ARIMA乘积季节模型及Prophet预测模型在交通运输客运量预测中的应用和.pdfVIP

龙源期刊网

ARIMA乘积季节模型及Prophet预测模型

在交通运输客运量预测中的应用和比较

作者：韩苑

来源：《环球市场》2019年第06期

龙源期刊网

龙源期刊网

龙源期刊网

龙源期刊网

龙源期刊网

摘要：交通运输客运量是在一定时期内，各种运输工具实际运送的旅客数量。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。准确的交通运输客运量预测，可以有效的帮助有效的帮助交通运输管理

部门制定下一步交通运输发展的方向，调整和优化交通运输方式，更好地为人民的交通出行提

供基础服务。由于客运量的预测受到多重因素的影响，如节假日因素、突发事件等，其预测一

直是时间预测领域的难点。本文搜集了国家统计局公布的2016年值2018年交通运输客运量数

据，构建了乘积季节性ARIMA（p，d，q）×（P，D，Q）模型，对建立的模型进行参数估

s

龙源期刊网

计、模型诊断，选择最优预测模型。同时，本文也基于Facebook开源时间序列预测框架

Prophet，对同一批数据进行预测和验证。结果显示，Prophet模型在预测的准确性上优于乘积

季节性ARIMA（p，d，q）×（P，D，Q）模型，更适合于全国客运量预测。

s

关键词：客运量预测;ARIMA模型;Prophet;时间序列预测

交通运输客运量是在一定时期内，各种运输工具实际运送的旅客数量。它包含了铁路客运

量、公路客运量、水运客运量，民航客运量，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。随着全国交通运

输基础设施的不断提升，如全国高铁路网的铺设，高速公路公里数的不断增长，水运及民航线

路的调整及优化等，全国人民在出行上的行为和数量也发生了相应的变化。准确的交通运输客

运量预测，可以帮助交通运输管理部门，针对人们出行行为的变化，进一步优化全国运输的基

础设施和结构。作为交通运输指标，客运量有当月值、累计值、同比增长和累计增长四种数据

表达形式。常用的预测所采用的方法有，基于时间序列模型的差分整合移动平均自回归模型

ARIMA[1]、基于人工神经网络的（ANN）[2]以及支持向量机（SVM）[3]等。本文分析了交

通运输客运量的当月数据特性，分别采用乘积季节性ARIMA模型和最新的时间序列预测工具

Prophet[4]对其进行预测，以期找出适用于客运量的简单准确的预测方法。

一、交通运输客运量基本特性分析

在对每月全国客运量数据进行预测之前，首先需要掌握数据的变化规律。影响当月客运量

的主要因素主要有两类，第一大因素是由于全国交通运输基础设施的改善及运输航线的调整，

或者因经济形式的变化带来的人们出行活动的变化等因素，带来的客运量年度的上升或下降趋

势;第二大因素是由于传统节假日，如春节，或者国家法定节假日，国庆、端午等因素造成的

季节因素变化。

为了更好地展示全国客运量的年度变化趋势及周期性季节因素，本节选取了2016年以及

2018年每月全国客运量量作为分析对象。由图1可以明显看出，全国客运量呈现逐年下降的

趋势，同时也可以明确看出，客运量呈现年维度的季节性趋势，其中2月份由于有中国传统佳

节春节的影响，达到全年客运量最高峰，7、8月份由于暑期因素影响，学生旅行出行人次增

加，也在全年客运量分布中处于高点，10月份由于国庆假期影响，同样客运量较高。

二、数据集及模型介绍

（一）数据集介绍

本文选取国家统计局公布的交通运输客运量2016年1月至2018年12月的当月客运量数

据。

（二）统计软件

龙源期刊网

本文选取Eviews软件进行SARIMA