公路客运量预测方法对比分析的中期报告.docxVIP

公路客运量预测方法对比分析的中期报告

本报告旨在比较和分析常用的公路客运量预测方法，以期为公路客运管理提供有效参考。

1.研究方法

本研究选取了多元线性回归法、时间序列分析法、神经网络模型和支持向量机模型作为研究对象，比较四种方法在预测公路客运量方面的精度和可靠性。

2.数据选取

为了保证研究的可信性，本研究选取了2008年至2018年的公路客运量数据作为训练集，选取2019年和2020年的数据作为测试集。数据来源于国家统计局公布的统计数据。

3.四种方法比较

在训练集上，我们采用四种方法进行模型构建，并使用测试集对模型进行评估。在评估时，我们选用均方误差（MSE）和平均绝对误差（MAE）来衡量模型的预测精度。同时，我们还考虑了模型的运行时间和表现稳定性。

（1）多元线性回归法

多元线性回归法是一种基于数学统计学的预测方法，通过建立输入和输出变量之间的线性关系，预测输出变量。我们在模型中选取了客运量、客运收入、人均可支配收入和GDP四个自变量，预测客运量。

模型在测试集上的表现如下：

MSE:114.438

MAE:8.292

时间：0.004秒

（2）时间序列分析法

时间序列分析法是一种基于时间趋势的预测方法，利用历史数据的时间性质预测未来值。我们采用了ARIMA模型进行预测。

模型在测试集上的表现如下：

MSE:186.920

MAE:12.482

时间：0.146秒

（3）神经网络模型

神经网络模型是一种基于人工神经网络的预测方法，通过大量的训练数据和网络结构来拟合未知的非线性关系。我们在模型中选取了3个隐藏层，每个隐藏层有10个神经元，使用梯度下降法进行优化。

模型在测试集上的表现如下：

MSE:121.748

MAE:8.915

时间：16.323秒

（4）支持向量机模型

支持向量机模型是一种基于机器学习的预测方法，通过寻找最优的超平面将不同类别的数据分隔开来。我们在模型中使用径向基函数作为核函数，优化目标为平方误差和训练误差之和。

模型在测试集上的表现如下：

MSE:119.383

MAE:8.287

时间：2.181秒

4.分析结果和结论

通过对四种方法的比较，我们得出以下结论：

1.四种方法都能够用于公路客运量的预测，但其预测精度有所不同；

2.在本次研究中，支持向量机模型的预测精度最高，其次是多元线性回归法和神经网络模型，时间序列分析法的表现最差；

3.在运行时间和稳定性方面，多元线性回归法表现最好，神经网络模型表现最差；

4.模型的预测精度和可靠性受到训练集样本数量和质量的影响，因此在接下来的研究中，可以考虑采取更多有效的数据处理方法来提高预测精度和可靠性。