文献

J-GLOBAL ID：201702254959529611   整理番号：17A0536194

GRAとSVM-MIXEDに基づく貨物量予測手法【JST・京大機械翻訳】

A Prediction Method of Railway Freight Volumes Using GRA and SVM-mixed

著者 (4件)： Liang Ning (Langfang Beisanxian County Management Department, Hebei Province Expressway) ,  Geng Liyan (School of Economics and Management, ShijiazhuangTiedao University) ,  Zhang Zhanfu (Sifang College, Shijiazhuang Tiedao University) ,  Liang Yigang (School of Economics and Management, Shijiazhuang Tiedao University)
資料名： Jiaotong Yunshu Xitong Gongcheng Yuxinxi  (Jiaotong Yunshu Xitong Gongcheng Yuxinxi)
巻： 16  号： 6  ページ： 94-99  発行年： 2016年 
JST資料番号： C2945A  ISSN： 1009-6744  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 鉄道貨物量とその影響要因の間の関係は複雑で、単一核関数サポートベクトルマシン(SVM)は正確に記述することが難しく、しかも各要素の鉄道貨物量に対する影響程度は差異性があり、この差異本論文では,グレイ相関分析(GRA)とハイブリッドカーネル関数サポートベクトルマシン(SVM-MIXED)に基づく鉄道貨物輸送の予測法を提案した。この方法では,グレー関係分析を用いて各因子の重みを決定し,重みに影響を与える因子を入力変数として,多項式カーネル関数と動径基底関数の線形組合せによるSVM-MIXED予測モデルこの問題を解決するために,SVM-MIXEDのパラメータを決定するために,最適化アルゴリズムを選択するために,最適化パラメータを選択するために,ショウジョウバエ最適化アルゴリズム(FOA)を採用した。中国鉄道貨物の事例研究によると、この方法は鉄道運送量の予測精度を有効に向上させ、鉄道運送量を正確に予測するために新たな道を提供した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 予測モデル ,  サポートベクトルマシン ,  鉄道貨物 ,  事例研究 ,  動径基底関数 ,  最適化 ,  *貨物 ,  線形性 ,  核関数 ,  *予測技法
準シソーラス用語： 予測精度 ,  輸送量 ,  最適アルゴリズム ,  Kernel関数 ,  相関分析 , 【Automatic Indexing@JST】

著者キーワード (5件)： railway transportation ,  freight volumes ,  prediction ,  grey relational analysis ,  SVM with mixed kernel function

分類 (2件)： 構造力学一般  (HD01000X) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 貨物 ,  予測手法