原油模拟_国际原油价格蒙特卡洛模拟

1.实证研究方法

2.交通运输系统工程的王振军《交通运输系统工程》

从图3-1可以看到，致密油的储层孔渗性极差。如果按常规石油储量评价方法开展评价容易造成动用程度偏低、收率偏低等一系列问题，需要结合致密油特点制定一套相应的储量评价方法。

国际石油公司所说的储量一般是指在美国证券交易委员会向公众披露并作为上市资产的储量，主要是指证实储量，且是证实剩余经济可储量。目前，国外致密油气等非常规评价方法，以建立在成熟的勘探开发数据基础上发展起来的类比法和统计法为主。类比法以美国地质调查局的FORSPAN法为代表，统计法包括容积法、单井储量估算法、动态法、概率法等。应用到致密油储量计算时主要用丰度类比法和容积法，对于产量已经下降的生产井，可以通过单井储量估算法确定其技术可储量。

1.类比法（USGS常用方法）

类比法是一种比较简单的收率预测方法，是通过与地质条件相似且已获得油气收率的地区进行比较，从而得出所研究地区油气收率的一种方法。该方法最早由咨询公司评价员John Grace开发出来。1995年，美国地质调查局的Schmoker接管该方法后对其进行了扩展和改进，并在2000～2002年开展了大量应用。最近几年，Charpentier等继承和发展了该方法，尤其是在数据库、参数分布、图表输出标准等方面发展显著。现该方法已达到较为完善的程度。

图3-1 油气储层岩性及孔渗尺度分布

（据CSUR，2012）

美国地质调查局将目标评价层次划分为大区（Region）、地质省（Geologic Province）、总含油气系统（TPS）、评价单元（AU）和最小评价单元（Cell）。大区为组织单元；地质省是指具有共同地质属性的空间实体；总含油气系统是指具有共同的生、储、盖、运、圈、保等地质特征的可绘图的实体；评价单元是总含油气系统的一部分，由许多Cell组成。在早期的评价网格中，Cell是指一个矩形网格，在目前的评价网格中，Cell是指由一口井所控制的排泄区。

评价过程中，重点输入参数有评价单元总面积（U）、未测试单元总面积占评价单元总面积的百分比（R）、未测试单元面积中具有增加储量潜力的百分比（S）、每个有潜力的未测试Cell的面积（Vi）、每个Cell的总可储量（Xi）、未测试单元平均产油气比率、天然气评价单元液/气的比率。这些重点输入参数用于直接计算储量。在参数的处理过程中，已有的钻井资料主要用于储层参数（厚度、含水饱和度、孔隙度、渗透率等）的分布研究、权重系数的确定、最终储量和收率的估算。在缺乏足够的钻井和生产数据的地区，评价参数主要通过类比获得。

类比法适用于已开发地区剩余潜力的预测。通过模拟每一个Cell 的参数分布，用相应的参数分布计算Cell的储量，并汇总为整个评价单元的剩余总量，其结果用概率形式表示。评价过程主要有4步。

第一步：确定有潜力的未测试单元比例（T），即

T =R×S （3-1）

第二步：计算有潜力的未测试单元面积（W），即

W =T×U （3-2）

第三步：确定有潜力的未测试Cell的个数（N），可通过下式计算：

国外致密油储量评估技术进展

第四步：计算评价单元总储量（Y），即

国外致密油储量评估技术进展

式（3-1）至式（3-4）中的符号说明见上文“重点输入参数”部分，求解方法均用随机模拟法。

该方法在油气开发前和生产早期是非常有用的，它是容积法的一种补充。类比法不仅要求开发区与类比区的地质条件相似，而且要求开发区与类比区的井网布置方式、开发的技术与工艺以及气井服务年限一致。类比法主要利用与已开发油气田（或相似储层）的相关关系计算储量，计算时需要绘制出已开发区关于生产特征和储量相关关系的典型曲线，求得计算区可类比的储量参数，再配合其他方法进行计算。此方法确定收率的过程比较简单，结果主要取决于地质资料的可靠性，以及研究者对研究区和类比区地质条件的认识程度，研究者的技术水平和经验，适合在研究程度较高的地区用。

2.容积法

容积法是用于获得原始油气储量估算值的最常用方法，也是油田开发初期计算地质储量最为常用的方法。它不依赖油井的生产动态趋势，是油气勘探开发初期探明其地质储量的最好方法，其计算精度取决于对油气藏地质条件、储层特征的控制程度和认识程度，以及所获取参数的精度和数量。容积法预测致密油储量是利用地质模型完成的，地质模型描述了油气藏的几何形态，首先通过直接观察或通过对油气藏的厚度、孔隙度、含水饱和度以及储层在平面上展布的评估来确定模型所需要的参数。将这些参数输入到地质模型中，从而确定油气藏的体积。根据这些参数，结合油气藏压力、温度条件下的流体性质，就可以评估出油气藏中油气的体积。其计算公式为

N =7758AhφSoi /Boi （3-5）

式中：N为原油地质储量，STB；A为含油面积，acres；h为有效厚度，ft；φ为有效孔隙度，小数；Soi为原始含油饱和度，量纲为一；Boi为地层原油体积系数。

当油藏中含有溶解气时，则可以利用油气藏体积与溶解气油比的乘积换算出溶解气的体积，其计算公式为

Gd =N·GOR （3-6）

式中：GOR为溶解气油比，SCF/STB；Gd为溶解气地质储量，SCF。

3.单井储量估算法

单井储量估算法是单井评估最终可储量的简称，即技术可储量，指已经生产多年以上的开发井，根据产能递减规律，运用趋势预测方法，评估该井最终可储量。递减规律包括双曲递减、指数递减、调和递减、SEPD递减、Duong递减等。

4.物质平衡法

难以用容积法计算地质储量时，应用动态法计算，根据产量、压力数据的可靠程度，划分探明地质储量和控制地质储量。其中，物质平衡法可以计算动态过程中的致密油储量，弥补了容积法的不足。用物质平衡法的压降图（视地层压力与累计产量关系图）直线外推，废弃视地层压力为零时的累计产量即为致密油地质储量。使用该方法计算储量，要求储层动态参数齐全，生产时间越长，动态参数越多，计算结果的精度越高。

5.概率法

根据构造、储层、油（气）水界面、断层、地层与岩性边界、油（气）藏类型等，确定含油（气）面积的变化范围。根据地质条件、下限标准、测井解释等，分别确定有效厚度和单储系数的变化范围。根据储量计算参数的变化范围，求得储量累计概率曲线，按规定概率值估算各类地质储量。

SEC根据油气田所处的勘探、开发阶段，用相应的方法进行储量评估（表3-2 ）。结合致密油特征，本次研究对勘探开发程度低、资料相对匮乏的区块用容积法计算地质储量；对勘探开发程度高、资料情况好的区块用产量递减法计算技术可储量。

表3-2 国内外不同开发阶段可选用的储量评价方法

“√”表示可选用。

实证研究方法

4.4.1.1 基于GED分布的GARCH-VaR模型

在对油价收益率序列建模时，往往发现收益率的波动具有集聚性。为了刻画时间序列的波动集聚性，Engle（1982）提出了ARCH 模型。而在ARCH 模型的阶数很高时，Bollerslev（1986）提出用广义的ARCH 模型即GARCH 模型来描述波动集聚性。

GARCH模型的形式为

国外油气与矿产利用风险评价与决策支持技术

式中：Yt为油价收益率；Xt为由解释变量构成的列向量；β为系数列向量。

国外油气与矿产利用风险评价与决策支持技术

事实上，GARCH（p,q）模型等价于ARCH（p）模型趋于无穷大时的情况，但待估参数却大为减少，因此使用起来更加方便而有效。

同时，由于油价收益率序列的波动通常存在杠杆效应，即收益率上涨和下跌导致的序列波动程度不对称，为此本节引入TGARCH模型来描述这种现象。TGARCH模型最先由Zakoian（1994）提出，其条件方差为

国外油气与矿产利用风险评价与决策支持技术

式中：dt-1为名义变量：εt-1﹤0,dt-1=1；否则，dt-1=0，其他参数的约束与GARCH模型相同。

由于引入了dt-1，因此油价收益率上涨信息（εt-1﹥0）和下跌信息（εt-1﹤0）对条件方差的作用效果出现了差异。上涨时， 其影响程度可用系数 表示；而下跌时的影响程度为 。简言之，若Ψ≠0，则表示信息作用是非对称的。

在关注石油市场的波动集聚性及杠杆效应的基础之上，进一步计算和监控石油市场的极端风险同样是非常重要的。而监控极端市场风险及其溢出效应的关键在于如何度量风险，为此，本节将引入简便而有效的VaR 方法。VaR（Value-at-Risk）经常称为风险值或在险值，表示在一定的持有期内，一定的置信度下可能的最大损失。VaR 要回答这样的问题：在给定时期内，有x%的可能性，最大的损失是多少？

从统计意义上讲，VaR表示序列分布函数的分位数。本节用国际油价收益率的分布函数的左分位数来度量油价下跌的风险，表示由于油价大幅度下跌而导致的石油生产者销售收入的减少；而用分布函数的右分位数来度量油价上涨的风险，表示油价大幅度上涨而导致的石油购者的额外支出。这种思路，一方面推进了一般金融市场仅仅分析价格下跌风险的做法；另一方面，也针对石油市场的特殊情况，更加全面地度量了市场风险，从而为从整体上认识石油市场，判断市场收益率的未来走向奠定了基础。

VaR风险值的计算方法很多，能够适用于不同的市场条件、数据水平和精度要求。概括而言，可以归结为3种：方差－协方差方法、历史模拟方法和方法。本节用方差－协方差方法计算国际石油市场的VaR 风险。在用方差－协方差方法的过程中，估计VaR模型的参数是至关重要的。常用的参数估计方法包括GARCH 模型和J.P.摩根的Risk Metrics方法。由于后者设价格序列服从独立异方差的正态分布，而且不能细致描述价格波动的某些特征（如杠杆效应），因此相对而言，前者更受青睐。但是，使用GARCH模型估计VaR时，选择残差项的分布是一个非常重要的问题。考虑到油价收益率序列具有尖峰厚尾和非正态分布的特征，因此直接用正态分布的设往往会低估风险。为此，本节引入Nelson（1990）提出的广义误差分布（GED）来估计GARCH模型的残差项。其概率密度函数为

国外油气与矿产利用风险评价与决策支持技术

式中： Г（·）为gamma函数；k为GED分布参数，也称作自由度，它控制着分布尾部的薄厚程度，k=2表示GED分布退化为标准正态分布；k﹥2表示尾部比正态分布更薄；而k﹤2表示尾部比正态分布更厚。可见GED分布是一种复杂而综合的分布。实际上，也正是由于GED分布在描述油价收益率分布的厚尾方面具有独特的优势，因此本节引入基于GED分布的GARCH模型来估计国际石油市场收益率上涨和下跌时的VaR。

计算出石油市场的VaR风险值之后，为了给有关方面提供准确可靠的决策支持，有必要对计算结果进行检验，以判断所建立的VaR模型是否充分估计了市场的实际风险。为此，本节将用Kupiec提出的检验方法来检验VaR模型的充分性和可靠性。该方法的核心思想是：设计算VaR的置信度为1－α，样本容量为T，而失效天数为Ⅳ，则失效频率f＝Ⅳ/T。这样对VaR 模型准确性的评估就转化为检验失效频率f是否显著不同于α。基于这种思想，Kupiec提出了对原设f＝а的最合适的似然比率检验：在原设下，统计量LR服从自由度为1的X2分布，95%和99%置信度下的临界值分别为3.84和6.64。根据x2分布的定义，如果估计值LR大于临界值，就拒绝原设，即认为估计的VaR模型是不充分的。

国外油气与矿产利用风险评价与决策支持技术

4.4.1.2 基于核权函数的风险溢出效应检验方法

本节将用Hong（2003）提出的风险－Granger因果关系检验方法检验WTI和Brent原油市场的风险溢出效应。该方法的核心思想是通过VaR 建模来刻画随着时间变化的极端风险，然后运用Granger因果检验的思想来检验一个市场的大风险历史信息是否有助于预测另一个市场的大风险的发生。

首先，定义基于VaR的风险指标函数。以下跌风险为例：

Zm,t=I（Ym,t﹤－VaRm,t）（m=1,2）　（4.11）

式中：I（·）为指标函数。当实际损失超过VaR时，风险指标函数取值为1，否则为0。

如果检验市场2是否对市场1产生了单向的风险溢出，则原设为H0:E（Z1,t∣I1,t-1）＝E（Z1,t∣It-1），而备择设为HA:E（Z1,t∣I1,t-1）≠E（Z1,t∣It-1），其中It-1={Ym,t-1,Ym,t-2，…），表示t-1时刻可以获得的信息集。通过这种转换，｛ Y1,t｝和｛Y2,t｝之间的风险－Granger因果关系就可以看成是｛Z1,t｝和｛Z2,t｝之间的均值－Granger因果关系，即计量经济学模型中广泛使用的Granger因果关系。

如果Ho成立，即市场2 对市场1不存在单向的风险－Granger因果关系，则表示Cov（Z1,t,Z2,t-j）＝0, j﹥0。如果对某一阶j﹥0，有Cov（Z1,t,Z2,t-j）≠0，则表明存在风险－G ranger因果关系。换言之，当一个市场发生大的风险时，我们能用这个信息去预测另一个市场未来可能发生同样风险的可能性。

现在设VaRm,t=VaRm（Im,t-1，α），m=1,2是市场m在风险水平（即显著性水平）α下得到的VaR序列，本节引入基于GED分布的GARCH 模型，并利用方差－协方差方法得到该序列。设有T个随机样本 并令Zm,t=I（Ym,t﹤－VaRm,t），m=1,2，则定义Z1,t和Z2,t之间的样本互协方差函数（CCF）为

国外油气与矿产利用风险评价与决策支持技术

式中： 。而Z1,t和Z2,t的样本互相关函数为

国外油气与矿产利用风险评价与决策支持技术

式中： 是Zm,t的样本方差；j=0，±1，…，±（T-1）。

然后，Hong（2003）提出了基于核权函数的单向风险－Granger因果关系检验统计量：

国外油气与矿产利用风险评价与决策支持技术

式中：中心因子和尺度因子分别为

国外油气与矿产利用风险评价与决策支持技术

式中k（·）为核权函数，而且H ong（2003）证明了Daniell核权函数k（z）＝sin（π）z/π ,z∈（－∞，＋∞）是最优的核权函数，能够最大化检验效力。该核权函数的定义域是无界的，此时可把M 看作是有效滞后截尾阶数；而且当M 较大时，Q1（M）能够更加有效地检测出风险溢出效应的时滞现象。

Hong（2003）同时给出了检验双向风险－Granger因果关系的统计量，其原设为两个市场之间任何一个市场均不G ranger－引起另一个市场的极端风险，并且两个市场之间不存在任何即时风险溢出效应。这表示对于任意阶j=0，±1，±2，…，均有Cov（Z1,t,Z2,t-j）＝0。为了检验该原设，Hong（2003）提出了如下的统计量：

国外油气与矿产利用风险评价与决策支持技术

式中：中心因子和尺度因子分别为

国外油气与矿产利用风险评价与决策支持技术

原设成立时，Q1（M）和Q2（M）在大样本条件下均服从渐近的标准正态分布。而且，Hong（2003）指出，运用这两个统计量时，应该使用标准正态分布的右侧临界值。

交通运输系统工程的王振军《交通运输系统工程》

为了全面认识国际原油市场与美元汇率市场之间的互动关系，尤其是准确判断美元汇率变化对国际油价起伏的影响程度，进而为预测未来油价变化甚至宏观经济走势提供支持，本节将着重从价格长期变化、价格波动幅度及市场风险传递等3个角度，实证研究两个市场之间的密切关系。

4.5.1.1 石油市场与美元汇率市场之间的均值溢出效应检验

从经济含义上讲，两个市场之间的均值溢出效应指的是一个市场的价格不仅受到其前期价格的影响，还可能受到其他市场前期价格的影响。长期而言，美元汇率的变化对国际原油价格变化的影响是否显著，是否有助于预测其未来的走势，均值溢出效应检验可以较好地回答这种诉求。

均值溢出效应是从VaR模型的角度而言的，即条件一阶矩的Granger因果关系检验。因此，可以通过建立VaR模型，按照AIC值最小的原则，选择最佳的滞后阶数，然后通过普通线性Granger因果检验方法判断国际油价与美元汇率之间的均值溢出效应。具体方法是，若以X 表示美元汇率，Y表示国际油价，对双变量回归方程（式4.20）中的Sj=0（j=1,2，…，m）（原设）进行设检验。如果拒绝该原设，则认为美元汇率变化是国际油价起伏的Granger原因；同理，也可以判断国际油价起伏是否是美元汇率变化的Granger原因。其中m为最大滞后阶数。

国外油气与矿产利用风险评价与决策支持技术

4.5.1.2 石油市场与美元汇率市场之间的波动溢出效应检验

波动溢出效应指的是不同市场的价格波动之间可能存在相互影响，某一市场价格波动程度不但受自身前期波动程度的影响，而且还可能受其他市场价格波动程度的制约，即价格波动信息会从一个市场传递到另一个市场。市场瞬息万变，石油市场与金融市场之间的密切联系早已引起各界关注，而美元汇率交易价格的波动是否会传递到国际原油市场，这是波动溢出效应检验的目的所在。

我们用ARCH 类模型检验和度量波动溢出效应。GARCH模型是在Engle（1982）提出的ARCH模型基础上发展起来的，其基本形式为

国外油气与矿产利用风险评价与决策支持技术

式中：Yt为国际油价或美元汇率；Xt为由解释变量构成的列向量；θ为系数列向量；ht为残差的异方差。

同时，由于价格序列的波动通常存在杠杆效应，即价格上涨和下跌导致的序列波动程度不对称。为此，本节引入TGARCH模型来描述这种现象。TGARCH模型最先由Zakoian（1994）提出，其条件方差为

国外油气与矿产利用风险评价与决策支持技术

式中：dt-1为名义变量：εt-1﹤0,dt-1=1；否则，d1,t=0；其他参数的约束与GARCH模型相同。

由于引入了dt-1，因此价格上涨信息（εt-1﹥0）和下跌信息（εt-1﹤0）对条件方差的作用效果出现了差异。上涨时 其影响程度可用系数 表示；下跌时的影响程度为 。简言之，若Ψ≠0，则表示信息作用是非对称的。

按照AIC值最小的准则，我们发现分别用TGARCH（1,1）和GARCH（1,1）模型拟合国际油价和美元汇率是最佳选择。在这种情况下考虑波动溢出效应，根据Lin和Tamvakis（2001）和Hammoudeh等（2003）在研究不同石油市场之间的互动关系时提供的波动溢出效应检验方法，可构造出以下方程：

国外油气与矿产利用风险评价与决策支持技术

式中：hi,t表示第i个市场（国际石油市场与美元汇率市场）第t期的条件方差；αi,0，αi,1，Ψ和βi,1均为（T）GARCH（1,1）模型的系数。

在式4.24和式4.25中，一个市场的滞后条件方差项作为回归项加入另一个市场的条件方差方程中，而γi即为第i个市场溢出项的系数。若溢出项在统计上是显著的，则认为存在相应的波动溢出效应，即一个市场的波动会显著地传递到另一个市场；反之，则不存在显著的波动溢出效应。

4.5.1.3 石油市场与美元汇率市场之间的风险溢出效应检验

两个市场之间的风险溢出效应表示一个市场极端风险的历史信息有助于预测另一个市场现期和未来的极端风险。市场风险规避和控制是市场参与者不得不审慎考虑的问题，石油贸易这样的大宗商品贸易更是如此。由于石油与美元一直相伴而行，使得石油市场与美元汇率市场之间互相渗透，市场风险传递更值得关注。

风险度量对于国际石油市场和美元汇率市场都至关重要。本节引入简便而有效的VaR方法来度量市场风险。VaR 要回答这样的问题：在给定时期内，有x%的可能性，最大的损失是多少？从统计意义上讲，VaR表示序列分布函数的分位数。

VaR 风险值的计算方法很多，但概括起来可以归结为3种，即方差－协方差方法、历史模拟方法和方法。本节用方差－协方差方法计算国际石油市场和美元汇率市场的VaR风险。在用方差－协方差方法过程中，考虑到油价和美元汇率序列往往具有尖峰厚尾和非标准正态分布的特征，因此通常所用的标准正态分布设可能会低估实际市场风险。为此，本节引入Nelson提出的广义误差分布（GED）来估计GARCH类模型的残差项（Nelson,1990）。

为了考察国际石油市场和美元汇率市场的风险溢出效应，尤其是美元汇率价格风险对石油市场的影响，我们引入Hong（2003）提出的风险－Granger因果关系检验方法。其核心思想是通过VaR建模来刻画随时间变化的极端市场风险，然后运用风险－Granger因果检验的思想来检验一个市场的风险历史信息是否有助于预测另一个市场的风险的发生。

Hong（2003）借助样本互相关函数，提出了基于核权函数的单向和双向风险－Granger因果关系检验统计量。在实际操作中，先检验双向风险－Granger因果关系，如果拒绝原设（即至少存在一个方向的风险－Granger因果关系），则可以进一步检验单向风险－Granger关系。

出版社：东南大学出版社

ISBN：87564113506

出版日期：2008 年10月 1 运输系统工程概论

1.1 系统与系统工程

1.1.1 系统

1.1.2 系统工程

1.2 交通运输与交通运输系统

1.2.1 交通运输

1.2.2 交通运输系统

1.3 交通运输系统工程

1.3.1 交通运输系统工程的定义

1.3.2 运输系统工程的内容

1.3.3 交通运输系统工程实例

2 运输系统分析

2.1 运输系统分析概述

2.1.1 运输系统分析的概念及其要素

2.1.2 运输系统分析的特点与准则

2.1.3 运输系统分析的要点与步骤

2.2 运输系统目标分析

2.2.1 系统目标分析的意义

2.2.2 系统目标分析的原则

2.2.3 运输系统目标分析的内容

3 运输系统模型

3.1 系统模型概述

3.1.1 模璎的定义和作用

3.1.2 模型的分类

3.1.3 构造模型的一般原则

3.1.4 建模的基本步骤

3.2 常用运输系统模型

3.2.1 运输问题

3.2.2 任务分配问题

3.2.3 货物配装问题

3.2.4 品种混装问题

3.3 运输系统结构分析

3.3.1 基本概念

3.3.2 运输系统结构分析的任务

3.3.3 系统要素集的分析

3.3.4 系统相关性的分析

3.3.5 系统阶层性的分析

3.3.6 系统整体性的分析

3.4 运输系统环境分析

3.4.1 运输系统环境分析的意义

3.4.2 系统与环境的关系

3.4.3 交通运输系统与环境

3.5 阿拉斯加原油输送方案的系统分析

3.5.1 任务与环境

3.5.2 备选方案与分析

3.5.3 方案的选择

4 运输系统预测

4.1 概述

4.1.1 预测的概念

4.1.2 预测的基本原理

4.1.3 预测的分类

4.1.4 预测的步骤

4.1.5 预测精度评价

4.2 定性预测方法

4.2.1 个人判断法

4.2.2 头脑风暴法

4.2.3 德尔斐法

4.2.4 对比类推法

4.2.5 交叉概率法

4.3 时间序列预测方法

4.3.1 简单平均法

4.3.2 移动平均法

4.3.3 指数平滑法

4.4 回归分析预测法

4.4.1 一元线性回归

4.4.2 多元线性回归

4.4.3 非线性回归分析

4.5 灰色预测方法

4.5.1 灰色预测理论

4.5.2 gm（1，1）模型的建立

4.5.3 模型检验

4.5.4 案例

5 运输系统网络技术

5.1 概述

5.2 网络图的绘制

5.2.1 双代号网络图的构成要素

5.2.2 双代号网络图的绘制步骤

5.2.3 绘制双代号网络图的规则

5.2.4 虚工作处理

5.2.5 绘制双代号网络图的其他注意事项

5.3 网络图时间参数的计算

5.3.1 节点时间参数的计算

5.3.2 工作时间参数的计算

5.3.3 关键线路的确定

5.4 时标网络图的绘制

5.4.1 双代号时标网络图的规定

5.4.2 双代号时标网络图的绘制步骤

5.5 网络优化

5.5.1 工期优化

s.5.2 优化

5.5.3 费用优化

6 运输系统模拟

6.1 系统仿真与系统模拟

6.1.1 系统仿真

6.1.2 系统模拟

6.1.3 系统模拟的发展过程

6.1.4 系统模拟的功能

6.1.5 系统模拟的步骤

6.1.6 系统模拟的模型

6.2 模拟方法

6.2.1 模拟法的由来

6.2.2 法的原理与步骤

6.2.3 确定随机数的方法

6.2.4 随机模拟

6.3 系统动力学模拟方法

6.3.1 系统动力学概述

6.3.2 系统动力学方法模拟原理

6.3.3 系统动力学模型

6.4 运输系统模拟

6.4.1 排队论问题概述

6.4.2 服务系统模型

6.4.3 用随机概率模拟排队论问题

7 运输系统评价

7.1 概述

7.1.1 系统评价的原则

7.1.2 评价指标体系

7.1.3 系统评价的步骤

7.1.4 系统评价的方法

7.2 层次分析法

7.2.1 产生与发展

7.2.2 基本思想和实施步骤

7.2.3 案例

7.3 模糊综合评判法

7.3.1 基本原理

7.3.2 模糊综合评判的步骤

7.3.3 案例

8 运输系统决策

8.1 概述

8.1.1 决策的概念

8.1.2 决策的基本要素

8.1.3 决策的程序

8.1.4 决策的准则

8.1.5 决策的分类

8.1.6 运输系统决策

8.2 确定型运输决策问题

8.2.1 确定型决策的主要特征

8.2.2 确定型决策的方法

8.3 不确定型运输决策问题

8.3.1 乐观准则

8.3.2 悲观准则

8.3.3 折衷准则

8.3.4 遗憾准则

8.4 风险型运输决策问题

8.4.1 期望收益值法

8.4.2 期望损失值法

8.4.3 最大可能法

8.4.4 决策树法

9 运输决策支持系统

9.1 决策支持系统基础理论

9.1.1 决策支持系统基本概念

9.1.2 决策支持系统的功能

9.1.3 决策支持系统的特征

9.1.4 决策支持系统分类

9.1.5 决策支持系统的组成

9.1.6 决策支持系统的发展

9.2 决策支持系统典型技术

9.2.1 专家系统

9.2.2 人工神经网络

9.2.3 数据仓库和联机分析处理

9.2.4 遗传算法

9.2.5 群决策支持系统

9.2.6 综合决策支持系统

9.3 运输决策支持系统

9.3.1 用excel上具进行决策支持分析

9.3.2 车辆路径决策支持系统

10 智能运输系统

10.1 概述

10.1.1 智能运输系统（its）概念

10.1.2 its的应用范围

10.2 智能运输系统体系框架

10.2.1 its用户主体、服务主体与终端

10.2.2 服务领域、用户服务和子服务

10.2.3 its逻辑框架设计

10.2.4 its物理框架设计

10.3 智能运输系统评价

10.3.1 its评价的意义、原则与程序

10.3.2 its评价的内容

10.4 智能运输系统保障机制

10.4.1 政策保障

10.4.2 经济保障

10.4.3 技术保障

10.4.4 社会文化环境保障

参考文献