基于模糊时间序列港口铁路货运量预测.docVIP

基于模糊时间序列港口铁路货运量预测 　　摘 要：铁路货运量是反映铁路运输组织盈亏的一个主要依据。而货运量的预测的准确程度直接影响着铁路运输设备的利用效率、运营的效益以及铁路运输未来的发展规划。文章在建立货运量预测的模糊时间序列分析模型的基础上，以湛江港铁路分公司为实例求解模型并得出预测结果，并进一步对模型进行检验，分析结论的可靠性，并就此提出提高货运量的措施。 　　关键词：铁路货运量；模糊时间序列；货运量预测 　　前言 　　通常铁路运输是运输行业中的中流砥柱，但影响铁路货物运输的因素从内部问题到外部因素有很多，导致我们无法确切的知道未来货运量产生的具体数量和具体时间，因而铁路货运量的预测就成为一项比较复杂的工程。一般情况下，我们无法对货运量的全部影响因素及其之间的相互关系都进行考虑，且这些影响因素往往不能具体量化，因而我们称之为“模糊性”。因此我们运用模糊时间序列预测的方法来对湛江港铁路货运量进行预测。 　　1 模糊时间序列的建模 　　1.1 模糊时间序列预测基本模型 　　模糊时间序列预测的基本模型为： 　　在公式（1）中，X*（t）为模糊时间序列X*（t）的估计值；i是模糊多项式系数，i∈，i=0，1，……k，是模糊数集合；i=（ai，ci）是对称三角模糊数，其中ci为模糊幅度，ai为中心值；k是模糊多项式阶数，k∈N，N为自然数集合；？着为随机误差，通常规定它的期望值E（？着）=0。 　　1.2 获取模糊数据 　　由于实际调研中所得数据为实数，而模型中需将其换成模糊数x*1，x*2，……x*n，其变换公式如下： 　　U1=max（x1，x2），V1=min（x1，x2），Ut=max（xt-1，xt，xt+1），Vt=min（xt-1，xt，xt+1），其中t=2，3，……，n-1，Un=max（xn-1，xn），Vn=min（xn-1，xn），令模糊中心值at=（Ut+Vt），模糊幅度ct=（Ut-Vt），则构造出一组三角模糊数序列X*t=（at，ct） 　　1.3 确定时间序列阶数和模糊系数 　　（1）确定时间序列阶数。现在用两种方法来确定时间序列阶数k，一种是作出X*（t）的中心值at的散点图并连接成折线图，根据折线图的大致形状选择模型的时间序列阶数k；另一种方法就是将阶数 取成若干不相同的自然数，则对应到每个k值求At的t估计值，即有：由公式（2）中的约束条件ht？叟h0得知，我们将公式（3）代入到公式（2）中，即有： 　　其约束条件为： ， 　　最后，将时间t带入 即可得到预 　　测时期的预测集X*（t）。 　　1.4 模型检验 　　对预测结果与源数据进行残差检验，残差公式为： ， 　　1.5 模糊时间序列模型算法设计 　　模糊时间序列模型算法： 　　功能：通过对往年货运量的汇总分析和计算，得到未来几年的货运量。 　　输入：历史年份年货物发送量。 　　输出：预测年份年货物发送量。 　　步骤一：将原始数据模糊化处理。 　　步骤二：根据模糊数据的中心值？琢t分布确定时间序列阶数，并对原始数据进行传统的线性回归，确定系数At。 　　步骤三：根据公式代入步骤二中的系数Ai，算出wi，并代入模糊处理后的数据得到目标函数和约束条件。 　　步骤四：用LINGO11.0求解得到相应参数，得到模糊时间预测方程，并根据方程得到所有年份年货物发送量模糊估计值。 　　步骤五：模型检验，算出残差，相对误差和平均相对误差。根据结果，判断平均相对误差是否符合要求，若符合，则用模糊预测方程预测出预测年份货物发送量；若不符合，则考虑改变模糊序列阶数，返回步骤二重新计算。 　　步骤六：得到预测年份年货物发送量。 　　2 算法实例 　　2.1 数据准备及模糊化处理 　　收集湛江港铁路分公司从2005年到2014年的年货物发送量作为原始数据，由于其为精确数据需进行模糊化处理，模糊时间序列如表1所示。 　　作出X*（t）的中心值at的散点图并连接成折线图，如图1所示。 　　图1 中心值at的散点折线图 　　2.2 模型求解 　　将t代入上述方程中，得到湛江港铁路分公司各个年份货运量的估计值，并绘制折线如图2所示。 　　图2 湛江港铁路分公司货物发送量一阶模糊预测曲线图 　　从上述折线图中可以看出，t变动时，X*（t）是一个范围逐渐扩大的直线带，湛江港铁路分公司各年份的货物发送量尽可能的包含在了这个预测的模糊变化区间中，且后面两年的估计中心值非常贴近于真实值。 　　2.3 模型检验 　　在模型预测求解完成后，需对预测结果做误差分析，即对货物发送量的预测值与实际值进行残差检验，结果如表2所示。 　　表2 湛江港铁路分公司货运量预测模型残差检验 　　由2可以看出，该模型预测的