基于组合预测模型的物流量预测研究

基于GM(1,1)-MLP神经网络组合模型的物流总额预测
张乐;汪传旭
【期刊名称】《上海海事大学学报》
【年(卷),期】2018(039)004
【摘要】由于传统的基于GM(1,1)的物流总额预测方法需假设其他因素变化对物流总额无影响,给预测结果带来较大误差,本文采用GM(1,1)-MLP神经网络组合模型对我国未来物流总额进行预测.将组合模型与GM(1,1)的2012-2016年物流总额拟合结果进行比较,发现组合模型的预测平均误差仅为2.3％,远低于GM(1,1)的预测平均误差(25.2％),精准度大大提高,可以被有效应用于我国未来的物流总额预测.【总页数】5页(P58-62)
【作者】张乐;汪传旭
【作者单位】上海海事大学经济管理学院,上海201306;上海海事大学经济管理学院,上海201306
【正文语种】中文
【中图分类】F259.2;TP183
【相关文献】
1.基于 BP 神经网络与 GM（1，1）模型组合算法的桥梁耐久性预测 [J], 聂小沅;李德建
2.基于灰色GM（1,1）和BP神经网络组合预测模型及应用 [J], 刘中侠;蒋诗泉
3.基于GM（1,1）模型的我国社会物流总额预测研究 [J], 冯莉
4.基于BP神经网络与GM(1,1)组合的北京市物流需求预测模型 [J], 李晗;吴珍珍;
张雪雪
5.基于BP神经网络与修正GM(1,1)模型的能源消费组合预测 [J], 张俊深;袁程炜因版权原因，仅展示原文概要，查看原文内容请购买。

基于灰色ARIMA模型的河南省物流需求预测研究马巧云;邹相林;郭柯楠【摘要】以货物周转量作为衡量物流需求的指标,构建灰色ARIMA组合预测模型,对1978—2017年河南省货物周转量数据进行分析,并对河南省2018—2020年的货物周转量进行了预测.结果表明,灰色ARIMA组合预测模型精度满足要求,河南省货物周转量呈现增长趋势,这表明河南省物流产业规模持续增长,河南省的经济发展趋势持续向好.【期刊名称】《河南科学》【年(卷),期】2019(037)007【总页数】10页(P1171-1180)【关键词】GM(1,1)模型;ARIMA模型;物流需求;预测【作者】马巧云;邹相林;郭柯楠【作者单位】河南农业大学信息与管理科学学院,郑州 450002;河南农业大学信息与管理科学学院,郑州 450002;河南农业大学信息与管理科学学院,郑州 450002【正文语种】中文【中图分类】F252.21目前，我国经济发展已进入“新常态”，电子商务等新兴行业对物流的需求越来越大，“一带一路”和“长江经济带”等国家战略的提出，增强了我国与周边国家的经济联动性，推动了各省市地区经济协同发展，完善了国内物流基础设施建设，促进了我国物流业的快速发展.河南省地处中原，是我国具有重要战略地位的综合交通枢纽，更是“一带一路”国家战略中的重要衔接点，具有得天独厚的物流发展条件.河南省经济也正处于快速发展阶段，必然会促使河南省物流需求量的增长.而物流产业快速发展也必然会促进经济的发展，因此物流需求与经济的发展密切相关.在我国新的经济形势下，提高物流发展水平对经济的发展意义重大［1］.通过对河南省物流需求的预测，我们可以在一定程度上为河南省今后物流发展规划提供参考. 目前，可以用来预测物流需求量的方法有很多，如马尔可夫链［2］、神经网络法［3-5］、时间序列法［6］、多元回归分析法［7-9］、支持向量机模型［10-12］、模糊集理论［13］、灰色预测法［14-15］等.以往的研究多以原始数据直接建模，但却忽略了数据本身的随机性，这种随机性可能来自于政策的限制、数据采集方法的差异、统计区域的范围不同等.如果单纯运用一种模型进行预测，预测结果在很大程度上可能会存在较大误差，满足不了人们对预测精度的期望.因此，为减小预测结果的误差，现在的研究多偏向于运用多模型组合预测［16-19］.组合预测是把不同的方法采用不同的方式结合在一起进行预测，并且使预测结果最优的方法，尤其是灰色理论模型与多元回归模型、ARIMA模型、BP神经网络模型等的组合预测模型得到了广泛认可.传统的灰色模型适用于小样本、少数据情况下的数据预测［20］，但在大数据时代，随着数据的增多、波动性的增大及复杂度的提升，灰色预测模型精度越来越差；而ARIMA模型可以将非平稳的时间序列经过差分转化为平稳时间序列，然后再对时间序列进行预测分析［21］.因此，本文在运用灰色GM（1，1）模型的基础上，特别引入了ARIMA模型，建立了灰色ARIMA组合预测模型对河南省物流需求进行预测分析.本文以河南省地区生产总值（GDP）近似表示河南省经济发展水平，通过计算对比GDP与货运量和货物周转量之间的关联度大小，分析两者与经济发展的密切程度，由结果得出货物周转量与GDP之间联系更密切.因此本着可操作性原则，本文选择以河南省货物周转量作为衡量河南省物流需求的指标，对河南省物流需求进行预测分析［22］.构建灰色ARIMA 组合预测模型对1978—2017年河南省货物周转量数据进行分析，并对河南省2018—2020年的货物周转量进行了预测.结果表明，灰色ARIMA组合预测模型精度满足要求，预测结果符合实际物流产业发展的增长趋势，也从侧面反映了我省经济持续向好的发展趋势.1 灰色ARIMA模型的原理1.1 灰色GM（1，1）预测模型灰色系统理论是由邓聚龙教授于1982年提出的一种用来解决信息不完备系统的新数学方法.该理论的研究对象是现实世界中普遍存在的、“部分信息已知，部分信息未知”的“小样本”、“贫信息”不确定性系统，通过对已知的“部分信息”的生成开发，提取其中有价值的信息，来准确把握系统运行行为及其演化规律［20］.GM（1，1）模型作为灰色预测理论的核心模型，被广泛应用于工业、农业、水文、能源和经济等领域，成功解决了大量的实际问题.GM（1，1）模型的基本原理是先对原始数据序列进行预处理，通过数据的预处理弱化数据的随机性，生成一个新的数据序列，并且新数据序列更能反映原数据的规律性；再按照新的数据序列的变化趋势建立预测模型，得到拟合数据，然后对预测出的拟合数据进行还原，得到模型最终预测结果.1.2 ARIMA模型原理差分自回归移动平均模型（Auto Regressive Integrated Moving Average Model-ARIMA）又称博克斯-詹金斯模型，它是一种时间序列分析模型，其原理是将非平稳的原始序列经过d 阶差分转化为平稳序列，同时综合考虑预测变量的过去值、当前值和误差值，对d 阶差分后的序列建立ARIMA模型进行回归分析，从而有效地提高模型的预测精度［23］.则d 阶差分变换后的ARIMA的一般模型可以表示为：式中：ωt 为时间序列在t 时刻的观测值；为自回归阶数为移动平均项数.1.3 灰色ARIMA组合模型灰色ARIMA 组合模型主要由灰色GM（1，1）模型和ARIMA 模型组合而成.在构建灰色ARIMA 组和预测模型前，需要先进行关联度分析，计算对比GDP 与货运量和货物周转量之间的关联度大小，分析两者与GDP之间联系的密切程度，选定预测变量指标.然后建立GM（1，1）模型对关联分析后选定的指标数据进行预测，并计算灰色预测误差，然后构建预测值误差序列的ARIMA预测模型，最后对两种模型的预测值进行求和，得出指标的预测值［24］.具体步骤如下.1）进行灰色关联度分析.分别计算GDP与货运量和GDP与货物周转量的关联度大小，选择与GDP关联度大的指标作为衡量物流需求的指标.2）设原始指标数据序列为，建立灰色GM（1，1）预测模型对原始数据序列进行拟合，得拟合序列Xˆ(0)，并用残差检验法对灰色预测结果进行检验.3）对拟合序列Xˆ(0)求误差序列E1(0)：得到序列E2(0).5）计算误差序列的平稳性，并对误差序列做ADF 检验，确定差分阶数d.6）建立ARIMA模型，并得出自相关和偏相关函数图，根据自相关分析法作平稳序列模型类型和模型阶数的初步识别，参照表1，然后再经AIC准则判定，找到模型一步误差最小值对应的p、q，选定最优模型，并用该模型得到误差预测序列Eˆ2(1).表1 相关性特征Tab.1 Relevance characteristics模型自相关函数偏相关函数模型自相关函数偏相关函数模型自相关函数偏相关函数AR(p)拖尾p阶截尾MA(q)q阶截尾拖尾ARMA(p,q)拖尾拖尾7）对进行差分还原得到序列，再把序列还原成原始数列的预测序列，其中还原公式为：8）模型适应性检验.对ARIMA模型残差序列进行白噪声检验，若未通过，则重新回到步骤（5）直至得到最优模型.据，即9）将灰色模型预测的结果Xˆ(0)与修正过后的ARIMA模型预测的结果相加，得出最后组合模型的数2 河南省物流需求预测的灰色ARIMA组合模型本文选择GDP、货运量和货物周转量对河南省物流需求进行预测分析.相关指标数据主要来源于历年《河南省统计年鉴》，整理如表2所示.表2 河南省物流需求预测相关指标原始数据Tab.2 Raw data of logistics demand forecast with related indicators in Henan Province年份地G区D 生P/产亿总元值货运量/万t货（物亿周t·转km量）/年份地G区D生P/产亿总元值货运量/万t货（物亿周t·转km量）/1978162.9218 176508.41 19984 308.2458 1501 452.74 1979190.0917 533529.0019994 517.9459 2181 432.08 1980229.1617 047547.6520005 052.9960 6781 476.51 1981249.6916 403563.4520015 533.0165 1911 573.28 1982263.3019 847617.7720026 035.4868 3971 649.22 1983327.9521 579674.2220036 867.7069 6891 891.73 1984370.0423 908702.7020048 579.4273 7962 107.26 1985451.7435 642838.22200510 621.5678 8272 282.60 1986502.9136 436881.90200612 412.8686 6082 415.89 1987609.6039 5391 020.81200715 076.21101 4102 729.30 1988749.0938 3571 079.26200818 097.05138 3925 215.84 1989850.7138 2451 157.63200919 590.35169 6436146.09 1990934.6538 1111 169.44201023 222.91202 4707 141.82 19911 045.7339 9231 199.31201127 098.62240 9658 471.07 19921 279.7544 0181 302.34201229 797.13272 2409 436.42 19931 660.1847 3471 337.03201332 423.55184 6697 205.05 19942 216.8350 9881 432.97201435 198.65200 6267 367.09 19952 988.3753 5821 538.82201537 278.20192 7156 916.89 19963 634.6955 9201 603.52201640 471.79205 3857 336.28 19974041.0956 1131 547.18201744 988.16229 4008 160.34本文所构建的河南省物流需求预测的灰色ARIMA组合预测模型算法流程图如图1所示.图1 灰色ARIMA组合模型预测流程图Fig.1 Prediction flow chart of gray ARIMA combination model2.1 灰色关联分析物流的整个过程环节多而散，因此目前没有一个统一的指标来度量物流需求规模.但在物流所有环节中，运输环节贯穿于物流活动的整个过程，是物流过程中实现位移的必备环节，所以在物流需求的研究中多是以货运量或者货物周转量来表示其发展规模. 因此，本文在构建组合预测模型之前，通过计算对比GDP 与货运量和货物周转量之间的关联度大小来判断采用两者中的哪一个作为衡量物流需求的指标更合适.令GDP、货运量、货物周转量分别为X0，X1，X2.由表2数据可知，X0，X1，X2 已为等长度1-时距序列，2）计算X0，X1 的相对关联度r01.第一步：求X0，X1 的初值象，得第二步：求X′0，X′1 的始点零化象，得3）计算X0 和X1 的综合关联度ρ01.方法同上，可求得序列X0 和X2 的绝对关联度、相对关联度和综合关联度分别为：由GDP 与货运量和货物周转量之间的关联度分析得出，河南省货物周转量与GDP 之间的联系更密切，由此，可以选择河南省货物周转量作为衡量河南省物流需求量的指标.两者关联度几近60%，可以认为河南省物流需求的发展在很大程度上会影响河南省经济发展.合理预测河南省物流需求，并针对物流发展过程中可能出现的问题制定相应的政策措施，从而更好地促进物流业向好发展，进而促进我省经济快速发展.2.2 灰色ARIMA组合模型预测本文以货物周转量作为衡量河南省物流需求量的指标，从《河南统计年鉴》中选择1978—2017年河南省货物周转量数据作为研究对象，构建组合预测模型对1978—2017年的数据进行拟合，并对2018—2020年的河南省货物周转量进行预测，预测过程如下.2.2.1 灰色GM（1，1）模型预测过程1）原始序列的初始化：3）1-AGO的紧邻均值序列生成：4）发展系数和灰色作用量的计算： a=-0.08，b=280.40.5）得出灰色GM（1，1）模型模拟值拟合序列，计算误差序列6）灰色GM（1，1）模型预测值与实际值拟合过程如图2所示，对2018—2020年货物周转量的预测结果如表3所示.表3 2018—2020年河南省货物周转量预测值Tab.3 Forecast value of goods turnover in Henan Province from 2018 to 2020亿t·km年份201820192020灰色模型预测值9 148.119 915.1910 746.59图2 货物周转量实际值与灰色预测值拟合图Fig.2 Fitting chart of actual value and grey forecast value of goods turnover由图2可明显看出，模型预测误差较大，分析其原因可知，存在环境随机因素如统计方法的变化等的影响，使灰色预测结果产生较大误差.2.2.2 建立误差序列的ARIMA模型灰色GM（1，1）模型预测结果误差较大，建立误差序列的ARIMA模型，对灰色预测产生的灰色预测误差数据序列进行预测分析，过程如下.1）将灰色误差序列进行非负处理.误差序列最小值为=932.15，非负处理后得到序列2）ADF检验.可以明显看出序列为非平稳序列，对其二阶差分序列进行ADF检验，检验结果如表4所示，可以看出在显著性水平0.05 下，拒绝存在单位根的原假设，说明序列的二阶差分序列是平稳序列，因此d=2.表4 ADF检验表Tab.4 ADF testAugmented Dickey-Fuller test statistict-5.S3t8a3t i s6t i8c0 0 P.0 ro 0 b0. *1 Test critical values: 1%level-3.661 661 5%level-2.960 411 10%level-2.619 1603）模型识别与定阶.二阶差分之后的序列平稳，即可确定ARIMA（p，d，q）模型中d=2.继续分析差分序列的自相关图和偏自相关图，并对差分序列拟合ARMA 模型，确定p 和q 的取值.自相关-偏自相关检验如表5.自相关图和偏自相关均拖尾，根据AIC最小准则，确定模型为ARIMA（2，2，2）.4）模型参数估计与建立.由ARIMA（2，2，2）模型进行回归，该模型的最小二乘估计结果为：表5 自相关-偏相关函数表Tab.5 Autocorrelation-partial correlation function diagram注：“*”表示相关系数，其数量表示系数大小，以此来表示自相关函数（ACF）或偏自相关函数（PACF）的拖尾或截尾性，并以此判断序列阶数.AutocorrelationPartial CorrelationACPACQ-StatProb****|. |****|. |-0.460-0.4603.349 30.067.|. |**|. |0.045-0.2116.671 00.036.|. |.*|. |0.189-0.0828.230 60.041.|*. |.|*. |0.112-0.2699.358 90.053****|. |****|. |-0.416-0.39918.187 00.003.|*. |**|. |-0.218-0.24018.666 00.005.|. |**|. |0.079-0.21121.672 00.003.|. |.*|. |0.052-0.07424.117 00.002.|. |.|*. |-0.0380.09124.119 00.004.|. |**|. |-0.030-0.26924.264 00.007.|. |**|. |-0.0090.16924.292 00.012.|. |**|. |-0.011-0.21924.295 00.019.|. |.|. |-0.0040.09124.315 00.028.|. |.*|. |-0.000-0.03324.316 00.042.|. |.*|. |0.003-0.14124.439 00.058.|. |.|. |0.026-0.09324.684 00.076并且模型所有解释变量的参数估计值在0.01的显著性水平下都是显著的.5）模型适应性检验.模型的适应性检验，实质是对模型残差序列进行白噪声检验.残差序列的自相关-偏自相关检验结果如表6所示，残差序列不存在自相关，为白噪声序列，因此ARIMA（2，2，2）模型是适合的模型.表6 残差序列的自相关-偏自相关函数表Tab.6 Autocorrelation-partial autocorrelation function diagram of residual sequence注：“*”表示相关系数，其数量表示系数大小，以此来表示自相关函数（ACF）或偏自相关函数（PACF）的拖尾或截尾性，并以此判断序列阶数.AutocorrelationPartial CorrelationACPACQ-StatProb.|. |.|. |-0.037-0.0370.04750.827.|. |.|.|0.0000.0020.04750.977.|. |.|. |-0.0440.0440.11740.990.|. |.|.|0.0020.0020.11750.998**|. |**|. |-0.113-0.1130.61820.987**|. |**|.|0.1050.1181.07220.983.|. |.|. |-0.029-0.0431.10880.993.|. |.|. |-0.031-0.0471.14990.997.|. |.|. |0.0550.0311.24980.999.*|. |.*|. |-0.083-0.0981.56690.999.|. |.*|. |-0.048-0.0701.60960.999.|. |.*|. |-0.058-0.0531.64241.000.|. |.*|. |-0.047-0.0841.76701.000.|. |.|.|0.0210.0031.79281.000.*|. |.*|. |-0.059-0.0882.01521.000.|*. |.|.|0.0730.0252.37771.0006）运用该模型拟合1978—2017年的灰色预测误差修正值，并预测2018—2020年的预测误差值，拟合效果如图3所示，从预测结果看，ARIMA（2，2，2）模型的预测效果较好，因此建立的模型是有效的.图3 修正误差的实际值与预测值拟合图Fig.3 Fitting figure of actual error value and predicted error value2.2.3 组合模型预测结果将ARIMA预测模型还原后的预测数据加上灰色模型预测数据，即为灰色ARIMA组合模型最终的预测结果. 灰色模型和灰色ARIMA 组合模型拟合过程如图4 所示. 运用组合模型对2018—2020年河南省货物周转量进行预测，预测结果如表7所示.图4 1978—2020年度原始数据与预测数据拟合图Fig.4 Fitting chart of original data and forecast data from 1978 to 2020表7 2018—2020年河南省货物周转量预测值Tab.7 Forecast value of goods turnover in Henan Province from 2018 to 2020亿t·km年份201820192020灰色模型预测值9 148.119 915.1910 746.59组合模型预测值99 405.1310487.3511 178.03河南省货物周转量从1978年到2007年稳步增长，而在2008年数据却猛增近一倍，之后呈现快速增长特征，到2012年发展达到顶峰，在2013年至2014年有所回落，2015年重新呈现增长态势.出现数据统计拐点是因为2008年的数据为公路水路运输量专项调查数据，所以2008年数据出现猛增；在2013年交通部门采用新的统计方法，因为统计口径变化，使数据统计出现波动.从图4中可以明显看出，在拟合过程中，灰色GM（1，1）模型的拟合结果是一条近似平滑的曲线，表明该模型只能反映序列数据总的变化趋势，模型的预测误差较大，无法反映序列数据的变化细节.而灰色ARIMA组合模型在反映序列趋势变化的同时，也能充分反映序列中数据的细节变化，能有效地减少预测过程中存在的环境随机因素的影响，比如统计方法变化、统计数据口径变化等的影响，因此拟合结果与原始数据更加接近，拟合精度明显优于单一的灰色GM（1，1）模型，且预测效果也更加稳定.3 结语本文以河南省地区生产总值（GDP）近似表示河南省经济发展水平.首先，通过计算河南省的GDP与货运量和货物周转量之间的关联度大小，说明我省的物流发展状况在很大程度上可以反映经济的发展状况，并且可以通过对物流需求的预测来反映物流行业的发展趋势.本文选择河南省货物周转量作为衡量河南物流需求的指标，构建灰色ARIMA组合模型对河南省1978—2017年货物周转量数据进行分析，并对2018—2020年河南省货物周转量进行预测.由模型预测结果可知，河南省货物周转量呈现增长趋势，这表明河南省物流产业规模持续增长，这也预示着未来河南省的经济发展势头持续向好.【相关文献】［1］刘钻扩，辛丽，曹飞飞.21世纪海上丝绸之路物流绩效对中国机电产品出口的影响［J］.华东经济管理，2018，32（11）：52-59.［2］GAGLIARDI F，ALVISI S，KAPELAN Z，et al.A probabilistic short-term water demand forecasting model based on the Markov chain［J］.Water，2017，9（7）：507-522.［3］伍星华.基于GSO-GNNM模型的区域物流需求预测［J］.科技管理研究，2015，35（11）：212-216.［4］TSAI T H，LEE C K，WEI C H.Neural network based temporal feature models for short-term railway passenger demand forecasting［J］.Expert Systems with Applications，2009，36：3728-3736.［5］LAU H C W，HO G T S，ZHAO Y.A demand forecast model using a combination of surrogate data analysis and optimal neural network approach［J］.Decision Support Systems，2013，54（3）：1404-1416.［6］潘和平，张承钊.FEPA-金融时间序列自适应组合预测模型［J］.中国管理科学，2018，26（6）：26-38.［7］胡泽文，武夷山.科技产出影响因素分析与预测研究——基于多元回归和BP 神经网络的途径［J］.科学学研究，2012，30（7）：992-1004.［8］ SATMAN M H，DIYARBAKIRLIOGLU E.Reducing errors-in-variables bias in linear regression using compact geneticalgorithms［J］.Journal of StatisticalComputation&Simulation，2014，85（16）：3216-3235.［9］胡小建，张美艳，卢林.物流需求预测模型构建［J］.统计与决策，2017（19）：185-188. ［10］蔡超敏，凌立文，牛超，等.国内猪肉市场价格的EMD-SVM集成预测模型［J］.中国管理科学，2016，24（S1）：845-851.［11］丁璐璐，耿立艳.基于灰关联分析的最小二乘支持向量机物流需求预测［J］.物流技术，2013，32（10）：130-132，135.［12］耿立艳.基于GRA与KPCA的LSSVM物流需求预测［J］.交通运输系统工程与信息，2015，15（1）：137-142.［13］GUO H Y，PEDRYCZ W，LIU X D.Fuzzy time series forecasting based on axiomatic fuzzy set theory［J］.Neural Computing&Applications，2018，3：1-12.［14］马国丰，周乔乔.基于灰色马尔科夫预测的PPP项目特许期调整模型研究［J］.科技管理研究，2018，38（17）：224-232.［15］李夏培.基于灰色线性组合模型的农产品物流需求预测［J］.北京交通大学学报（社会科学版），2017，16（1）：120-126.［16］李巧侠.基于参数化三角范数的铁路货运量选择集成预测［J］.河南科学，2016，34（1）：55-61.［17］ AL-DEEK e of vessel freight data to forecast heavy truck movements atseaports［J］.Transportation Research Record：Journal of the Transportation Research Board，2002，1804（1）：217-224.［18］XIAO Y，LIU J J，HU Y，et al.A neuro-fuzzy combination model based on singular spectrum analysis for air transport demand forecasting［J］.Journal of Air Transport Management，2014，39：1-11.［19］ PEIHUA FU，YAJIE LI.Application of combined model in forecasting logistic volume of a port［C］//International Conference on Intelligent Computation Technology and Automation，May 11-12，2010，Changsha，A：IEEE Computer Society，2010（1）：742-745.［20］刘思峰，郭天榜，党耀国，等.灰色系统理论及其应用［M］.北京：科学出版社，2017：92-97.［21］YUAN C Q，LIU S F，FANG Z paris on of China’s primary energy consumption forecasting by using ARIMA（the autoregressive integrated moving average）model and GM（1，1）model［J］.Energy，2016，100：384-390.［22］武孟飞，李炳军.基于GM（1，1）灰色预测模型的物流产业发展研究——以河南省经济增长背景为例［J］.河南科学，2018，36（8）：1305-1312.［23］陈荣，梁昌勇，陆文星，等.面向旅游突发事件的客流量混合预测方法研究［J］.中国管理科学，2017，25（5）：167-174.［24］李蕾，李超，丁雪辰，等.我国执业（助理）医师需求集成预测——基于GM、ARIMA和VAR模型的实证研究［J］.管理评论，2018，30（3）：171-178.。

基于ARMA模型的公路货运量预测及分析
随着国家经济水平的提高和物流行业的发展，公路货运量的重要性日益突出。

货运量
的预测对于物流企业的经营和管理至关重要，因此，本文基于ARMA模型对公路货运量进行预测。

首先，对数据进行了收集和整理。

本文所用数据为2010年到2019年间的公路货运量，包括总体和月度货运量数据。

通过数据的分析，可以看出公路货运量总体呈持续增长趋势，但增长速度有所减缓。

月度货运量呈现出季节性变化，夏季货运量相对较高，冬季货运量
相对较低。

接下来，进行了ARMA模型的建立。

ARMA模型是一种常用的时间序列预测方法，它结
合了自回归模型（AR）和移动平均模型（MA），是一种广义的自回归移动平均模型。

首先，对数据进行ADF检验，判断数据是否是平稳的。

然后，利用自相关图（ACF）和偏自相关图（PACF）对数据进行初步的识别和模型选择。

最后，根据部分自相关图（PACF）和自回归
方程、移动平均方程，确定模型的p和q值，并进行模型的拟合和检验。

最终，预测结果表明ARMA模型具有一定的预测精度。

总体货运量预测表明，未来几年中公路货运量将有所增长，但增长速度将逐渐放缓。

月度货运量预测表明，夏季货运量仍
将保持较高水平，冬季货运量预计将逐渐增加。

本文的研究结果可以为物流企业的运营和管理提供参考，对于对公路物流发展趋势有
一定的指导作用。

同时，此研究也为基于ARMA模型的货运量预测提供了一种有效的分析方法，为类似问题的研究提供了借鉴和参考。