基于GM(1,1)残差模型的铁路客运量预测.docVIP

基于GM(1,1)残差模型的铁路客运量预测 　　摘要:运用灰色GM(1,1)模型,对铁路客运量进行预测,再用GM(1,1)残差模型进行修正,得出精度很高的预测模型,结合实际统计数据对预测结果的精度进行检验。结果显示,GM(1,1)残差模型的预测结果比灰色GM(1,1)模型有更高的预测精度。基于此,对2009~2014年广西壮族自治区铁路客运量进行预测。 　　Abstract: Using gray GM(1,1)model to predict railway passenger numbers and then using GM(1,1)residual model to correct the result,we could get highly precise prediction and combine the actual statistical data to test the prediction. The results show that GM(1,1)residual model has the higher prediction than grey GM(1,1) residual model. 　　关键词:GM(1,1)残差模型;铁路客运量;预测 　　Key words: GM(1,1)residual model;railway passenger numbers;prediction 　　中图分类号:U29文献标识码:A文章编号:1006-4311(2010)18-0252-02 　　 　　0引言 　　随着国民经济的发展、人们生活和工作节奏加快,人们在出行的数量和质量上都有了巨大变化。铁路客运工作不再局限于追求旅客流量,还要根据旅客流量的统计分析,改进车站硬件设施和提高旅客服务质量。因此,对未来客运量的预测对铁路部门决策和判断具有重要作用。 　　灰色系统是指介于白色系统和黑色系统之间的数据系统。其研究的对象是“部分信息已知,部分信息未知”的小样本、贫信息和不确定系统。灰色系统预测方法具有预测精度高、所需原始信息少、计算过程简单等优点,因此得到了广泛应用。灰色系统预测通常采用GM(1,1)模型,由于该模型仅适用于具有较强指数规律的序列,只能描述单调变化的过程,而反映不出摆动的情况,若对一些数据有摆动的情况仍采用GM(1,1)模型预测则误差相对较大。为此,本文提出了GM(1,1)残差模型。通过对该模型进行验证和分析,结果表明该模型适用于铁路客运量预测,而且还具有较高的预测精度。 　　1灰色GM(1,1)模型及GM(1,1)残差模型 　　1.1 GM(1,1)模型GM(1,1)模型的建模步骤如下: 　　①构造原始数据列:x(0)={x(0)(1),x(0)(2),x(0)(3),… ,x(0)(N)} 　　对原始数据列做一次累加生成,可以得到: 　　x(1)={x(1)(1), x(1)(2), x(1)(3),…, x(1)(N)}其中,x(1)(t)=x(0)(k) 　　由x(1)建立相应的微分方程为:+ax(1)=u,设为待估计参数变量,=[a,u]T 　　②构造累加矩阵B与常数项向量YN: 　　B=-(x(1)(1)+x(1)(2))1-(x(1)(2)+x(2)(3))1┇ ┇-(x(1)(N-1)+x(2)(N))1 　　YN=[x2(0)(2),x2(0)(3),…,x2(0)(N)]T 　　③运用最小二乘法求解灰参数 　　=[a,u]T=(BTB)-1BTYN(1) 　　④将求得的带入微分方程,有预测方程: 　　(1)(t+1)=x(0)(1)-e-at+ (2) 　　⑤还原数列、计算残差q(0)(t): 　　(0)(t+1)=(1)(t+1)+(1)(t)=x0(1)-(e-a(t+1)-e-at)(t=1,2,3,…,N-1)(3) 　　 q(0)(t)=x(0)(t)-(0)(t) 　　1.2 GM(1,1)残差模型 　　①根据GM(1,1)模型的预测数据的残差q(0)(t),定义残差序列q(0)(t)={x(0)(t)-(0)(t)} 　　若q(0)(t)序列存在负数,首先应该对其进行正化处理。常用的方法就是将残差数据列中的每一个数值加上一个适当的正数2|mintmnq(0)(t)|使其变成非负的。 　　则正化处理后的残差数列为: 　　q(0)={q(0)(1),q(0)(2),q(0)(3),…,q(0)(n)} 　　②对q(0)建立GM(1,1)模型,得预测方程为: 　　(1)(t+1)=q(0)(1)-e-at+(4) 　　还原后得:(1)(t+1)=q(0)(1)-(e-a(t+1)-e-at)-2|mint