本书针对城际高铁客流预测中面临的数据、模型和预测性能等问题，在深入分析城际高铁客流特征和客流数据特点的基础上，基于统计学习理论、非线性理论、灰色理论、机器学习和组合预测等多学科理论与方法，提出了基于人工智能的预测理论与方法，包括GARCH类模型的神经网络、ARIMA与SVM模型、PSO-PSR-LSSVM模型和基于数据分解的智能组合模型，以提高城际高铁客流的预测性能。本书完善了城际高铁客流预测理论和方法研究体系，对城际高铁规划、建设、管理、运营具有重要的实际意义和应用价值。

更多科学出版社服务，请扫码获取。

1998.09-2002.06 天津理工大学,金属压力加工专业，获工学学士学位 2002.09-2005.06 天津大学,材料加工工程专业，获工学硕士学位 2005.09-2009.03 天津大学管理科学与工程专业，获管理学博士学位2009.09-2012.11 石家庄铁道大学经济管理学院,讲师 2012.12-2018.11 石家庄铁道大学经济管理学院,副教授 2018.12-至今 石家庄铁道大学经济管理学院,教授 2019.06-至今 石家庄铁道大学经济管理学院,副院长主持教育部人文社会科学青年基金项目1项、中国博士后科学基金项目1项、河北省高等学校青年拔尖人才支持计划项目1项、河北省软科学研究计划项目1项、河北省教育厅项目3项、河北省社科联项目2项。参与研究各级项目20余项中国物流学会常务理事

目录
第1章 导论 1
1.1 城际高铁 1
1.2 城际高铁客流形成机理 8
1.3 城际高铁客流影响因素 10
1.4 城际高铁客流预测研究发展趋势 14
1.5 本章小结 26
参考文献 26
第2 章 城际高铁客流预测方法研究 33
2.1 基于统计理论的城际高铁客流预测方法 33
2.2 基于非线性理论的城际高铁客流预测方法 41
2.3 基于灰色理论的城际高铁客流预测方法 53
2.4 基于机器学习的城际高铁客流预测方法 55
2.5 基于组合的城际高铁客流预测方法 61
2.6 本章小结 68
参考文献 69
第3 章 基于GARCH 类模型的神经网络城际高铁客流智能预测研究 72
3.1 城际高铁客流波动聚集性分析方法 72
3.2 GARCH类模型 74
3.3 WNN 78
3.4 GARCH类-WNN模型 92
3.5 基于GARCH 类-WNN模型的城际高铁客流预测 99
3.6 本章小结 112
参考文献 113
第4 章 基于ARIMA模型与SVM模型结合的城际高铁客流智能预测研究 115
4.1 城际高铁客流周期特性 115
4.2 ARIMA模型 117
4.3 SVM模型 121
4.4 ARIMA-SVM组合模型 127
4.5 基于ARIMA-SVM模型的城际高铁客流预测 129
4.6 本章小结 134
参考文献 135
第5 章 基于相空间重构的LSSVM城际高铁客流智能预测研究 138
5.1 城际高铁客流混沌特性判定方法 138
5.2 相空间重构技术 143
5.3 最小二乘支持向量机 150
5.4 相空间重构-LSSVM模型 158
5.5 实证研究 159
5.6 本章小结 173
参考文献 174
第6 章 基于数据分解的城际高铁客流智能组合预测方法研究 176
6.1 基于EEMD的城际高铁客流组合预测方法 176
6.2 基于小波变换的城际高铁客流组合预测方法 190
6.3 基于X12季节调整的城际高铁客流组合预测方法 200
6.4 本章小结 210
参考文献 211
第7 章 结论与展望 213
7.1 主要结论 213
7.2 进一步研究展望 214