多斯特克与阿拉山口间铁路过境货物运输研究(四)

回归方程： (4-4)

其中，为预测值;

为直线斜率;

为自变量;

为纵轴截距.

表4-3利用时间序列回归方法预测铁路货运量

T 年份真值 (千吨) 预测值(千吨) 相对误差 (%)

1 2001 4325 5012.7 15.9

2 2002 5045 5968.9 18.3

3 2003 5842 6925.2 18.5

4 2004 7583 7881.4 3.9

5 2005 9401 8837.7 5.9

6 2006 11154 9793.9 12.2

7 2007 13193 10750.2 18.5

8 2008 12253 11706.4 4.5

9 2009 12687 12662.7 0.19

10 2010 14721 13618.9 7.5

11 2011 13789 14575.1 5.7

12 2012 14275 15531.4 8.8

13 2013 15644 16487.6 5.4

14 2014 17064 17443.9 2.2

15 2015 18620 18400.1 1.2

4.1.3 遗传算法-人工神经网络方法

人工神经网络方法有很多好处。其中一个被公认为最重要的是可从观察数据组中得到结果。人工神经网络方法被用来做为随机函数近似逼近工具。ANN是采用样品数据而不是全数据组去解决问题。可以节省时间和支出。ANN被认为相当简单的数学模型，提高了现有数据分析技术。遗传算法很容易陷入局部最小值，具有弱收敛等其它缺点。遗传算法-BP神经网方法是最简单神经网络改进方法[64]。

本节利用遗传算法-BP神经网方法对铁路过境货运量进行预测。货运运输量校准如表4-4所示。

表4-4利用遗传算法-人工神经网络方法预测铁路货运量

年份真值(千吨) 预测值(千吨) 残差相对误差(%)

2001 4325 4325 0 0.00

2002 5045 4679 -366 7.25

2003 5842 5315 -527 9.02

2004 7583 6789 -794 10.47

2005 9401 8016 -1385 14.73

2006 11154 10096 -1058 9.49

2007 13193 11445 -1748 13.25

2008 12253 13455 1202 9.81

2009 12687 14600 1913 15.08

2010 14721 14925 204 1.39

2011 13789 15780 1991 14.44

2012 14275 16987 2712 18.99

2013 15644 17124 1480 9.46

2014 17064 18925 1861 10.91

2015 18620 20984 2364 12.69

4.2 预测方法的比较和过境货物运量的预测

上述3种预测方法的预测相对误差如表4-5所示。通过比较可以看出，基于灰色系统理论的GM (1,1)模型的相对误差的平均值最小，具有较高的预测准确性。因此，本文最终选取GM(1,1)模型来预测多斯特克-阿拉山口口岸的过境货运量。预测结果如表4-6所示。可见多斯特克-阿拉山口间的铁路过境货物运输量在2017-2020年间将持续增长。

表4-5 时间序列回归方法、GM (1,1)模型、GA-BP方法的预测相对误差

年份真值 (千吨) GM (1, 1) 模型

相对误差时间序列回归方法

相对误差 GA-BP方法

相对误差

2001 4325 0.00 15.9 0.00

2002 5045 10.25 18.3 7.25

2003 5842 14.77 18.5 9.02

2004 7583 10.33 3.9 10.47

2005 9401 4.38 5.9 14.73

2006 11154 4.89 12.2 9.49

2007 13193 1.73 18.5 13.25

2008 12253 12.48 4.5 9.81

2009 12687 11.74 0.19 15.08

2010 14721 2.62 7.5 1.39

2011 13789 8.30 5.7 14.44

2012 14275 4.68 8.8 18.99

2013 15644 4.01 5.4 9.46

2014 17064 1.61 2.2 10.91

2015 18620 0.37 1.2 12.69

相对误差的

平均值 6.14 8.58 10.47

表4-6 GM (1,1)模型预测结果

年份 2017 2018 2019 2020

货运量预测值

(千吨) 23456 25125 25789 28456

5 结论

（1）穿越哈萨克斯坦领土的最重要的走廊是CAREC 走廊与TRACECA走廊。6个CAREC走廊有4个穿越哈萨克斯坦的领土。显然，越多的走廊穿过领土，国际运输和经济会得到更好的发展。TRACECA走廊，因为在区域物流基础设施和多式联运的发展，以及一个集成的多式联运和物流链建立约定的战略的实施将再次提高国际中转潜力和经济资本回报。

（2）哈萨克斯坦的过境机会是巨大的，对所有国家都有巨大的经济利益。采用现代化、高效的技术对现有的走廊，发展边境口岸的吞吐能力，新的仓库和物流中心，以及培训新的专家，将使哈萨克斯坦的货运服务参与有利可图的服务，改善其现有的服务和提供额外的服务，这将吸引更多的吸引投资和商业伙伴关系。

（3）哈萨克斯塔国际过境运输SWOT分析表明，哈萨克斯坦的地理位置，与中亚国家直接接壤，发达的铁路运输和公路运输系统以及与阿克套港口链接是哈萨克斯坦在越来越多的国际过境运输市场的优势。然而，需要改善基础设施和缺乏吞吐量的港口运输，以及需要相关的技术专家，哈萨克斯坦需要投资以确保其提供高质、高效、最大化的服务。SWOT分析表明，哈萨克斯坦有各种可能性，提高国际运输的生产力，但是，这些可能性并没有被利用。因此，哈萨克斯坦必须吸引国外投资，向客户提供额外的服务，吸引新的集装箱货物。

（4）多斯特克与阿拉山口过境口岸SWOT分析为显示在哈萨克斯坦侧设备，设施和车场能够提供衡量变化的优势，铁路交通设施交通畅通。然而，海关法的变化和在关税方面对进、出口商的法规缺乏连贯性；进、出口商准备和交验相关文件程序繁琐、增加过境作业的等待时间、增加铁路过境货物运输等待时间和冲突商业道德；在海关内部设置仓库和物流中心等。这些分析可以用在未来工作的改进，以适应这些变化, 来提供更加有质量并且非复杂化的运输。

（5）对于多斯特克与阿拉山口铁路过境货运量预测利用了三种预测方法来预测多斯特克与阿拉山口过境口岸的货物量。对于货物量预测，研究的目的是对多斯特克与阿拉山口过境口岸的未来的货物量挑选出一种最合适的方法。三种方法内对这个口岸最合适方法是GM(1,1)模型。因为GM(1,1)模型的相对误差的平均值最小，具有较高的预测准确性。GM(1,1)模型的最终结果是货物运量2017年增长到23 456 千吨，2018年25 125千吨，2019年25 789千吨，2020年28 456千吨.

关键词：铁路过境货物运输；多斯特克-阿拉山口；SWOT分析；货运量预测；GM(1,1）模型

完整版下载链接: https://pan.baidu.com/s/1ZlRUQlSnn9qeduyKEmunNg 提取码: 3jyb

首页上一页 1 2 3 4 下一页尾页 4/4/4

多斯特克与阿拉山口间铁路过境货物运输研究(四)由摘要目录网（www.huoyuandh.com）会员上传。