铁路货运量的预测方法

铁路货运量的预测方法铁路货运量预测技术一般可以分为三大类，定性分析预测技术、定量分析预测技术以及两者相结合的综合预测技术。定性预测分析技术，通常指那些凭经验判断的预测，一般是在缺少进行定量分析所必需的资料的情况下采用，侧重于研究推断预测对象未来发展的大体趋势和性质，其预测的精确度，主要取决于参与人员的专业知识和经验。定量分析预测技术，是指以已经掌握的历史数据作为基础，建立适当的经济数学模型，对未来的运量做出测算的技术。其特点是有明显的数量概念，侧重于研究测算对象的发展程度（包括数量、时间、相关因素的比值等）。定量预测和定性预测，各有其长处和局限性，实际应用中往往需要把定量预测和定性预测方法相结合，即在定性分析的基础上进行定量预测，而定性预测也采用一定的定量预测分析方法，以提高预测结果的准确性。因此，综合预测技术是货运量预测经常采用的方法。1货运量的定性预测定性预测方法主要以专家为索取信息的对象，组织各方面专家运用专业方面的经验和知识，通过对过去和现在发生的问题进行综合分析，从中找出规律，对未来作出判断。主要为专家预测法，该预测方法在缺乏足够的统计数据和原始资料的情况下，凭借专家的经验和判断能力，用系统的、逻辑的思维方法作出定量估价，从而预测未来。该方法需要的数据少，能考虑无法定量的因素，比较简单易行。花费的时间少，是应用历史较久的一种方法，至今在各类预测方法中仍占重要地位。但这种方法在很大程度上取决于专家的实践经验和专业水平，存在片面性、准确度不太高的缺点。只能作为货运量预测的一种辅助方法。专家个人判断预测方法（个人头脑风暴法）专家个人判断预测方法就是以“专家”的“微观智能结构”通过创造性思维来获取未来信息。即依靠专家对预测对象未来的发展趋势及状况所做的个人判断进行预测。这是一种由来已久的预测方法，并在有关领域专家个人的实际工作中自发进行。优点是可以最大限度地利用个人的创造能力，不受外界环境的影响，没有心理压力，并且组织工作简单，预测成本低。缺点是预测的准确度取决于专家的个人知识和经验的广度和深度，专家个人所占资料的多少，以及对预测对象兴趣大小等，因此，预测难免有片面性。这里“智能结构”包括人的智力和所拥有的知识、经验和资料信息。头脑风暴法(2)头脑风暴法又称智暴法，是由奥斯邦(A.F.Osborn)于1957年提出的头脑风暴法是以一组专家集体的“宏观智能结构”(通过专家“微观智能结构”之间的信息交流，互相启发，引起“思维共振”，相互补充，产生组合效应，形成宏观智能结构)，通过创造性逻辑思维来获取所要预测事件的未来信息，也可以分析清楚一些问题和影响，特别是一些交叉事件的相互影响。其优点是：能最大限度地发挥若干专家组成的团体的智能结构效应，且不受外界影响，没有心理压力，此效应往往大于这个团体中每个成员单独创造的总合；通过信息交流，进而激发创造性思维，并在短期内取得成果；与“个人判断”相比，专家会议的信息量大于个人占有的信息量：考虑的因素比个人考虑的多；提供的方案比个人提供的要具体全面。缺点是：有限的会议专家，代表不够广泛；易受个人自尊心的影响，不轻易改变自己已经发表过的意见，易受劝说性的影响，易屈服于权威或大多数人的意见，多数压服少数，忽略少数人的意见。头脑风暴可分为创业头脑风暴和质疑头脑风暴两种方法。创业头脑风暴就是组织专家对所要解决的问题，开会讨论，各持己见地、自由地发表意见，集思广益，提出所要解决问题的具体方案。质疑头脑风暴就是对已制定的某种计划方案，召开专家提出质疑，去掉不合理的部分，补充不完善的部分，使计划方案趋于完善。德尔菲法德尔菲是美国“兰德”公司于1964年首先用于技术预测的。德尔菲法实质上是函询调查法，是专家会议预测法的一种发展。它以匿名方式将所需预测的问题和必要的背景材料通过函询方式征求专家们的意见。预测组织者将收到的答复，经过综合、归纳和整理再反馈给函询专家，这样的反复几次，直到得到较为满意预测目标结果为止。需要预测的问题经过几次反复征询，通过专家们反复分析判断，提出新的论征，专家们的意见日趋一致，结论的可靠性越来越大。德尔菲法是“系统分析”方法在意见和价值判断领域内的一种有益延伸。它突破了传统的数量分析限制，为更合理地决策开阔了思路。由于对未来发展中的各种可能出现和期待出现的前景作出概率估价，因而为决策者提供了多方案选择的可能性。对其他方法来说，一般难以获得这样重要的用概率表示的明确答案。2货运量的定量预测定量预测方法是在充分占有大量准确、系统完备的数据资料基础上，根据货运需求的规律和自身特点结合实际经验和客观条件，选择或建立定量化的数学模型，通过分析和计算，推断货运量的发展变化趋势的一种预测方法。2.1时间序列平滑预测模型时间序列平滑预测法主要研究事物的自身发展规律，借以预测事物的未来发展趋势。预测所依据的基本假定是：经济变量过去的发展变化规律，在未发生质变的情况下，可以被延伸到未来时期。在预测期与观测期的经济环境基本相同时，这一假定可以被接受。（一）移动平滑法移动平滑法是以假定预测值与预测期相邻的若干观察期限数据拥有密切关系为基础的一种方法。是根据时间序列资料逐项推移，依次计算包含一定项数的时序平均数，以反映长期趋势的方法。当时间序列的数值由于受周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平滑法，消除这些因素的影响，分析预测序列的长期趋势。1.加权移动平滑法此方法克服了简单移动平滑法中的不足之处一每期数据在平均中的作用是等同的。实际上，每期数据包含的信息量并不一样，近期数据通常有更多未来信息。我们可以考虑各期数据的重要性，对近期数据给予更大的权重，然后求运量数与对应权数之积，再求平均值，以加权平均值作为预测期的预测值。该方法较之简单移动平均值法灵活，更能反映实际情况和发展趋势。但权数到底取多大，则需要按照预测者对序列的了解和分析来确定。2.趋势移动平均法在时间序列没有明显趋势变动时，能够较准确地反映实际情况。但当时间序列出现直线增加或减少变动趋势时，用加权移动平滑法来预测就会出现滞后偏差。趋势移动平均法就是通过做两次移动平滑，利用移动平滑滞后偏差的规律来建立直线趋势的预测模型。也叫双重移动平滑法或二次移动平滑法。（二）指数平滑法指数平滑法即指数滑动平均法，也称指数加权移动平滑法。其运用整个时间数列的全部资料，通过指数进行加权平均，对未来趋势进行预测。这种方法的优点是克服了移动平均法需要数据存储大的缺点，保持了移动平均法的优点，它只需要最近一期的运量预测数实际运量可预测下一期的数值。因此在实际工作中得到了广泛应用。指数平滑法通过使预测与以前的历史资料全面地联系，不仅消除了受期数限制的缺陷，而且各期权数由近至远表现为权数值依次减小，这样，越接近近期的资料对预测值影响越大，反之，影响越小。指数平滑法预测趋势线比实际变动线平滑。这是因为指数是大于零的小数，用它作权数所计算的预测值其波动范围必然小于实际波动范围。用指数平滑法所求得的预测值中，消除了实际数中的某些偶然因素，能比较明确的反映长期发展趋势，这也是符合客观经济变化规律的。指数平滑法和移动平滑法不同的是，指数平滑使用以前全部的数据来决定某一特别时间序列的平滑值。指数平滑法是加权移动平均法的进一步完善和发展，是根据实际值，与预测值分别以不同权数计算加权平均数作为下期的预测值。指数平滑法可以分为一次指数平滑法、二次指数平滑法和多次指数平滑法。2.2ARMA模型自回归移动平均模型口ARMA模型□也称博克斯一詹金斯口BoxJenkins□法□简写作B-J方法。自回归移动平均模型通过从数据自身当中提取各种因素来解释序列的变化规律。这种方法一方面认为序列可以由其自身的某些滞后序列进行解释，这样形成AR模型；另一方面认为时间序列是由若干白噪声序列的某种组合，这样形成MA模型，而将两种模型进行有机地结合形成ARMA模型。对于平稳可逆的模型来说，它事实上是无限阶的AR模型或MA模型的等价形式，因此有效的ARMA模型可以弥补单纯应用AR模型或MA模型导致参数过多的问题，从理论上来讲，能够较大地提高估计的精度并且节省计算量。这是一种典型的随机型时间序列分析方法，常用于对随机性波动较频繁序列的短期预测。自回归移动平均模型适用于平稳序列的分析，对于非平稳的序列，可以通过差分或季节差分以及各种变换进行平稳化处理后再采用，这样处理过的模型被称为ARIMA模型。运用ARMA模型的前提条件是建立平稳时间序列，如果时间序列不具备平稳性，则需要差分处理，然后再建立ARMA模型，一般称差分后再建立的模型为自回归移动积分模型，简称ARIMA。ARIMA模型包含了B-J模型的各种模式，自回归、移动平均及回归移动平均模型都可以作为ARIMA的特例。由于自回归模型不存在其他自变量，不受模型变量“相互独立”假定条件的约束。因此，用AR模型及其原理可以构成多种模型以消除或改进普通回归预测中由于自身变量选择、多重共线性、序列相关等原因所造成的困难。此外，在AR模型中，各种因素对预测目标的影响是通过它们在时间序列过程中综合体现被考虑的，是将序列历史观察值作为诸因素影响与作用的结果用于建立其本身的历史序列线性回归模型。（二）平稳性检验方法1.自相关图法如果序列的自相关系数很快地（滞后阶数k大于2或3时）趋于0,即落入随机区间，时间序列是平稳的，反之时间序列是非平稳•若有更多的自相关系数落在随机区间以外，即与零有显著不同，时间序列就是不平稳的。2.单位根检验法时间序列的平稳性还可以通过单位根检验来判断，单位根检验目两种方法是DF和ADF。DF检验法是Dickey和Fuller在70年代和80年代的一系列文章中建立的。（三）模型识别模型识别是根据时间序列的样本自相关、偏相关函数的特点，选择模型的类型，并初步判定时间序列所适合的模型阶数。ft3-1时间序列摸塑性庾抚眄樓型类別血(p)AitMA(p,q)離型方程祕町叮耳*（片）耳■茴（加乎穗条件讥0）=0的根全在单札圆外无*件平是的tS全在单柱01外可逆衆件无豪禅可逆0（H）"的根全在单悅圉上的根全裡单盘凰外F严昇卩）瓦逆转砸或自相关西数16尾帕相黄函数拖尾抵尾模型参数估计，就是模型确定后估计求解模型参数的过程，由于模型的结构不同、统计特性不同和预测精度的要求不同，参数的估计有不同方法。常用的有矩估计、非线性最小二乘估计及广义最小二乘方法。矩估计是用相关函数求得各参数得估计值，并不要求估计值满足某种最优化约束条件，故有时称为粗估计。非线性最小二乘法计算复杂，有时估计往往需要选用多个初值反复进行尝试，经常被广义地最小二乘法替代，本论文是利用EVIEWS软件求解参数估计。（四）模型检验模型检验的目的是检验模型是否很好到反映时间序列演变的真实情况，必要时对建好的模型惊醒修正。通常模型检验的内容包括平稳性检验、残差分析检验及过拟合检验3个方面。2.3灰色预测模型1982年，邓聚龙教授首先提出了灰色系统预测的概念。灰色系统是指部分信息已知，部分信息未知的系统；灰色系统预测理论的基本思路是将已知的数据序列按照某种规则构成动态的或非动态的白色模块，再按某种变换或解法来求解未来的灰色模型，在灰色模块中再按照某种准则，逐步提高白度，从而确定系统在未来发展变化的趋势，为事物的规划决策、系统的控制与状态的评估提供依据。GM（1,1）模型为一阶线性微分方程，前面的T”表示阶数；后面的T”代表变量数，在此表示时间变量。阶数越大，内涵也就越丰富，但计算复杂，微分方程求解也比较困难，更重要的是精度并不一定提高。取GM（1，1）模型时，计算相对简单，编程求解也较容易。为保证模型的精度与可信度，需对模型的精度进行检验。如模型不能达到精度要求，则需对模型进行校正。常用的模型检验方法有残差检验，关联度检验，后验差检验。马尔柯夫预测模型马尔可夫（也称马氏）预测方法是建立在系统“状态”和“状态转移”的概念上，它是一种动态的随机数学模型，即马氏链的概念基础上。这种方法将被预测的目标划分为某种状态，和某个状态的关系就是系统处于这种状态或将要达到某个状态的概率数字。马氏预测的原理就是根据各状态原来的状态数字，用马氏链的理论得到系统未来将可能达到某些状态的概率。因此经济数据背景分析就是经济系统个状态的转移概率和正确的转移概率，这是马氏预测的关键。回归预测模型回归预测是基于事物之间这种相关关系的一种数理统计预测方法。对这种相关关系定量描述的数学模型为回归模型。根据因变量和自变量之间的函数形式的不同，回归模型可以分为线性回归模型与非线性回归模型两种。根据自变量的多少，线性回归又可以分为一元线性回归和多元线性回归。回归预测的基本思路：①分析一组统计数据，确定几个特定的变量之间的数学关系式的形式。②对变量关系式中的参数进行估计和统计检验，分析影响因素与预测目标之间关系强弱和影响程度，确定各个变量哪些是主要因素哪些是次要因素以及它们的关系。③根据所得到的回归方程和自变量的值预测因变量未来的值，并且分析和研究预测结果的误差范围和精度。回归预测法在铁路货运量预测中应用较为普遍，它是从事物变化的相关关系出发进行预测的一种方法，其可靠性高，实用价值大。组合预测模型组合预测理论认为：对同一预测问题而言，多个不同预测模型的某种组合，在一定条件下能够有效的改善模型的拟合能力和提高预测精度。组合预测是将几种预测方法所得的预测结果，选取适当的权重进行组合的一种预测方法。组合预测相对于单项预测具有更高的预测性能和出现极端预测误差的更小风险。对于传统的做法，组合预测更强调来源于不同信息的各种预测（包括时间序列模型、回归预测、灰色模型等），而非构造复杂的单项预测。此外，组合预测的思想与传统精神并非完全不相容。组合权重可以解释为模型符合真实的可能性，增加参与组合的预测数目也可