趙佳華
【摘 要】 隨著城市軌道交通不斷發(fā)展,我們將如何用科學(xué)手段來預(yù)測客流,如何來提高軌道交通的運營水平引起關(guān)注。由于鐵路客運量具有較強的趨勢性和季節(jié)性,本文將以浙江省鐵路客運量為例,運用乘積季節(jié) ARIMA模型,建立1階12步差分自回歸移動平均模型 ARIMA模型,通過自相關(guān)和偏自相關(guān)圖像來初步識別 ARIMA模型各個參數(shù),并根據(jù)所建立的模型來預(yù)測浙江省鐵路客流數(shù)據(jù),我們對浙江省2012-2017年鐵路客運量的月度數(shù)據(jù)進行擬合,建立了ARIMA模型,在此基礎(chǔ)上預(yù)測2018年到2022年的月度客運量,模型總體效果較好。
【關(guān)鍵詞】 時間序列分析 鐵路客運量 季節(jié)ARIMA模型 預(yù)測
一、引言
鐵路客運量預(yù)測是鐵路客運規(guī)劃的基礎(chǔ),也是鐵路建設(shè)和改造過程中投資規(guī)模、收益等因素分析的基礎(chǔ)。國外對鐵路客流的預(yù)測進行了較早的研究。在1962年的美國雜志“Chicago Area Transpporttation Study”中,首次提出了鐵路客流預(yù)測的應(yīng)用。在此基礎(chǔ)上,在20世紀70年代,經(jīng)濟學(xué)家丹尼爾·麥克法登通過研究非集急理論,將“效用理論”應(yīng)用于交通領(lǐng)域,并提出Logit實用模型,使其能夠?qū)Τ丝土髁糠謸?dān)率進行計算。隨著鐵路客運量預(yù)測的復(fù)雜變化,許多新的預(yù)測研究方法層出不窮,其中最常見的是時間序列預(yù)測方法。
時間序列分析是動態(tài)的時序數(shù)據(jù)處理的一種統(tǒng)計方法。該方法采用隨機數(shù)據(jù)序列,以隨機過程理論和數(shù)理統(tǒng)計方法為基礎(chǔ),進行定性定量預(yù)測。ARIMA模型的基本思想是:隨著時間的推移,我們認為預(yù)測對象形成的數(shù)據(jù)序列是一個隨機序列,并利用一定的時間序列模型來近似地解釋序列。一旦確定了這個模型,那么就可以基于現(xiàn)有的時間序列數(shù)據(jù)預(yù)測過去和現(xiàn)在甚至將來的值。由于時間序列法把影響變化的因素由“時間”統(tǒng)一描述,它避免了考慮許多因素的影響,而且數(shù)據(jù)容易獲得,容易計算。因此,它是鐵路客運交通預(yù)測應(yīng)用的理想方法。
二、理論模型與方法
自回歸移動平均(Auto-Regressive Moving Average,ARMA)模型是平穩(wěn)時間序列分析的經(jīng)典方法。它由一個自回歸模型(簡稱AR模型)和移動平均模型(簡稱MA模型)組成。因為它適用于所有類型,是目前最常用的時間序列預(yù)測方法。
ARMA模型的一般形式如下:
.
式中:表示模型的自回歸部分;表示模型的移動平均部分;稱為ARMA(p,q)序列,非負整數(shù)p,q分別稱為自回歸階數(shù)和移動平均階數(shù),參數(shù)稱為自回歸系數(shù),稱為移動平均系數(shù)。
當(dāng)p=0時,則ARMA(0,q)模型
.
稱為q階移動平均模型,記為MA(q)。
當(dāng)q=0時,則ARMA(p,0)模型
.
稱為p階自回歸模型,AR(p)。
三、實證方法
(一)數(shù)據(jù)來源
改革開放以來,浙江的交通運輸業(yè)實現(xiàn)了穩(wěn)步發(fā)展,經(jīng)濟社會發(fā)展的需求差距逐漸縮小。因此,本文建立了基于浙江省鐵路客流的季節(jié)性時間序列預(yù)測模型,采用從2012年1月至2017年12月間的交通運輸數(shù)據(jù)。
(二)數(shù)據(jù)平穩(wěn)化
由于本文選取每月的數(shù)據(jù),可能會有季節(jié)性的影響。因此,刻畫分析了2012年1月至2017年12月的客運量數(shù)據(jù),可以看出,節(jié)假日因素會導(dǎo)致客流發(fā)生較大的變化,不同的節(jié)假日對客流變化會產(chǎn)生不同的影響。因此,應(yīng)該利用一階12階差分來消除長期趨勢和季節(jié)波動的影響。
由于軟件給出的變量相關(guān)性檢驗的結(jié)果可能會對模型參數(shù)的估計造成影響,導(dǎo)致在時間序列回歸分析中容易出現(xiàn)偽回歸情況。因此,需要對時間序列的平穩(wěn)性進行檢驗。本文采用ADF檢驗來驗證數(shù)據(jù)的平穩(wěn)性。結(jié)果如下表1:
由上表可知,統(tǒng)計量檢驗結(jié)果顯著,P值為0.0000,明顯小于1%的置信水平,檢驗統(tǒng)計量顯著,拒絕原假設(shè),序列經(jīng)過1階12步差分處理后,認為該序列為平穩(wěn)時間序列。
(三)模型的參數(shù)估計與檢驗
差分序列DKYL的自相關(guān)函數(shù)和偏相關(guān)函數(shù)顯示,差分序列DKYL的自相關(guān)函數(shù)和偏相關(guān)函數(shù)在第12期的值分別為(-0.323,-0.168),顯著不為0,說明即使進行12步的季節(jié)差分,差分后的序列在滯后12期仍表現(xiàn)出較高的相關(guān)性,因此建模過程中仍需要考慮季節(jié)性的因素的影響。這種情況下我們嘗試用ARIMA乘積季節(jié)模型進行擬合。
根據(jù)AIC最小原則,最終我們選擇較為合適的模型:ARIMA,具體的參數(shù)估計和模型的殘差自相關(guān)圖的結(jié)果如下,則乘積季節(jié)模型的參數(shù)估計結(jié)果可以表示為:
.
其中,為白噪聲過程。
從表2的估計結(jié)果來看,參數(shù)顯著性和平穩(wěn)可逆性都滿足。因此模型ARIMA能夠很好地擬合浙江省鐵路客運量的發(fā)展趨勢,信息判斷準則AIC和SBC的數(shù)值也相差無幾。
(四)基于ARIMA模型的客流量預(yù)測
我們利用時間序列建模對以上確定的乘積季節(jié)模型ARIMA進行后續(xù)五年的預(yù)測。圖2顯示了每月的客運鐵路從2012年1月至2017年12月總共六年和隨后的5年2018年1月至2018年12月的預(yù)測值,我們可以看出, 該模型擬合得較好,該模型擬合的較好,只有相對較小的誤差方差,所以預(yù)測極限非常接圖 2 模型預(yù)測結(jié)果
根據(jù)這些預(yù)測,鐵路部門可以對鐵路運營和其他任務(wù)進行針對性的調(diào)整和部署,使鐵路在綜合運輸系統(tǒng)中發(fā)揮優(yōu)勢,促進國民經(jīng)濟的發(fā)展。
四、總結(jié)
從以上ARIMA模型中獲得2018年1月到2022年12月鐵路每月客運量的預(yù)測值。相關(guān)的鐵路部門可以充分利用這些模型理論進行針對性的調(diào)整,充分發(fā)揮鐵路的優(yōu)勢,促進國民經(jīng)濟的發(fā)展。
(1)充分利用票價浮動機制調(diào)整客流,來應(yīng)對鐵路客流量的周期性波動。從2018年到2022年的月度客運量預(yù)測,我們可以看到,7月和8月的客運量將比其他月份稍高一些,也就是說,在兩個月期間乘火車出行的人通常會多出幾倍。在12月和1月,客運量下降到最低水平。因此,對于這兩種情況造成的周期性波動,鐵路部門可以充分利用鐵路貨運費的浮動機制來規(guī)范客流。在旺季,車輛的數(shù)量應(yīng)適當(dāng)增加,以滿足人們的出行需求,增加鐵路部門的收入。在客流淡季,可以適當(dāng)發(fā)放優(yōu)惠票,刺激人們乘坐火車出行,或者增加貨物數(shù)量,避免空車造成的經(jīng)濟損失和資源浪費。
(2)借助時間序列分析的季節(jié)性建模方法,我們檢驗出了浙江省2012年1月到2017年12月的月度鐵路客運量存在趨勢性和周期波動性,進行周期為12的季節(jié)性差分之后較好的消除了趨勢性和周期性。其次,在周期12的季節(jié)差分序列DKYL基礎(chǔ)上建立相應(yīng)ARIMA模型。最后,在構(gòu)建的模型的基礎(chǔ)上進行2018年到2022年的預(yù)測,可以發(fā)現(xiàn),整體擬合效果較好,誤差比較小。
總之,利用本文建立的季節(jié)時間序列模型的方法一方面避免了在鐵路系統(tǒng)中對于客流量的主觀臆測,我們通過較為客觀的方法進行診斷,另一方面避免了趨勢項和周期波動對時間數(shù)據(jù)的影響,具有良好的廣泛適應(yīng)性,對未來浙江省其他線路的軌道交通規(guī)劃和調(diào)整都具有良好的參考價值和現(xiàn)實意義。
【參考文獻】
[1] 張杰,劉小明,賀玉龍,等.基于時間序列的我國鐵路客流量預(yù)測[J]. 統(tǒng)計與咨詢, 2008: 20-21.
[2] 裴武,陳鳳,程立勤,交通量時間序列ARIMA 預(yù)測技術(shù)研究[J].山西科技, 2009(1):75-79.
[3] 祁偉,李曄,汪作新,季節(jié)性ARIMA模型在稀疏交通流下的預(yù)測方法[J].公路交通科技,