基于ARMA模型的公路货运量预测及分析.docxVIP

PAGE \* MER 1 - 基于ARMA模型的公路货运量预测及分析 基于ARMA模型的公路货运量预报及分析 291X〔2021〕12-0035-03 引言 近年来，随着物流行业和车货匹配平台的快速进展，我国公路货运市场规模已超过6万亿。精确把握公路货运量等进展趋势，可以为相关决策提供根据。公路货运量的预报是指基于公路货运市场过去的状况、当前的货运需求以及影响需求的相关因素间的关系，结合阅历推断及各类定性、定量模型，对其改变趋势进行预报。时间序列作为定量预报的常用方法，在承认事物进展连续性的前提下，基于已有时间序列的改变模式来预报将来的改变。 鉴于自回来移动平均〔ARMA〕模型的广泛适用性及其在谱估量精度上的优越性，本文选用该方法对公路货运量进行预报。 一、预报原理 ARMA模型以不同时间下的观看值为时间序列，探究各个影响因素与预报对象间的回来关系，对其进展进行预报。考虑到各个影响因素带来的影响和预报对象自身变动的规律，ARMA模型可以表示为： 二、时间序列在公路货运量预报中的应用分析 本文以2021—2021年陕西省公路货运量为样本〔见表1〕。以前7年的历史数据为观测值序列，构建模型，得到2021年各月货运量的预报结果，并与2021年实际数据做比较，确定最正确的预报模型，最终预报2021年的公路货运量。模型的建立与预报都在EViews8.0中完成。 1.平稳化处理。为推断数据的平稳性，使用EViews软件，将2021—2021年陕西省公路货运量的历史数据定义为随机序列X。序列X呈现出了明显季节性和长期趋势，是一个不稳定的时间序列，需要实行差分运算直到差分后的数据为平稳序列。鉴于差分运算的阶数特性，同时进行一阶差分和十二阶差分，生成了稳定的时间序列Xt。且通过白噪声检验，Xt属于平稳非白噪声时间序列，具有了提取有效信息做出进一步预报的价值。 2.模型识别与建立。为了识别平稳、非白噪声序列Xt对应的ARMA模型参数，计算出自相关系数ACF和偏自相关系PACF。依据其ACF和PACF函数均具有一阶截尾的特性，可进一步构建ARMA〔1，1〕模型。通过方程估量，得到模型ARMA〔1，1〕的拟合结果。拟合结果中，AR〔1〕的Prob值小于0.05，但是MA〔1〕的Prob值远大于0.05，即自回来和移动平均系数均不显著，拟合的效果仍有待提升。依据AIC和SC准则，经过多次试验，并综合比较了不同系数下的ARMA模型的可决系数和残差平方和，得到MA〔1〕模型的拟合效果最为理想〔如2表所示〕。 3.模型检验。为评价模型的效果及精确性，尽可能使预报值与实际值的差距最小。本文基于MA〔1〕拟合结果的ACF及PACF，进行残差分析试验，确定残差序列的独立性。这说明，ACF函数及PACF函数完全满足2倍标准差范围的要求，Q-stat的Prob值也都大于0.05，这在肯定程度上表达了MA〔1〕模型提取公路货运量信息的充分性。 三、模型预报 为检验模型的预报效果，本节以前7年各月公路货运量为观测序列，预报2021年的公路货运量，并与实际状况比较〔如下页图1所示〕，其中XF、Y分别为预报值和实际值序列。可见，短期预报值与实际值的趋势基本一致，预报结果良好。但预报值整体上稍高于实际值，在预报精度上仍有提升空间。此外，时间跨度越大，二者的偏差也有所增大，主要是因为当前选定的预报原点是2021年12月的实际数据。 因此，在现实的运营治理决策中，应考虑预报值的时效性，准时更新数据信息，以最新数据为预报起点，尽可能削减决策偏差。模型预报结束后，可以依据预报结果，在置信区间内确定合适货运量准时把握可能的市场需求。 四、最终预报及建议 本节利用确定的模型来预报2021年各月份公路运输货运量，为尽可能地减小预报误差，将2021年3月份陕西省的公路货运货运量作为预报原点，得到其余几个月份对应的预报值。为观看各月的改变范围及趋势，识别公路货运量的季节性差异，图2给出了2021年公路货运量的改变趋势图。 结果说明，2021年各月的公路货运量基本趋于稳定。而2月的货运量最小，2月则处于明显的波谷状态，企业可以考虑适时地削减存货。并于6月到达月度货运量的峰值，其需求最大。此外，3月和8月呈现出两个小波峰，均属于货运旺季。由于春节马上来临，相较于前3个月，12月的公路货运量有明显上升。为满足市场需求，此时企业应适时增加库存量，治理部门应加强对货运市场秩序和安全的有效监管。 结语 本文依据历史数据，接受ARMA模型进行公路货运量的预报。结果说明，预报是可行有效的，且中短期的趋势拟合能到达较高的精度。然而，可猎取的样本数据量是有限的，且没有一个模型是完善无缺的。时间跨度越大，预报结果偏离实际的可能就越大。我们必需准时把握并更新样本数据，在提高样本质量的同时，改良预报方法，使预报