunov指数估计
4.5.1 Lyapunov指数
4.5.2 Wolf方法
4.5.3 小数据量法
4.5.4 铁路货运时间序列最大Lyapunov指数
4.6 Kolmogorov熵估计
4.6.1 关联积分法
4.6.2 最大似然算法
4.6.3 铁路货运时间序列Kolmogorov熵估计
4.7 本章小结
5 基于混沌神经网络理论的铁路货运量预测的研究
5.1 神经网络简介
5.2 BP神经网络
5.2.1 BP网络结构
5.2.2 BP网络学习算法
5.2.3 BP网络训练方法及局限性
5.3 RBF神经网络
5.3.1 RBF神经网络结构
5.3.2 RBF神经网络算法
5.4 铁路货物运量时间序列RBF混沌神经网络预测步骤
5.4.1 铁路货物运量时间序列RBF混沌神经网络模型及评价指标
5.4.2 铁路货物运量时间序列RBF混沌神经网络预测步骤
5.5 RBF神经网络预测算例
5.6 铁路货物运量RBF神经网络预测
5.6.1 RBF神经网络预测时间尺度及网络结构
5.6.2 货物运量增长量RBF神经网络预测及误差检验分析
5.6.3 货物运量增长率RBF神经网络预测及误差检验分析
5.6.4 货物运量增长量和增长率误差综合比较及预测结果
5.7 本章小结
6 铁路货物运量混沌时间序列的Volterra自适应预测研究
6.1 Volterra自适应预测概述
6.2 Volterra泛函级数
6.2.1 Volterra级数和核函数
6.2.2 离散系统的Volterra级数展开
6.3 铁路货物运量混沌时间序列Volterra自适应模型
6.3.1 混沌时间序列Volterra自适应滤波器
6.3.2 铁路货物运量混沌时间序列Volterra滤波器定阶
6.3.3 铁路货物运量混沌时间序列Volterra滤波器的输入
6.4 Volterra滤波器自适应算法
6.4.1 最小均方自适应算法
6.4.2 LMS算法的性能
6.4.3 归一化LMS自适应性算法
6.5 铁路货物运量时间序列Volterra自适应模型算法步骤
6.6 Volterra自适应预测算例
6.6.1 Lorenz自适应预测及误差检验分析
6.6.2 Lorenz自适应预测误差综合比较分析
6.7 铁路货物运量Volterra自适应预测
6.7.1 货物运量增长量Volterra预测及误差分析
6.7.2 货物运量增长率Volterra预测及误差分析
6.7.3 货物运量增长量和增长率误差综合比较及预测结果
6.7.4 Volterra预测误差与RBF神经网络预测误差综合分析
6.8 本章小结
7 结论与展望
7.1 本文工作总结
7.2 进一步工作展望
参考文献
作者简历及科研成果清单表格样式
学位论文数据集页