下载文档原格式
Statistics and Application 统计学与应用, 2023, 12(1), 196-205 Published Online February 2023 in Hans. https:///journal/sa https:///10.12677/sa.2023.121021后疫情时期秦皇岛站铁路客运量的统计建模与预测效果分析马嘉悦燕山大学理学院，河北 秦皇岛收稿日期：2023年1月23日；录用日期：2023年2月13日；发布日期：2023年2月27日摘要后疫情时期，铁路客运需求发生巨大改变，突如其来的疫情中断其逐年增加的趋势。
建立合适的模型预测客运量，对铁路运营工作的顺利展开起着至关重要的作用。
论文运用2020年1月24日~2022年4月14日秦皇岛站铁路的逐日客运量数据，提出了基于季节性差分自回归滑动平均模型(SARIMA)和霍尔特–温特斯模型(Holt-Winters)的铁路客运量组合预测模型。
采用方差倒数法，确定各单项模型在组合模型中的权重系数。
分别用两个单一模型和组合模型进行15天客运量的短期预测，并采用2022年4月15日~4月29日的实际数据验证预测效果。
设置不同的样本梯度，分析样本量对三个模型预测准确度的影响。
关键词后疫情时期，客运量预测，SARIMA 模型，Holt-Winters 模型，组合预测模型Statistical Modeling and Prediction Analysis of Passenger Volume of Qinhuangdao Railway Station in Post-Epidemic PeriodJiayue MaCollege of Science, Yanshan University, Qinhuangdao HebeiReceived: Jan. 23rd , 2023; accepted: Feb. 13th , 2023; published: Feb. 27th, 2023AbstractIn the post-epidemic period, the demand for railway passenger transport changed dramatically, and the sudden epidemic interrupted its increasing trend year by year. The establishment of a马嘉悦suitable model to predict passenger volume plays a vital role in the smooth development of rail-way operation. Based on the daily passenger volume data of Qinhuangdao Station from January 24, 2020 to April 14, 2022, this paper proposes a combined forecast model of railway passenger volume based on seasonal autoregressive integrated moving average (SARIMA) and Holt-Winters model (Holt-Winters). The inverse variance method is used to determine the weight coefficient of each single model in the combination model. Two single models and combination models were used to predict the 15-day passenger volume respectively, and the actual data from April 15 to April 29, 2022 were used to verify the prediction effect. Different sample gradients were set to analyze the influence of sample size on the prediction accuracy of the three models. KeywordsJournals Post-Epidemic Period, Passenger Volume Forecast, SARIMA Model, Holt-Winters Model, Combinatorial Forecasting ModelThis work is licensed under the Creative Commons Attribution International License (CC BY 4.0)./licenses/by/4.0/1. 引言中国铁路串点成线，连线成网，四通八达，覆盖面极广，如今已逐渐形成“八纵八横”的高铁网，交通大动脉越来越畅通。
基于线性回归-马尔可夫模型的铁路客运量预测
李晓东
【期刊名称】《铁道运输与经济》
【年(卷),期】2012(34)4
【摘要】随着我国经济的快速发展和社会进步,旅客出行更加注重运输的便捷性、舒适性、安全性等,客运量规模和增长速度是衡量铁路运营效果的一项重要指标.在分析各种客运量预测模型的基础上,通过对线性回归预测模型的结果进行马尔可夫链改进,可以提高铁路客运量预测的准确性,但回归-马尔可夫预测模型的应用还需要不断完善.
【总页数】4页(P38-41)
【作者】李晓东
【作者单位】沈阳铁路局沈阳客运段,辽宁沈阳 110013
【正文语种】中文
【中图分类】O211.62;U293.1+3
【相关文献】
1.基于灰色关联理论与多元线性回归模型的铁路客运量预测
2.基于灰色马尔可夫链模型的铁路客运量预测研究
3.基于灰色线性回归模型的哈尔滨铁路枢纽客运量预测研究
4.基于灰色线性回归组合模型铁路客运量预测
5.基于灰色马尔可夫模型的烟台市铁路客运量预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。
ARMA模型在对我国铁路月发送旅客数进行预测中的运用龚海涛（鞍山师范数学系，093班25号）摘要：本文利用数学计算软件MatLab，以我国2002~2010年的铁路月发送旅客数为例建立ARMA模型，进而预测2011年铁路月发送旅客数。
预测值与真值相符，模型正确。
关键词：时间序列；MatLab；铁路月发送旅客数；ARMA模型长期以来，铁路运力有限一直是困扰着我国的一个问题，每年春运都有很多人无法买到回家车票，然而若是一味新建铁路，又会造成淡季的巨大浪费。
如果能对铁路月发送旅客数进行预测，再根据预测数据来安排铁路基建及列车调度，就会避免浪费又会使资源得到合理利用，最直观的好处就是可以使更多人能在春节回家了。
本文将通过分析2002年~2010年的铁路月发送旅客数，建立合理的ARMA模型，对2011年的铁路月发送旅客数进行预测。
1.模型的建立ARMA模型是一类常用的随即时间序列模型，由Box和Jenkins创立，简称B-J方法。
在B-J方法中只有平稳的时间序列才能直接建立ARMA模型，这就要求时间序列y t满足：(1)对任意时间t，其均值恒为常数；(2)对任意时间t和s，其自相关数只与时间间隔t-s有关，而与t和s的起始点无关。
这样时间序列y t的统计特征不随时间推移而变化，称为平稳时间序列。
建立平稳时间序列y t的ARMA模型，其具体形式如下y t=φ1y t-1+φ2y t-2+…+φp y t-p +e t-θ1e t-1-θ2e t-2-…θq e t-q其中y t=φ1y t-1+φ2y t-2+…+φp y t-p +e t为p阶自回归模型，记作AR(p)，待估参数φ1，φ2，φp称为自回归系数；y t= e t-θ1e t-1-θ2e t-2-…θq e t-q为q阶滑动平均模型，记作MA(q)，实参数θ1, θ2, …, θq为滑动平均系数，是模型的待估参数。
通常情况下，自回归滑动平均模型的建模过程为一下几个步骤：（1）时间序列的分解：因为铁路运量随着我国的经济发展而逐年增长，而且季节波动较大，所以需对其进行分解，消除趋势项和季节项，只保留随机项。
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。
