【基于ARIMA模型的水路货运量预测实证探究4300字（论文）】

基于ARIMA模型的水路货运量预测实证研究目录TOC\o"1-2"\h\u243基于ARIMA模型的水路货运量预测实证研究 页一、引言随着我国西部大开发战略不断推进，川渝地区经济不断发展，交通运输业发生了翻天覆地的变化：公路水路基础设施建设突飞猛进，交通“瓶颈”制约明显缓解，水运建设项目快速推进，港口码头吞吐能力大幅提高，长江黄金水道优势逐步发挥；运输市场日益繁荣，群众出行更加方便，保障了社会经济的发展需要；固定资产投资增长迅猛；综合交通体系日趋完善，综合运输体系框架已具雏形。川渝成为了我国西部交通的核心枢纽，且正将其打造为西部的物流中心。要想实现此目标，必须对水路交通进行建设和完善，而水路货运量预测则是基础性的工作。为了增强预测的准确性，本文采用了时间序列分析法中的ARMA方法建模，取得了较好的拟合效果，并根据模型预测了未来几年川渝地区水路货运量发展的趋势。二、文献综述刘月（2019）[1]等通过对比考虑滞后期与不考虑滞后期的模型，证明了将滞后性引入吞吐量预测的重要性；黄慧琼（2016）[2]采用模糊线性回归算法对交通流量进行预测，但这一方法不适合预测波动大的数据；汪志红（2022）[3]等将改进的移动平均自回归模型（ARIMA）应用于月度铁路客运量的预测，分析了季节因素与节假日对铁路客运量的影响；贾学锋（2010）[4]利用灰色预测模型进行公路货运量的预测研究，取得了较好的预测效果，实现了小样本数据的货运量预测；原云霄[5]（2017）等基于ARIMA模型实现了对公路物流指数的预测过程，并得到了比较好的拟合效果；Kumar（1999）[6]等将具有周期性的交通流实时数据处理拟合成参数模型，用季节ARIMA模型对短期交通流进行预测，但拟合程度较差，不适合短时交通流预测；严雪晴（2020）[7]，崔乃丹（2017）[8]，刘夏（2017）[9]等用灰色预测模型对货运量、交通流量进行预测；江天河（2017）[10]，邵梦汝（2016）[11]等将神经网络模型应用于客流量及货运量的预测；赖一飞（2000）[12]等人研究了灰色预测模型预测水运货运量，证实了该方法有一定的可行性；臧文亚（2012）[13]等人运用灰色马尔科夫模型对重庆市水运货运量进行预测，验证了该模型的简单可实用。但是水运货运量的预测方法较多，其预测结果也有差异；赵朝文，罗璟，邱晨（2019）[14]运用SPSS统计软件，采用ARIMA模型对我国2010年1月-2017年7月水运货运量数据进行分析，ARIMA模型定为ARIMA(1,1,1)(2,1,0)12,，通过对训练样本进行训练，R方达0.953，拟合效果较好。国内外学者对交通运输流量进行了很多研究工作，形成了相对成熟的预测理论体系。但对于川渝地区水路货运量的ARIMA模型预测相关研究并不丰富。三、基于ARIMA模型的川渝水路货运量预测实证（一）ARIMA模型介绍ARIMA模型通常用于对用户所提供的数据序列进行预测。可以解决数据序列在随机过程中特征随着时间变化而非固定的问题。ARIMA模型的预测如果从一个非平稳的数据序列开始，第一步要做的就是进行数据序列的差分，直到得到一个平稳的数据序列。ARIMA模型的思想就是从历史的数据中分析得到随时间变化的规律，然后用这个规律去预测未来。AR描述的是数据序列中现在的数据与之前的数据之间的关系，一般用之前的数据序列去预测现在的数据。MA关注的是自回归模型中的误差项的累加。AR与MA结合就得到ARMA(p，q)模型。ARIMA模型与ARMA模型的区别在于差分次数d，差分过程是用来将不平稳数据序列变为平稳数据序列的，而且差分次数不宜过多。目前ARIMA模型已经运用到了日常生活中各个方面的预测当中。比较常见的是对人口数据的预测，比如对总人口的预测、出生率死亡率的预测或者老龄化的预测。还有对于疫情爆发的预测、对于天气的预测、对风速的预测、对交通区间的预测，以及对于另外一些领域的预测。本课题主要用来预测川渝地区水路货运量。（二）正常数据预测1.数据平稳性检验近年来川渝地区经济快速增长，水路货运量整体也呈现增长趋势。同时受季节性以及川渝地区运河雨水的影响，其变化趋势具有一定的周期性，如图3-1所示，2010-2019年川渝地区水路呈线性趋势，并伴随周期为12月的季节波动。利用SPSS软件得到120个货运数据样本的自相关函数（ACF）和偏相关函数，如图2所示，自相关和偏相关图像都是拖尾的，并未衰减到0，因此数据序列是非平稳的。图3-12010-2019年川渝地区水路货运量滞后编号滞后编号（a）自相关函数图（b）偏相关函数图图3-2原始数据的自相关、偏相关图2.数据预处理为消除原始序列的趋势信息，对数据样本做一阶差分。同时为了清除季节信息，对数据做周期为12月的一阶季节差分，序列图如图3-3所示。分别做完一阶差分和一阶季节差分后作出自相关、偏相关函数图，进一步验证差分运算后的序列平稳性，如图3-4所示。可以看出此时数据基本平稳。图3-3差分后的原始数据序列图滞后编号滞后编号（a）自相关函数图（b）偏相关函数图图3-4差分后的自相关、偏相关图通过观察图3-4选择拟合模型的参数为ARIMA（0，1，0）（0，1，1）S（12）模型。根据所选择的模型进行拟合，结果如表3-1所示。从表中可以看出，模型平稳的R方为0.895，说明模型能解释原来序列中89.5%的信息，Ljung-Box（杨-博克斯）统计量的值显著，说明ARIMA（0，1，0）（0，1，1）S（12）模型拟合该时间序列数据样本的效果比较理想。表3-1ARIMA季节差分模型拟合度模型预测变量数模型拟合度统计量Ljung-BoxQ（18）离群值数R方正态化BIC统计量DF显著性ARIMA（0,1,0）（0,1,1）S（12）00.89513.78226.954170.05903.模型预测建立ARIMA（0，1，0）（0，1，1）S（12）参数模型，应用SPSS软件对2020年1-10月水路货运量进行预测（表3-2）。将预测数值与实际数值进行比较可以看出，2020年1-5月疫情期间的预测值与实际值的残差较高，平均残差为4100.41。其中4月份的残差最高，达4980.31，5月的残差最低，为2790。观察数据发现，虽然1-5月的预测残差高，但总体的增减趋势与真实值大致相同，这是ARIMA模型能够捕捉时间序列季节特征的特性。随着疫情的逐步控制，2020年6月起水路货运量预测值的精度也随之升高，6-10月的平均残差为960.99，预测结果较接近。表3-22020年正常数据预测值月份实际值预测值残差绝对923980.9223157635804.034228.0333518939711.784522.7843272337703.314980.3153666039450279063790538503.54598.5473934439271.9272.0883839139456.731065.7393752839453.631925.63103993041072.951142.95（三）加入异常数据预测在原始川渝地区水路货运量数据基础上加入疫情发生后2020年1-2月的异常数据，再次使用SPSS软件进行ARIMA（0，1，0）（0，1，1）S（12）模型的预测实证，预测值为2020年3-10月，预测结果如图3-5。可以看到，加入疫情发生后的异常数据预测的3-5月预测残差较低，平均残差为833.75，较正常数据预测结果的平均残差下降79.65%。其中3月的残差绝对值低至125.44，5月的预测残差也较正常数据预测结果下降了1000.63。6月份起疫情控制，经济回暖，异常数据的预测精度逐渐下降，6-10月的预测残差平均绝对值为3889.83，是正常数据预测结果的4.05倍。表3-32020年加入异常数据后预测值月份实际值预测值残差绝对值33518935314.44125.4443272333309.44586.4453666034870.631789.3763790533802.774102.2373934434413.144930.8683839134685.153705.8593752834607.052920.95103993036140.723789.28图3-5最终预测值与实际值比较四、预测结果分析通过对比正常数据的预测残差和加入异常数据后的预测残差可以发现，正常数据的预测结果在1-5月残差较高，残差平均绝对值为4100.41，预测精度不理想；待疫情影响逐渐褪去、水路货运情况恢复正常的6-10月区间，预测精确度较高，残差平均绝对值为960.99，能够准确预测。加入2月份川渝地区水路货运量异常数据进行预测的结果在3-5月精确程度高，残差平均绝对值为833.75，说明该参数模型能够精准预测该区间的货运量；而水路工作逐步恢复正常的6-10月区间预测残差突升，从5月的1789.37升高至6月的4102.23，预测精度下降。取加入异常数据预测结果的3-5月份，结合正常数据预测结果的6-10月份，可以得到较为精确的2020年3-10月预测值（图3-5）。从图3-5可以看出，预测结果较好的验证了ARIMA模型在疫情发生后异常值与正常值的预测能力。五、结论类似新冠疫情的事件会从不同方面影响水路货运量，准确的进行月度货运量预测对水路部门的调度工作尤为重要。本文利用2010-2019年川渝地区的水路货运量历史数据与疫情发生后2020年2月的异常数据构建ARIMA模型，对2020年3-10月川渝地区的水路货运量进行预测。（1）结果表明，原始数据加入疫情发生当月的异常数据得到的预测值，与事件发生后、影响消退前的真实值较为接近，预测结果精确，验证了ARIMA模型在疫情影响下的预测能力。而正常数据的预测结果在疫情事件的影响逐渐消退后预测精度也逐步恢复，仍然有参考价值。（2）疫情发生后，川渝地区水路部门可以利用当月的异常数据结合历史正常数据进行较短的区间预测；待疫情控制、影响逐渐消退，川渝地区水路部门可以继续使用正常数据得到的预测结果，这为水路的运输组织方案及人员配备等提供了重要依据。参考文献[1]刘月,朱金福,陈娴.考虑滞后期的机场旅客吞吐量预测[J].华东交通大学学报,2019,36(6):6.[2]黄慧琼.基于模糊理论的城市道路短时交通流量预测研究[J].公路工程,2016,41(1):5.[3]汪志红.我国铁路客运量干预性季节因素影响[J].交通科技与经济,2022,24(3):6.[4]贾学锋.灰色预测模型在公路货运量预测中的应用[J].物流科技,2010(9):3.[5]原云霄,王宝海.基于ARIMA模型对我国公路物流运价指数的预测[J].数学的实践与认识,2017,47(23):6.[6]KumarK,JainVK.Autoregressiveintegrtedmovingaverages(ARIMA)modellingofatrafficnoisetimeseries[J].AppliedAcoustics,1999,58(3):p.283-294.[7]严雪晴.基于灰色预测模型的广东省货运总量预测研究[J].数学的实践与认识,2020,50(14):9.[8]崔乃丹,向万里,孟学雷,等.基于小波灰色GM(1,1)模型的货运量预测研究[J].铁道科学与工程学报,2017,14(11):7.[9]刘夏,李苑辉,陈磊,等.基于灰色预测模型的航线客流量预测[J].计算机系统应用,2017,26(7):6.[10]江天河.ARIMA模型与BP神经网络模型在铁路春运客流量预测中的应用——以广东省为例[J].科技经济市场,2017(7):3.[11]邵梦汝,程天