下载文档原格式
技术平台ARIMA模型与BP神经网络模型在铁路春运客流量预测中的应用——以广东省为例江天河（河海大学公共管理学院，江苏 南京 211100）摘 要：春运是我国独有的社会现象，铁路则是春运最重要的交通方式。
预测春运客流量对春运工作的有序、高效、高质量开展具有参考意义。
结合自回归移动平均模型和神经网络的特性，建立ARIMA模型和BP神经网络模型，对春运大省广东铁路春运客流量预测。
结果显示：未来五年广东省铁路春运客流量将持续增加且保持较高增速，预计到2020年突破3500万人次。
关键词：春运；ARIMA模型；BP神经网络模型0 引言自20世纪80年代中后期开始，春节前后交通运输压力骤增，春运问题出现在人们的视野之中,并逐步成为一种独特的社会现象，引起各界广泛关注。
从相关文献来看，目前学界对春运的研究可分为以下几类：（1）社会学、管理学视角，如对春运旅客等候行为的建模和仿真研究、系统工程、安全风险管理与组织改进；（2）地理学、人口学与城乡研究，如发掘春运人口流动背后的转型期中国城市网络结构特征，或分析人口流动和迁移问题；（3）对于春运的经济学思考，如交通方式、售票方式的选择等；（4）春运及与之相关的环境问题之思考；（5）对于春运发展的总结、未来趋势分析和预测，包括定性和定量两种形式。
其中，对于春运铁路客流量定量预测方面的研究方法主要有：指数平滑预测、灰色模型预测、自回归预测、马尔可夫链模型预测等。
1 选题与研究方法春运是较为特殊的客流运输过程。
节前主要由经济发达地区流向欠发达地区，节后则相反。
民工、学生和探亲者在刚性需求下构成了春运客流量的三大主体。
在全国春运客流量排名中，广东省常年位居第一。
从四川、河南、安徽等地外来的剩余农村劳动力在春节前后的返乡和再进城行为，大幅增加了该省春运客流量。
春运的交通方式分为公路、铁路、水路和民航。
基于春运平均运距大于全年平均运距且末端分散这一特性，铁路运输成为春运的首要交通方式：与民航相比，运能大、通达度高；与公路相比，运距长，受天气影响小；与水路相比，运速快、覆盖面广。
基于GM(1,1)残差模型的铁路客运量预测作者：田桂英;王花兰来源：《价值工程》2010年第18期摘要:运用灰色GM(1,1)模型,对铁路客运量进行预测,再用GM(1,1)残差模型进行修正,得出精度很高的预测模型,结合实际统计数据对预测结果的精度进行检验。
结果显示,GM(1,1)残差模型的预测结果比灰色GM(1,1)模型有更高的预测精度。
基于此,对2009~2014年广西壮族自治区铁路客运量进行预测。
Abstract: Using gray GM(1,1)model to predict railway passenger numbers and then usingGM(1,1)residual model to correct the result,we could get highly precise prediction and combine the actual statistical data to test the prediction. The results show that GM(1,1)residual model has the higher prediction than grey GM(1,1) residual model.关键词:GM(1,1)残差模型;铁路客运量;预测Key words: GM(1,1)residual model;railway passenger numbers;prediction中图分类号:U29文献标识码:A文章编号:1006-4311(2010)18-0252-020引言随着国民经济的发展、人们生活和工作节奏加快,人们在出行的数量和质量上都有了巨大变化。
铁路客运工作不再局限于追求旅客流量,还要根据旅客流量的统计分析,改进车站硬件设施和提高旅客服务质量。
因此,对未来客运量的预测对铁路部门决策和判断具有重要作用。
灰色系统是指介于白色系统和黑色系统之间的数据系统。
高速铁路客流量预测模型研究高速铁路是当今世界上最主要的公共交通方式之一，因为它的速度快、时间短、效率高等因素而受到广大旅客的青睐。
在高铁站，每天都有成千上万的人从这里出门，进入到不同的城市和不同的地方。
随着高铁的发展和普及，预测高速铁路客流量的准确性就显得格外重要。
本文旨在探讨高速铁路客流量预测模型的研究。
一、预测模型的概念预测模型是指利用数理统计、时间序列等方法来对未来的某种经济和社会现象进行估计的一种模型。
在经济学和管理学领域里，预测模型被广泛应用于市场调研、企业管理等方面。
而在交通运输领域里，预测模型则被用于预测客流量、交通拥堵情况等。
高速铁路客流量预测模型是指利用现代技术和方法，对高速铁路客流量进行准确预测的一种方法。
二、高速铁路客流量预测的重要性高速铁路客流量预测对于高铁站的运营管理至关重要。
只有准确预测客流量，才能够制定合理的运营计划，合理分配人力和物力资源，提高高铁站的运行效率。
同时，也可以更好地服务旅客，为旅客提供更好的出游体验。
三、高速铁路客流量预测模型的种类目前，高速铁路客流量预测模型主要可分为三类：统计模型、神经网络模型和机器学习模型。
1. 统计模型：这种模型的基础是数理统计学原理，通过对历史数据的分析比较，来预测未来的客流量情况，常见的统计模型有回归模型、时间序列模型等。
2. 神经网络模型：这种模型的基础是人工神经网络学原理，通过对不同时间节点的多维数据进行分析，来预测未来的客流量情况，主要包括前馈神经网络、循环神经网络等。
3. 机器学习模型：这种模型的基础是机器学习原理，通过对历史数据的学习、模拟和预测，来拟合出具有一定可靠性的模型，主要包括支持向量机、决策树等。
四、提高高速铁路客流量预测准确性的方法在实际应用中，要想提高高速铁路客流量预测的准确性，需要从以下几个方面入手：1. 提高样本容量：样本容量越大，预测模型的准确性越高，因此需要尽可能多地收集历史数据，并及时更新数据。
基于乘法季节ARIMA模型的铁路旅客运输量的分析与预测作者：敬林来源：《科技视界》2016年第20期【摘要】随着我国高铁客运市场的快速增长，中国铁路公司及其相关企业有着更大的发展空间。
对铁路旅客运输量作出准确的预测是相关企业和部门准确把握行业发展趋势，做出合理决策与调度的前提。
由于铁路旅客运输量具有较强的趋势性和季节性，本文运用非平稳乘法季节ARIMA模型对我国2005—2015年铁路旅客运输量的月度数据进行拟合，建立了ARIMA （0，1，1）*（0，1，1）模型，在此基础上预测2015年的月度旅客运输量，模型总体效果较好。
【关键词】季节ARIMA模型；模型拟合；铁路旅客运输量0 引言随着我国经济的发展和人民生活水平的提高，人们出行工具的选择也越来越多样化。
但由于铁路运输具有安全，快速，经济，便利等优势，大多数人任然选择火车作为第一出行工具。
自从改革开放以来，随着人口流动的加剧，铁路运输压力不断加大，人们选择铁路出行的质量得不到很好的保障。
通过对铁路旅客运输量的趋势预测，在一定程度上可以为铁路部门提前做好相关工作，制定合理的运输方案，开发更多更好的铁路运输产品，为旅客的出行提供更好的保障及更高的满意度。
目前我国铁路运输还存在一些问题需亟待解决，比如节假日如何合理的安排运力，新修建的高速铁路如何合理规划站点以满足更多的旅客的需求。
另一方面，铁路旅客运量短期具有季节和周期性，因此通过时间序列模型预测铁路客运量是铁路旅客运输组织工作的重要基础和主要依据之一。
客运量短期预测主要是以一段时间内月度甚至日客运量的变化为出发点，研究短期内的客运量变化情况。
短期客运量是一个存在季节和周期变化趋势、并存在一定增长（或降低）趋势的非平稳时间序列，为此本文运用ARIMA这种典型时间序列预测模型，对我国铁路旅客运输量的月度数据进行拟合和预测。
铁路公司、火车站及相关部门只有对未来中国铁路旅客运输量作出较为合理的预测，才能准确把握铁路发展趋势，对新建和改扩建的火车站点以及运力调整等项目做出科学的决策。
轨道交通车站客流预测模型研究李明1 王海霞2¨(1．中铁工程设计咨询集团有限公司，北京100055；2．交通部科学研究院，北京100029) 摘要：研究目的：通过对传统的“四阶段”客流预测方法优缺点的分析，对交通出行方式分担率预测模型进行改进，提高客流量预测的准确性，为轨道交通车站站台尺寸及其它设施的设计提供依据。
研究结论：在交通出行方式分担率的预测模型中，引人“出行者收入水平”这一概念，重新定义了交通出行方式阻抗函数，优化了传统的“四阶段”客流预测方法。
以北京地铁1号线五棵松车站为例，对该车站高峰小时进出站客流进行了预测，将预测得到的客流量与实际客流量进行了对比，证明了本文所提出的方法是一种快捷、有效的客流预测方法。
关键词：轨道交通车站；客流预测；模型中图分类号：U293．1+3 文献标识码：AStudyonthe ModelforPredictingthePassengerV olumeofRail CommunicationStationLInin91，W ANGHal—xia2(1．China Railway EngineeringConsultantsGroup，Beijing 100055，China；2．China AcademyofTransportationSciences，Beijing100029，China)Abstract：Research purposes：Basedon theanalysisofadvantagesanddisadvantagesof conventionalfour··stagepassengervolumepredictionmodel，thetravel modesharepredictionmodelis modified forthepurposesofenhancingtheaccuracyofpassengervolumepredictionandprovidingthe basisfordesignofplatformsizeandother facilities ofrailcommunicationstation．Researchconclusions：Theconceptof”Traveler Income Level”has been used for the travel mode share predictionmodel，anew travel mode resistancefunction isdefined，and also，anewimproved four—stagepassengervolumepredictionmodelispresented．Finally，taking WukesongStation ofline 1 of Beringsubwayas anexample，the peal【passengervolumeofWukesongStationispredictedforecastwiththemethodpresentedin thispaper．1l[Iroush comparisonofthepredictedvolume埘th actualpassengervolume．it isprovedthatthe method isaquickandefficient method forpredicting passengervolume．Keywords：railcommunicationstation；passengervolumeprediction；model轨道交通车站的站台尺寸设计是以车站进出站客流量的预测为基础的，只有较准确地预测出轨道交通车站高峰小时的进出站客流量，才能对车站设施中的车站站台宽度、车站长度、自动售检票机数量等做出准确定位。
GM（1，1）模型和Verhulst模型在旅客运输量预测中的应用作者：曹原陈波肖悦雯余霆凯陈舒琪来源：《科学与财富》2019年第18期摘要：为提高客运量预测精度，选取GM （1， 1）模型和Verhulst模型，使用Matlab对中国铁路旅客运输量进行预测，并根据预测精度总结GM （1， 1）模型和Verhulst模型的优缺点，最后指出灰色预测模型中的GM （1， 1）模型能更好的预测铁路旅客运输量。
关键词：铁路旅客运输；灰色预测模型； GM （1， 1）模型； Verhulst模型1 简介就全国铁路来说，铁路旅客运输量以旅客发送的人数或者到达人数为依据进行计算。
GM（1，1）预测模型，是对复杂系统中的某个主导因子的特征值进行拟合和预测，展示了其变化的规律，预测了其未来的发展。
由德国生物学家Verhulst提出的Verhulst模型，是其在研究微生物繁殖的规律时提出的一个单序列一阶非线性动态模型。
2旅客运输量预测中的应用（1）数据来源：从中华人民共和国国家统计局查得2009年至2017年客运量，2009年152451.19万人，2010年167609.02万人，2011年186226.07万人，2012年189336.85万人，2013年210596.92万人，2014年230460万人，2015年253484万人，2016年281405.23万人，2017年308379.34万人（2）建立 GM （1，1）预测模型先对原始数列X^（（0））做累加处理得：X（1）=（x（1）（1），x（1）（2），…，x（1）（9））=（152451.19，320060.21，506286.28，695623.13，906220.05，1136680.05，1671569.28，1979948.62）依照预测模型，获得数据矩阵B和数据向量Y：在第二步中，估计参数得第三步，建立模型：x（0）（k）-0.08898z（1）（k）=142873.842244，时间响应序列为：1758133.542827e0.08898k-1605682.352827，第四步，求得和，求得：X（0）=（x（0））（1），x（0）（2），…，x（0）（9））= （83.1，61.6，93.2，141.1，213.7，323.4，489.6，741.1，1121.9）（3）建立Verhulst预测模型同理对原始数据进行累加处理，建立预测模型（4）使用Matlab建模分析分别编写程序对上述两种预测模型进行模拟分析：通过导出MATLAB结果并整理数据得到预测结果数据对比表：从图1和图2的模型预测曲线趋势可以看出，GM（1，1）模型的预测结果的增长率相对稳定，而Verhulst模型的增长率则是不断增加的，随着时间向后移动，其误差也会随之增大。
铁路客流量预测铁路客流量预测目录一、摘要 (2)二、选题背景与意义 (3)三、模型建立与求解 (5)3.1、ARIMA 模型 (5)3.1.1、自回归移动平均模型 (6)3.1.2、季节性预测法 (6)3.1.3、模型求解 (7)3.2、灰色预测模型 (12)3.2.1 、GM(1,1)模型. (6)3.2.2、模型检验 (8)3.2.3、模型求解 (9)四、模型分析与结论 (11)4.1 、方法分析 (11)4.2、模型缺点 (12)五、附录 (12)一、摘要摘要：文章以铁路客流量的短期预测作为切入点，采用定量的时间序列分析方法，建立季节自回归综合移动平均（季节性ARIMA 模型）模型对时间序列进行量化分析。
首先阐述基于该模型的预测的一般过程，即：平稳化处理、差分变换的阶数辨识、参数估计，时间序列模型的构建，然后利用标准 BIC 值，确定较适合的季节自回归综合移动平均模型，取得了较为理想的预测效果。
同时运用灰色预测模型建立铁路客流预测模型，对我国铁路客运量进行预测，灰色模型的方法简单，适合在数据少的情况下预测短期客流量，对未来的结果有很好的预测效果。
关键词：季节性ARIMA 灰色预测铁路客流量预测二、选题背景与意义宏观上来讲铁路客流预测是铁路客运系统合理规划的基础，只有在对规划年度客流的流量、流向、流径进行合理预测与分析的基础之上，才能合理规划未来铁路客运系统的设施设备，合理安排运量，合理确定系统各阶段的发展目标使整个铁路客运系统与社会经济发展、生产力布局相适应，确保国民经济的正常发展。
微观层上来讲主要有以下三方面。
一是铁路客流量预测是铁路设备建设投资的重要依据。
通过对各项客流预测结果分析，可以合理确定研究线路近期、中期、远期在路网中的功能和作用，从而为新线建设、旧线改造和相关客运场站技术设备修建与改造提供客观的依据。
二是铁路客流预测是编制铁路客流计划的基础。
由于我国目前整体运能不足，再加上铁路运输自身的特点，在日常的客流运输组织中需要定期编制相应的客流计划，而准确的客流资料就是该项工作的基础，如果客流资料不完备就会造成运力资源分配的不平衡，从而致使客流滞塞及运力虚糜。
