spss课程设计客运量预测

1、 课程设计设计题目： 上海公路客运量需求预测与分析 课程名称： 运输统计与分析 学 院： 交通运输工程学院 专 业： 交通运输 班 级： 学生姓名： 学 号： 指导教师： = 2011 /2012学年第二学期=27课程设计（学年论文）任务书课程名称：运输统计与分析适用对象：交通运输工程一、 课程设计（论文）目的运输统计与分析课程设计作为独立的教学环节，是交通运输本科专业的必修课。其目的是，通过本课程设计实践，培养学生理论联系实际思想，加深统计分析基本理论与基本知识的理解，学会收集或调查行业统计数据，切实掌握各种统计分析方法，并能灵活运用统计软件在计算机上实现，正确解释和分析运行结果，培养运用各

2、种统计分析方法解决交通运输领域内实际问题的能力。二、 课程设计（论文）题目与内容本课程设计（论文）主要任务为：针对交通运输领域内某一主题，设计调查表调查或查询相关统计数据，根据本课程讲授内容选择一种或多种合适的统计分析方法，运用SPSS建立模型分析问题。题目自拟，但题名一般要包含主题与统计方法。且必须与交通运输相关，选题主题主要包括：1. 运输市场定位研究2. 运输需求分析与预测3. 政策或技术方法实施效果评价4. 交通行为选择5. 影响因素分析6. 聚类分析7. 服务质量评价8. 自选三、 课程设计（论文）基本要求报告内容原则上不少于8000字，其正文至少包括如下几个方面的内容：1. 问题背

3、景（问题的提出、必要性与意义，该问题目前常用的分析手段与方法，本设计采用的方法）2. 数据采集（含数据采集方式、描述性分析、统计图表）说明：调查分析则必须包含调查方案，其它数据原则上必须说明出处。3. 统计模型与分析（包含模型原理、SPSS操作步骤、输出结果及分析）4. 总结5. 附录 数据清单四、 课程设计（论文）时间及进度安排1. 时间:两周：2011-2012学年第二学期第十九、二十周2. 进度安排：确定主题；调查、收集数据：2天数据分析与预处理、描述性统计分析：2天分析方法原理及选择：3天SPSS操作及结果分析：4天解决实际问题或建议：2天撰写报告、总结：1天（此部分同学们可以按照自己

4、设计具体内容，详细安排）3. 成果提交：要求独立完成，每人需提交1份打印的设计报告（A4）、word电子文档、数据文件（sav格式）。电子文档文件名为：学号后四位+姓名+题目，先发电子文档给指导老师，经许可后方可打印。最终成果（打印稿1份、电子文档1份）统一交班长汇总并转交指导老师；最终成果提交截止时间为第20周周五。五、 成绩评定平时考勤20%，报告撰写规范20%,内容(选题合理、方案可行、分析正确、有创新)60%。成绩评定实行优秀、良好、中等、及格和不及格五个等级。优秀者人数一般不得超过总人数的20%。六、 报告格式课程设计报告装订顺序依次为：封面、课程设计(学年论文)任务书、目录、正文、

5、参考文献、成绩评定表。报告中所有图表应按“章号-图表序号-图表名”（例：图1-1-*频数图）进行编号。具体格式参看实验报告样本。七、 主要参考资料1.罗应婷等主编.SPSS统计分析从基础到实践.北京：电子工业出版社，2007年6月；2.章文波 陈红艳编著.实用数据统计分析及SPSS12.0应用.人民出版社，2006年；3.张文彤.SPSS.11.0统计分析教程.(高级篇).北京希望电子出版社.2002年6月；4.郝黎仁等.SPSS实用统计分析.中国水利水电出版社.2003年1月。目 录1概述11.1研究背景11.2常用分析方法21.3本设计采用的分析方法32数据采集42.1数据来源42.2数据

6、处理42.3现状分析73统计模型与分析93.1 一元线性回归预测93.2 多元线性回归预测143.3 时间序列法：163.4 曲线拟合184总结224.1 本设计的主要工作224.2 存在的不足224.3 下阶段研究需解决的问题234.4 个人感悟23附录 数据清单241 概述1.1 研究背景随着社会经济的发展，人民生活水平日渐提高，公路基础设施建设取得了跨越式发展，公路客运日益增加。对于经济相当发达的上海市，公路交通是其居民出行的重要交通方式。改革开放以来，特别是进入“八五”以来，随着我国公路状况的不断改善，公路客运以其快速、灵活、方便的优势快速发展。据统计，“八五”期间全国客运量比“七五”

7、增长518%，年均递增98%，同期公路客运年均递增率达111%。自1991年以来，在全国新增旅客运量中，公路客运量占99%。公路客运除在运量上大大高于铁路等其他运输方式外，自1995年起，其旅客周转量占全国旅客周转量的比重也已超过50%。 导致公路客运量持续增长的主要原因：一是公路对铁路继续保持在中、短途客运上的分流优势；二是公路客运因高速公路和其他高等级公路的发展而在中、长途客运上逐步获得了市场竞争优势；三是场站及车辆等服务设施和装备水平不断提高；四是公路客运的整体服务质量与水平在逐步改善，使公路客运对旅客的吸引力在提高。研究公路交通客运的需求有重大意义。一个高效运行的客运系统有利于交通的通

8、畅，方便人们出行，减少环境污染。分析公路客运量的发展变化规律，研究公路客运量的预测技术，并应用于公路客运管理工作中，对提高公路交通的管理水平和公路营运效率具有非常重要的实际意义，从而促进公路交通事业的持续发展，缓解交通压力。预测未来若干年后上海市公路客运量及其发展趋势,可以为投资、规划、优化配置资源及其相关问题的科学决策提供可靠依据,同时提高公路客运的经济效益和社会效益，也对公路管理水平和建立高效公路客运交通系统具有重要作用。在预先掌握公路线路客运量发展变化的情况下，公路客运企业才能科学的制定调度计划，合理地调配人、车资源。从而改变以往车辆管理调度中缺乏实用的分析预测手段，大多依靠经验和直觉来

9、判断客运量变化的传统方式。因此，上海市公路客运量预测为上海市的公共交通规划提供有力的支持。1.2 常用分析方法研究公路客运量需求预测这类问题涉及到统计学、运筹学、交通经济学等学科，常用的预测方法有回归分析法、灰色模型、组合预测法。12.1回归分析法：回归分析法是指根据预测的相关性原则，找出影响预测目标的各因素，并用数学方法找出这些因素与预测目标之间的函数关系的近似表达，再利用样本数据对其模型估计参数及对模型进行误差检验，一旦模型确定，就可利用模型，根据因素的变化值进行预测。回归分析预测法的步骤：a.根据预测目标，确定自变量和因变量;b.建立回归预测模型;c.进行相关分析;d.检验回归预测模型，

10、计算预测误差;c.计算并确定预测值。1.2.2灰色模型预测：灰色预测模型是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法。灰色系统的特点：a.用灰色数学处理不确定量，使之量化;b.充分利用已知信息寻求系统的运动规律;c.灰色系统理论能处理贫信息系统.1.2.3组合预测：组合预测方法是对同一个问题，采用两种以上不同预测方法的预测。它既可是几种定量方法的组合，也可是几种定性的方法的组合，但实践中更多的则是利用定性方法与定量方法的组合。组合的主要目的是综合利用各种方法所提供的信息，尽可能地提高预测精度。1.2.4时间序列法：时间序列回归模型，是考虑事物发展的变化规律，以时间为自变量建

11、立的一种相关模型，它既考虑了事物发展的延续性，又充分考虑到事物的发展受偶然因素的作用而产生的随机变化。1.2.5多元回归方法：多元回归分析预测法是通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。它是研究一个随机变量与两个或两个以上一般变量之间相依关系的统计分析方法。1.3 本设计采用的分析方法本课程设计将采用一元线性回归预测法、多元回归预测方法，时间序列法，S曲线分析进行分析与预测。2 数据采集2.1 数据来源本设计所需的数据，（总人口、生产总值、旅客周转率等经济指标的）来源是2011年中国统计年鉴（表2-1：上海市2006-2010年统计年鉴年度公路客运量（万

12、人）总人口（万人）生产总值(亿元）旅客周转量（亿人公里）20062784181510572.2486.820072872185812494.0194.020082934188814069.8694.120092995192115046.4599.620103634230217165.98115.42.2 数据处理本课程设计选取上海市总人口数量、生产总值、旅客周转量作为主要指标。a.总人口数量。针对此模型中被解释变量为公路客运量，其主要消费者为上海市民，总人口数量是一个重要的影响因素。b.生产总值。交通运输的发展离不开国家宏观经济的密切影响，因此选取地区生产总值（GDP）作为解释变量之一，分析其

13、对公路客运量的影响。c.旅客周转量。反映交通部门一定时期内旅客运输工作量的指标。指旅客人数与运送距离的乘积，旅客周转量是制订运输计划和考核运输任务完成情况的主要依据之一。因此旅客周转量也是一个重要的影响因素。2.2.1数据描述性分析处理过程：打开spss软件，在菜单栏中找到“分析描述统计频率”，单击出现一个对话框，在对话框中输入变量和数据，点击确定，即可得到最终数据。表21：各指标描述性统计表描述统计量N极小值极大值均值标准差公路客运量(万人）5278436343043.80339.037总人口（万人）5181523021956.80196.880生产总值（亿元）510572.2417165.

14、9813869.70802502.80002旅客周转量（亿人公里）586.8115.497.98010.7467有效的 N （列表状态）5图21：公路客运量与总人口茎叶图图22：公路客运量与生产总值茎叶图图23：公路客运量与旅客周转量茎叶图表23：各指标相互相关性相关性公路客运量(万人）总人口（万人）生产总值（亿元）旅客周转量（亿人公里）公路客运量(万人）Pearson 相关性1.999*.872.975*显著性（双侧）.000.054.005N5555总人口（万人）Pearson 相关性.999*1.855.969*显著性（双侧）.000.065.007N5555生产总值（亿元）Pearso

15、n 相关性.872.8551.938*显著性（双侧）.054.065.018N5555旅客周转量（亿人公里）Pearson 相关性.975*.969*.938*1显著性（双侧）.005.007.018N5555*. 在 .01 水平（双侧）上显著相关。*. 在 0.05 水平（双侧）上显著相关。2.3 现状分析经过对以上图表的数据分析可以得出：根据公路客运量与其他各指标的茎叶图，可以看出公路客运量的数量随着各指标的增长而增长，呈正相关关系。根据各指标相互相关性表，可以看出公路客运量与总人口、旅客周转量的pearson相关性较强；总人口与公路客运量、旅客周转量的pearson相关性较强；生产总值

16、与旅客周转量的pearson相关性较强；旅客周转量与总人口、公路客运量和生产总值的pearson相关性较强。根据各指标相互相关性表，可以看出公路客运量与总人口、旅客周转量显著相关；总人口与公路客运量显著相关；生产总值与各指标不显著相关；旅客周转量与共路客运量显著相关。3统计模型与分析3.1一元线性回归预测3.1.1一元线性回归预测原理一元线性回归预测法是分析一个因变量与一个自变量之间的线性关系的预测方法。设y为因变量，为自变量，并且自变量与因变量之间为线性关系时，则一元线性回归预测的基本思想：确定直线的方法是最小二乘法。最小二乘法的基本思想：最有代表性的直线应该是直线到各点的距离最近。然后用这

17、条直线进行预测。3.1.2操作步骤及结果分析影响上海市公路客运量的3个因素：总人口，生产总值，旅客周转量。以年度为自变量，各因素为因变量建立模型预测结果如下。（1）以年度为自变量，总人口为因变量建立预测模型ASPSS操作步骤如下：按分析回归线性，打开对话框；将自变量输入年度，因变量输入总人口，单击确定。如图所示。图3-1-1 ：spss操作步骤截图B.输出结果：表3-1-1：总人口为因变量时的输出结果输入移去的变量a模型输入的变量移去的变量方法1年度b.输入a. 因变量: 总人口（万人）b. 已输入所有请求的变量。模型汇总模型RR 方调整 R 方标准 估计的误差更改统计量R 方更改F 更改df

18、1df2Sig. F 更改1.833a.694.591125.844.6946.79013.080a. 预测变量: (常量), 年度。系数a模型非标准化系数标准系数tSig.B 的 95.0% 置信区间B标准 误差试用版下限上限1(常量)-206272.80079908.917-2.581.082-460578.63948033.039年度103.70039.795.8332.606.080-22.946230.346a. 因变量: 总人口（万人）C.结果分析：依据上述表格得到模型的拟合优度R2=0.694，说明拟合程度较好;得到回归方程：Y=-206272.800+103.700X1.(Y：

19、总人口，X1：年度)表3-1-1：20112015年上海总人口的预测结果（单位：万人）年份20112012201320142015预测量2267.92371.62475.325792682.7（2）以年度为自变量，生产总值为因变量建立预测模型ASPSS操作步骤: 如上所述（略）B. 输出结果：表3-1-2 ：生产总值为因变量时的输出结果输入移去的变量a模型输入的变量移去的变量方法1年度b.输入a. 因变量: 生产总值（亿元）b. 已输入所有请求的变量。模型汇总模型RR 方调整 R 方标准 估计的误差更改统计量R 方更改F 更改df1df2Sig. F 更改1.994a.989.985306.3

20、3516.989264.00513.001a. 预测变量: (常量), 年度。Anovaa模型平方和df均方FSig.1回归24774508.161124774508.161264.005.001b残差281523.693393841.231总计25056031.8544a. 因变量: 生产总值（亿元）b. 预测变量: (常量), 年度。系数a模型非标准化系数标准系数tSig.B 的 95.0% 置信区间B标准 误差试用版下限上限1(常量)-3146706.228194518.389-16.177557-2527661.899年度1573.99296.872.9941

21、6.248.0011265.7031882.281a. 因变量: 生产总值（亿元）C.结果分析：依据上述表格得到模型的拟合优度R2=0.989，所以拟合程度很好；得到回归方程：Y=-3146706.228+1573.992X1。 （Y:生产总值，X1：年度） 表3-1-3上海2011-2015年生产总值预测结果（单位：亿元）年份20112012201320142015预测量18591.6820165.6821739.6723313.6624887.65（3）以年度为自变量，旅客周转量为因变量建立预测模型ASPSS操作步骤: 如上所述（略）B. 输出结果：表3-1-4：旅客周转量为因变量时的输出

22、结果输入移去的变量a模型输入的变量移去的变量方法1年度b.输入a. 因变量: 旅客周转量（亿人公里）b. 已输入所有请求的变量。模型汇总模型RR 方调整 R 方标准 估计的误差更改统计量R 方更改F 更改df1df2Sig. F 更改1.924a.854.8054.7464.85417.50613.025a. 预测变量: (常量), 年度。Anovaa模型平方和df均方FSig.1回归394.3841394.38417.506.025b残差67.584322.528总计461.9684a. 因变量: 旅客周转量（亿人公里）b. 预测变量: (常量), 年度。系数a模型非标准化系数标准系数tSi

23、g.B 的 95.0% 置信区间B标准 误差试用版下限上限1(常量)-12512.2603013.874-4.152.025-22103.753-2920.767年度6.2801.501.9244.184.0251.50311.057a. 因变量: 旅客周转量（亿人公里）C.结果分析：依据上述表格得到模型的拟合优度R2=0.854，所以拟合程度很好；得到回归方程 Y=-12512.260+6.280X1。（Y:旅客周转量，X1：年度）表3-1-5：上海2011-2015年旅客周转量预测结果（单位：亿人公里）年份20112012201320142015预测量116.82123.1129.3813

24、5.66141.943.2多元线性回归预测3.2.1多元线性回归预测原理多元回归分析是研究多个变量之间关系的回归分析方法, 按因变量和自变量的数量对应关系可划分为一个因变量对多个自变量的回归分析(简称为“一对多”回归分析)及多个因变量对多个自变量的回归分析(简称为“多对多”回归分析), 按回归模型类型可划分为线性回归分析和非线性回归分析。利用二元线性回归方程，以旅客周转量，GDP,总人口为自变量，公路客运量为因变量，建立模型预测分析，结果如下：3.2.2 SPSS操作步骤：按分析回归线性，打开对话框；将自变量输入总人口、生产总值、旅客周转量，因变量输入公路客运量，单击确定。如图所示。图3-2-

25、1：spss操作步骤截图3.2.3输出结果分析表3-2-1：多元线性回归输出结果输入移去的变量a模型输入的变量移去的变量方法1旅客周转量（亿人公里）, 生产总值（亿元）, 总人口（万人）b.输入a. 因变量: 公路客运量(万人）b. 已输入所有请求的变量。模型汇总模型RR 方调整 R 方标准 估计的误差更改统计量R 方更改F 更改df1df2Sig. F 更改11.000a1.0001.0001.3081.00089625.76931.002a. 预测变量: (常量), 旅客周转量（亿人公里）, 生产总值（亿元）, 总人口（万人）。Anovaa模型平方和df均方FSig.1回归459783.0

26、903153261.03089625.769.002b残差1.71011.710总计459784.8004a. 因变量: 公路客运量(万人）b. 预测变量: (常量), 旅客周转量（亿人公里）, 生产总值（亿元）, 总人口（万人）。系数a模型非标准化系数标准系数tSig.B 的 95.0% 置信区间B标准 误差试用版下限上限1(常量)-260.5598.281-31.466.020-365.774-155.344总人口（万人）1.625.017.94494.443.0071.4061.844生产总值（亿元）.009.001.0638.858.072-.004.021旅客周转量（亿人公里）.06

27、6.471.002.140.912-5.9136.044a. 因变量: 公路客运量(万人）可得回归方程Y=1.625X1+0.009X2+0.066X3-260.559。（Y：公路客运量，X1：总人口，X2：生产总值，X3：旅客周转量。）将2011-2015年上海总人口，生产总值，旅客周转量预测值代入方程得到2011-2015年上海公路客运量结果如下：表3-2-2：2011-2015年上海公路客运量（单位：万人）年份20112012201320142015预测量3599.8143782.90739664149.0934332.1853.3时间序列法：3.3.1时间序列原理时间序列是指将某种现象

28、某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。3.3.2 SPSS操作步骤按分析回归线性，打开对话框；将自变量输入年度，因变量输入公路客运量，单击确定。如图所示。图3-3-1：spss操作步骤截图3.3.3输出结果分析表3-3-1：时间序列法输出结果输入移去的变量a模型输入的变量移去的变量方法1年度b.输入a. 因变量: 公路客运量(万人）b. 已输入所有请求的变量。模型汇总模型RR 方调整 R 方标准 估计的误差更改统计量R 方更改F 更改df1df2Sig. F 更改1.85

29、0a.723.630206.116.7237.82313.068a. 预测变量: (常量), 年度。Anovaa模型平方和df均方FSig.1回归332332.9001332332.9007.823.068b残差127451.900342483.967总计459784.8004a. 因变量: 公路客运量(万人）b. 预测变量: (常量), 年度。系数a模型非标准化系数标准系数tSig.B 的 95.0% 置信区间B标准 误差试用版下限上限1(常量)-363014.600130880.922-2.774.069-779536.10753506.907年度182.30065.180.8502.79

30、7.068-25.131389.731a. 因变量: 公路客运量(万人）可得回归方程：Y=-363014.600+182.300X1。（Y：公路客运量，X1：年度）表3-3-2：2011-2015年上海公路客运量预测结果（单位：万人）年份20112012201320142015预测量3590.737733955.34137.64319.93.4曲线拟合3.4.1曲线拟合原理曲线拟合（curve fitting）是指在因变量与自变量与一个已知或未知的的曲线或者非线性函数关系相联系的情况下，在很多情况下有两个相关的变量，用户希望用其中一个变量对另一个变量进行预测，但是又不能马上根据记录数据确定一种

31、最佳模型，此时可以用曲线估计在众多回归模型中建立一个既简单又比较适合的模型.3.4.2 SPSS操作步骤按分析回归曲线估计，打开对话框；将因变量输入公路客运量，变量输入总人口，单击确定。如图所示。图3-4-1：spss操作步骤截图3.4.3输出结果分析表3-4-1:曲线拟合输出结果模型描述模型名称MOD_1因变量1公路客运量(万人）方程1线性2二次3幂a4Sa自变量总人口（万人）常数包含其值在图中标记为观测值的变量未指定用于在方程中输入项的容差.0001a. 该模型要求所有非缺失值为正数。个案处理摘要N个案总数5已排除的个案a0已预测的个案0新创建的个案0a. 从分析中排除任何变量中带有缺失值

32、的个案。变量处理摘要变量因变量自变量公路客运量(万人）总人口（万人）正值数55零的个数00负值数00缺失值数用户自定义缺失00系统缺失00模型汇总和参数估计值因变量: 公路客运量(万人）方程模型汇总参数估计值R 方Fdf1df2Sig.常数b1b2线性.9992729.08813.000-324.0581.721二次1.00075302.74222.000-3181.5254.503-.001幂.9981949.79213.000.7101.103S1.00011308.38513.0009.186-2271.547自变量为 总人口（万人）。图3-4-2：各方程拟合曲线图根据以上图表，可以看出线性方