线性与非线性之组合模式应用于铁路客运量预测之概述.docVIP

　　线性与非线性之组合模式应用于铁路客运量预测之概述 第1章绪论 1.1研究背景及意义 1.1.1选题背景 铁路运输作为现代化运输方式，其发展程度反映了一个国家的经济发展水平，铁路运输不仅满足社会公众的出行需要，更是发展旅游业不可或缺的工具，尤其在当今经济全球化趋势越来越深化的时代，一个国家国民经济的发展离不开铁路运输行业的相应发展。新中国成立以来，随着我国改革开放的不断深化，我国铁路建设获得了前所未有的快速发展，路网覆盖面积不断扩大，运输能力不断增强，客运量不断增加。根据国家统计局统计资料显示，截至2013年底，全国铁路营业里程已突破10万公里。全国铁路复线率达到45.1%，电气化率达到了52.4%。中国一举成为世界上高速铁路发展最快、系统技术最全、集成能力最强、运营里程最长、运营速度最高、在建规模最大的国家。 虽然中国铁路运输事业发展很快，但是管理水平还存在很大的欠缺。正如大家所熟知的，五一、十一等节假日以及春运时期铁路运力严重不足，一票难求的情况经常发生，导致怨声载道；而在非节假日时期，铁路运力又是严重过剩。铁路旅客运输量预测是铁路运输组织工作的重要基础和主要依据之一，它是反映运输业为国民经济和人民生活服务的数量指标，也是制定和检查运输生产计划、研究运输发展规模和速度的重要指标。凡是铁路局做出重大决策之前都要做运量预测，根据运量预测结果及其他方面的信息才能做出科学决策、编制可行的计划、规划或发展战略，最大程度地减少铁路部门的风险，降低铁路部门的运作成本，减少设施闲置。常规的运量预测方法虽然很多，但各自都存在其局限性，不足以满足日益发展壮大的铁路系统。为了提高预测的精准度，为市场竞争提供决策依据、为铁路运输工作的开展奠定坚实的基础，有必要探索新的预测方法。 1.2国内外研究现状 在铁路旅客运输量预测的研究中，时间序列预测模型分为两类：线性模型和非线性模型。在最常见的线性模型有指数平滑预测模型；Box-Jenkins模型，灰色系统预测模型。对于这三个线性模型而言，模型的预测性能最佳、预测精度最高，许多学者的理论研究及实践应用都可以证明这一点。当然，如果线性模型可以很好的拟合数据间的潜在关系，那么相对于复杂的非线性模型来说，线性模型被视为优选模型，因为它们更加容易解释与实现。但是，很多情况下，线性模型不能很好的拟合样本内数据，以及很好地预测样本外数据，这个时候就需要考虑使用较为复杂的非线性模型。基于这样一个观点，许多学者转向用非线性模型来对铁路旅客运输量进行预测，比如神经网络模型。支持向量回归模型，神经网络模型和支持向量回归模型是被设计用于获取时间序列中的非线性特征。虽然神经网络模型应用于铁路旅客运输量预测中的效果还有一点不明确，但是学者们普遍认为对于经济行为的拟合，非线性模型要比线性模型表现出色，高精度的预测可以帮助决策者做出明智的决定。 在实践中，有很多固定现象可以通过线性吋间序列模型来描述或者至少可以近似逼近。然而，许多非线性现象，例如，极循环，调频以及动物族群循环，都不能用线性时间序列模型进行恰当地描述。直观的来讲，如果真实模型是一个非线性时间序列模型，那么任何运用非线性模型分析得出的统计学推论都比用线性模型拟合得好，因为非线性模型可以获取到数据的非线性特征。然而，对于预测问题，并非总是如此。例如，，和通过数值模拟，观察到一个有趣的现象，相比于线性时间序列模型来说，非线性模型在条件均值和条件中位数预测中表现并不好。因此，就得出这样一个基本假设，那就是没有人可以精确地确定真实数据的生成过程，但是不同的模型在拟合数据的生成过程中会起到一个互补的作用，这个假设促使我们将来自不同预测模型的预测值进行组合。 第2章现有单项预测模型概述 2.1指数平滑预测模型 指数平滑法是最常见的一种时间序列分析方法，它是在移动平均法的基础上发展而来的。简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用；移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。 2.1.1季节性指数平滑预测模型 对于具有趋势性，季节性的时间序列（如本文所预测的全国铁路旅客运输量），一段时间内收集到的数据所呈现的上升或下降的趋势将导致指数预测滞后于实际需求，此时需要通过趋势调整、季节调整，来在一定程度上改进指数平滑预测结果。 季节调整预测方法，是对经典事件序列预测方法的完善和丰富，其基本原理是将复杂的系统分离成相对简单的子系统，通过对各子系统的分别研究来获取信息，进而描述和预测系统的季节性规律。季节指数模型是一类确定性时序模型，适用于具有季节波动特性的时间序列数据。时间序列中每一时期的数据，都是由许多