分享自:

基于SARIMA模型的铁路客流量预测方法

期刊:TransportDOI:10.3846/16484142.2016.1139623

本文档属于类型a,即单篇原创研究的学术报告。以下是详细报告内容:

作者及研究机构

本文的主要作者包括Miloš Milenković、Libor Švadlenka、Vlastimil Melichar、Nebojša Bojović和Zoran Avramović。他们分别来自塞尔维亚贝尔格莱德大学交通工程学院铁路、机车车辆和牵引管理系,以及捷克共和国帕尔杜比采大学Jan Perner交通学院运输管理、市场营销和物流系。该研究于2016年3月7日首次在线发表在期刊《Transport》上。

学术背景

研究的主要科学领域是交通运输预测,特别是铁路客运量的预测。预测未来运输需求是运输公司成功的重要因素,也为运输运营规划、市场营销和财务等功能领域提供了基础输入。本文的背景知识包括时间序列分析中的季节性自回归积分滑动平均模型(SARIMA, Seasonal Autoregressive Integrated Moving Average),以及其在交通流量预测中的应用。研究的目的是为塞尔维亚铁路公司(JSC ‘Serbian Railways’)开发一个有效的预测模型,以支持其营销和规划决策。

研究流程

研究流程包括以下几个主要步骤:

  1. 数据收集与预处理
    研究使用了塞尔维亚共和国统计局提供的2004年1月至2014年6月期间的月度铁路客运量数据,共126个月的数据。首先,研究人员对数据进行了对数变换以稳定方差,然后将其作为SARIMA分析的输入。

  2. 模型选择与拟合
    根据Box-Jenkins方法,研究人员通过分析自相关函数(ACF, Autocorrelation Function)和偏自相关函数(PACF, Partial Autocorrelation Function)来确定SARIMA模型的结构。研究选择了SARIMA(0,1,0)×(0,1,1)12作为最优模型,并使用归一化的贝叶斯信息准则(BIC, Bayesian Information Criterion)和平均绝对百分比误差(MAPE, Mean Absolute Percentage Error)进行评估。

  3. 模型验证
    研究人员将前114个月的数据用于模型拟合,后12个月的数据用于验证模型的预测能力。通过Ljung-Box统计量验证了模型的正确性,并分析了残差的自相关性,确保其为白噪声。

  4. 预测与性能评估
    研究人员使用SARIMA模型对2013年7月至2014年6月的月度客运量进行了预测,并与季节性指数平滑法(SES, Seasonal Exponential Smoothing)进行了比较。评估指标包括均方根误差(RMSE, Root Mean Square Error)、平均误差(ME, Mean Error)和平均绝对百分比误差(MAPE)。

主要结果

  1. 模型拟合结果
    SARIMA(0,1,0)×(0,1,1)12模型的归一化BIC为7.056,MAPE为4.176,能够解释70.8%的时间序列方差。Ljung-Box统计量的p值为0.542,表明模型拟合良好。

  2. 预测结果
    SARIMA模型在预测期间的RMSE为56.45,略高于拟合期间的RMSE(29.69)。预测结果显示,模型在2013年9月至2014年3月期间的预测值略低于实际值,但在整体上能够较好地捕捉客运量的变化趋势。与SES方法相比,SARIMA模型在RMSE、ME和MAPE上分别减少了9.8%、44.2%和9.7%。

  3. 异常值分析
    研究还识别了数据中的四个异常值,分别出现在2007年8月、2009年9月、2010年6月和2012年2月。这些异常值主要与季节性因素(如学校假期和夏季旅游)有关,研究人员将其纳入模型以改进预测精度。

结论

本研究成功开发了一个适用于塞尔维亚铁路客运量预测的SARIMA模型。该模型能够有效捕捉时间序列中的季节性和趋势特征,为塞尔维亚铁路公司的营销和规划提供了可靠的决策支持工具。研究的意义在于填补了该公司在预测工具方面的空白,并为其他类似研究提供了参考。

研究亮点

  1. 重要发现
    研究表明,SARIMA模型在铁路客运量预测中具有较高的精度和稳定性,尤其是在处理季节性数据时表现优异。

  2. 方法创新
    本研究首次将SARIMA模型应用于塞尔维亚铁路客运量的预测,并通过对数变换和异常值处理进一步提高了模型的性能。

  3. 研究对象的特殊性
    研究以塞尔维亚铁路公司为案例,针对其缺乏有效预测工具的现状,提供了切实可行的解决方案。

其他有价值的内容

研究还探讨了SARIMA模型在长期预测中的潜力,并建议未来研究可以结合市场调查和人口统计数据进行更全面的分析。此外,研究中对异常值的识别和处理方法也为其他时间序列分析提供了借鉴。

通过以上内容,本文为铁路客运量预测领域提供了重要的理论和实践贡献,具有较高的科学价值和应用价值。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com