2025《基于时间数据序列分析的高铁客流分析与预测实证研究》10000字.docx

PAGE3

基于时间数据序列分析的高铁客流分析与预测实证研究

中文摘要

摘要：高速铁路作为一种交通方式，具备许多其他交通方式所欠缺的优点，所以自第一条高速铁路通车以来，我国的高铁事业一直蓬勃发展，为了合理地给高铁建设的规模提供依据，对高铁客流量的预测就成为了一项重要的工作。通过对2011年1月至2019年12月全国及不同地区的铁路客流量数据的分析，发现随着时间的推移，客流量整体呈现一种稳步上升的趋势且具有季节规律，很明显，客流量与时间变量t高度相关，所以本文选择了时间序列分析方法，通过建立差分整合移动平均自回归模型（即ARIMA模型）来对高铁客流量进行预测。

关键词：客流量预测；时间序列；ARIMA模型

目录

TOC\o1-3\h\z\u中文摘要 i

ABSTRACT ii

目录 iii

1引言 1

2选择预测模型 2

2.1相关模型预测法 3

2.2时间序列模型预测法 3

2.2.1ARIMA模型简介

3使用ARIMA模型预测的基本步骤 4

3.1检验数据的平稳性 4

4.1ARIMA模型定阶 5

4预测结果及分析 5

5结论 6

参考文献 7

附录 8

引言

研究背景及意义

京津城际铁路是我国第一条高标准、设计时速为350公里的高速铁路，京津城际铁路于2005年7月4日开始正式动工，于2008年8月1日正式开通运营，自此我国的高铁事业正式拉开序幕。高速铁路的兴起给铁路这种传统的运输方式注入了一股全新的生命力，也给广大的旅客提供了一种可选择的安全可靠、舒适快捷的出行方式，相比于航空运输，高速铁路更加经济实惠，虽然在速度方面有所欠缺，但若是中等距离的目的地，高速铁路无疑是个性价比极高的好选择，相比于公路运输，高速铁路则能给旅客带来更好的体验，更舒适的环境，这些优点使旅客越来越多地愿意选择高速铁路这一出行方式，另外由于我们国家所具有的人口众多（超过14亿人口），人口密度大或者说人口稠密，幅员辽阔尤其是内陆面积大，而且内陆所在地理位置非常连续以致极其深广的特点，使得高速铁路这一出行方式在我国的交通运输行业具有独特的地位与作用，因此如何使高速铁路的运输能力满足人民群众的出行需求、符合我们现在日新月异快速发展中的社会的发展水平和日益提高的国民经济水平成为了目前我国交通运输行业所面临且亟需解决的最主要的问题。

对高速铁路客流量的准确预测在很多方面具有非常重要的意义，一方面，客流量是选定铁路主要技术标准的依据，技术标准又决定着运输装备的能力，为了满足社会对运输能力的要求，运输设备的能力不应小于预测的客流量；而另一方面客流量也是评价高速铁路经济效益的基础，也是影响线路方案取舍和火车班次排序设定的重要因素，总之，如果预测的客流量偏大，那么对铁路的主要技术标准要求就会偏高，从而所需的投资也会增大，但当实际运营后发现客流量偏小，则会造成铁路的运输能力闲置，投资的资源浪费，最终导致实际的经济效应下降；反之，如果预测的客流量偏小，虽然初期的投资有所节省，但由此导致高速铁路的运输能力有所降低，从而无法满足远超我们所预估的实际上的旅客的出行需求，那当我们投入实际运营后就会发现铁路的负载能力很快饱和，这时我们只能投入更多的资金来扩大高速铁路的规模，这样的做法无疑同样会导致经济效益下降，由此可知准确预测客流量的重要性。

国内外研究现状

在预测客流量方面，前人已经做过很多方面的工作，例如赵盼进行了基于灰色关联分析的LS-SVM高铁客流量预测，将高铁客流量的影响因素初步设定为了17项，然后再通过灰色关联分析的方法从这17项影响因素中选择主要影响因素作为输入变量，构建预测模型，不仅能简化模型结构，而且提高了预测精度；冯博提出了基于EEMD分解的RBF神经网络预测模型，通过对高铁客流量的精准预测，对高铁站点的交通配套设施提出了优化方案，从而使高铁站点的服务更加得高效便民；鲜敏在灰色系统模型和BP神经网络的基础上构建预测模型，解决了传统灰色预测模型不适用与非线性数据预测和BP神经网络可能出现的训练缓慢或停滞、局部最小值的问题，采用改进型BP神经网络和GA优化灰色幂模型来构建对铁路客流量进行预测的模型，具有良好的数据处理和预测能力。

目前客流量预测技术还存在以下一些问题：

首先，对铁路短期客流进行预测的大部分研究对象是年度或者月度这种较长时间段的预测，相反地，针对例如周铁路客流量的高精度预测却很少。对这种较长时间段的数据预测价值相对不高，并且实时性也较差。而实时性更好的，预测价值更高的周、日时间段的铁路客流预测在国内的研究中都较少有涉及。

其次，由于单独使用时间序列预测方法对客流量进行预测存在一定的局限性，通常无法将数据序列中