基于灰色回歸組合模型的鐵路客運(yùn)量預(yù)測(cè)研究

王 彬

(天津大學(xué) 管理與經(jīng)濟(jì)學(xué)部， 天津 300072)

基于灰色回歸組合模型的鐵路客運(yùn)量預(yù)測(cè)研究

王 彬

(天津大學(xué) 管理與經(jīng)濟(jì)學(xué)部， 天津 300072)

鐵路客運(yùn)量是衡量我國(guó)交通需求的重要指標(biāo)，科學(xué)預(yù)測(cè)鐵路客運(yùn)量是制定交通發(fā)展規(guī)劃的重要依據(jù)。鑒于組合模型能克服單一模型的不足并兼具單一模型的優(yōu)點(diǎn)，基于灰色模型和線性回歸模型，根據(jù)灰色關(guān)聯(lián)度賦予單一模型相應(yīng)權(quán)重，建立鐵路客運(yùn)量組合預(yù)測(cè)模型，并選取2006—2015年鐵路客運(yùn)量數(shù)據(jù)，對(duì)我國(guó)鐵路客運(yùn)量進(jìn)行預(yù)測(cè)。結(jié)果表明：組合模型克服了單一模型的預(yù)測(cè)局限性，能進(jìn)一步提高預(yù)測(cè)精度，適用于鐵路客運(yùn)量預(yù)測(cè)研究。

灰色模型；線性回歸模型；組合模型；鐵路客運(yùn)量

鐵路作為一種現(xiàn)代化運(yùn)輸方式，是一個(gè)國(guó)家經(jīng)濟(jì)發(fā)展水平高低的集中體現(xiàn)。同時(shí)，國(guó)民經(jīng)濟(jì)的發(fā)展也離不開鐵路運(yùn)輸業(yè)的發(fā)展，兩者相輔相成。隨著我國(guó)經(jīng)濟(jì)的迅猛發(fā)展，我國(guó)鐵路運(yùn)輸能力不斷增強(qiáng)，鐵路客運(yùn)量不斷增長(zhǎng)，這就要求我們合理制定鐵路運(yùn)輸計(jì)劃、科學(xué)預(yù)測(cè)鐵路客運(yùn)量。作為鐵路運(yùn)輸組織工作的重要基礎(chǔ)，鐵路客運(yùn)量預(yù)測(cè)的準(zhǔn)確性不僅影響著鐵路運(yùn)輸資源配置效率，更影響著鐵路運(yùn)輸發(fā)展規(guī)劃的制定，關(guān)乎我國(guó)鐵路運(yùn)輸業(yè)的健康發(fā)展，具有舉足輕重的現(xiàn)實(shí)意義。

在鐵路客運(yùn)量預(yù)測(cè)方面，國(guó)內(nèi)學(xué)者提出了多種預(yù)測(cè)模型。劉殿勝[1]對(duì)我國(guó)鐵路客運(yùn)量運(yùn)距構(gòu)成進(jìn)行了分析，為鐵路客運(yùn)量預(yù)測(cè)打下了良好基礎(chǔ)。王卓等[2]利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)鐵路客運(yùn)量時(shí)間序列進(jìn)行分析，得到了相對(duì)滿意的預(yù)測(cè)結(jié)果。郝軍章等[3]利用SARIMA模型對(duì)我國(guó)鐵路客運(yùn)量季節(jié)時(shí)間序列進(jìn)行研究，擬合結(jié)果表明預(yù)測(cè)精度相對(duì)較好。侯立新[4]利用指數(shù)平滑法對(duì)京包線旅客發(fā)送量進(jìn)行預(yù)測(cè)，通過分析旅客發(fā)送量時(shí)間序列發(fā)現(xiàn)運(yùn)用二次指數(shù)平滑模型進(jìn)行預(yù)測(cè)是科學(xué)合理的。田桂英等[5]基于GM(1,1)殘差模型對(duì)廣西壯族自治區(qū)鐵路客運(yùn)量進(jìn)行預(yù)測(cè)，結(jié)果表明：GM(1,1)殘差模型能利用較少的數(shù)據(jù)得到精度較高的預(yù)測(cè)數(shù)據(jù)。李曉東[6]基于線性回歸-馬爾可夫模型對(duì)我國(guó)鐵路客運(yùn)量進(jìn)行預(yù)測(cè)，結(jié)果表明：線性回歸-馬爾可夫模型在鐵路客運(yùn)量預(yù)測(cè)方面還有待進(jìn)一步完善。

通過對(duì)以上模型進(jìn)行分析發(fā)現(xiàn)：目前常用的鐵路客運(yùn)量預(yù)測(cè)模型都比較依賴于大量歷史數(shù)據(jù)的分析，而鐵路系統(tǒng)又是一個(gè)包含眾多未知信息的多因素開放式系統(tǒng)，這正屬于灰色系統(tǒng)的大范疇，因此灰色GM(1,1)鐵路客運(yùn)量預(yù)測(cè)模型可以利用較少已知數(shù)據(jù)得到精度較高的預(yù)測(cè)結(jié)果?？紤]到灰色GM(1,1)模型在處理一些具有線性變化趨勢(shì)的數(shù)據(jù)方面具有一定的局限性，如果能結(jié)合線性回歸模型，將會(huì)進(jìn)一步降低預(yù)測(cè)誤差，改善預(yù)測(cè)結(jié)果。本文基于灰色GM(1,1)模型和線性回歸模型，根據(jù)灰色關(guān)聯(lián)度賦予單一模型相應(yīng)權(quán)重，在此基礎(chǔ)上建立鐵路客運(yùn)量組合預(yù)測(cè)模型對(duì)我國(guó)鐵路客運(yùn)量進(jìn)行預(yù)測(cè)，以便得到精度更高的預(yù)測(cè)結(jié)果。

1 灰色回歸組合模型的建立

1.1 灰色模型

通過灰色GM(1,1)模型的建立過程可以看出，原始數(shù)據(jù)的光滑度和背景值公式的構(gòu)造直接影響著模型的預(yù)測(cè)準(zhǔn)確性，如果原始數(shù)據(jù)不夠光滑或者模型背景值與實(shí)際背景值不夠協(xié)調(diào)，這種情況下灰色GM(1,1)模型的預(yù)測(cè)誤差就相對(duì)較大[7]。

1.2 線性回歸模型

線性回歸模型是用一個(gè)或多個(gè)解釋變量來解釋因變量的一種計(jì)量模型。不妨設(shè)Y為因變量，X1，X2，…,Xn為n個(gè)用來解釋Y的解釋變量，稱方程Y=β0+β1X1+…+βnXn,(i=1,2,…,k) 為線性回歸模型，其中β0為常數(shù)項(xiàng)，參數(shù)β1,β2,…,βn稱為回歸系數(shù)。

若令

(1)

則一元線性回歸模型可用矩陣形式表示為：Y=β0+βX，其中：β0為常數(shù)項(xiàng)；參數(shù)β1,β2,…,βn稱為回歸系數(shù)。

1.3 組合模型

灰色GM(1,1)模型在處理具有指數(shù)增長(zhǎng)趨勢(shì)的原始數(shù)據(jù)方面預(yù)測(cè)精度很高，而對(duì)線性變化的原始數(shù)據(jù)預(yù)測(cè)效果不是很好；線性回歸模型在處理線性變化的原始數(shù)據(jù)方面預(yù)測(cè)精度很高，而對(duì)具有指數(shù)增長(zhǎng)趨勢(shì)的非線性變化數(shù)據(jù)預(yù)測(cè)效果不佳。如果原始數(shù)據(jù)既有一定的線性變化，又有一定的指數(shù)增長(zhǎng)趨勢(shì)，那么單獨(dú)利用灰色GM(1,1)模型或線性回歸模型都很難得到滿意的預(yù)測(cè)結(jié)果。

通過將灰色GM(1,1)模型和線性回歸模型進(jìn)行組合，建立的組合預(yù)測(cè)模型既能處理具有指數(shù)增長(zhǎng)趨勢(shì)的原始數(shù)據(jù)，又能處理具有線性變化的原始數(shù)據(jù)，在一定程度上大大降低了單獨(dú)利用灰色GM(1,1)模型或線性回歸模型的預(yù)測(cè)誤差。本文基于灰色關(guān)聯(lián)度分別賦予灰色GM(1,1)模型和線性回歸模型一定的權(quán)重，在此基礎(chǔ)上建立組合預(yù)測(cè)模型[15-21]：

k=1,2,…,n

w1+w2=1

(2)

(3)

令

(4)

則

(5)

從灰色關(guān)聯(lián)度定義可以看出：Δ(k)表示模型預(yù)測(cè)值和實(shí)際值的預(yù)測(cè)誤差，灰色關(guān)聯(lián)度表示模型預(yù)測(cè)值和實(shí)際值的相似程度，只有當(dāng)預(yù)測(cè)值和實(shí)際值完全相同時(shí)，灰色關(guān)聯(lián)度才為1。

1.4基于灰色回歸組合模型的鐵路客運(yùn)量預(yù)測(cè)

k=1,2,…,n

w1+w2=1

(6)

利用Matlab等數(shù)學(xué)工具求解該灰色回歸組合模型，計(jì)算GM(1,1)模型和線性回歸模型的權(quán)重系數(shù)分別為w1=0.169 2，w2=0.830 8，得到我國(guó)鐵路客運(yùn)量預(yù)測(cè)結(jié)果，如表1所示。

表1 我國(guó)鐵路客運(yùn)量預(yù)測(cè)

通過表1可以看出:2006年以來，我國(guó)鐵路客運(yùn)量一直保持著高速發(fā)展，截至2015年，鐵路客運(yùn)量已達(dá)到253 484萬人;同時(shí)，基于GM(1,1)模型的預(yù)測(cè)值平均相對(duì)誤差為4.77%，基于線性回歸模型的預(yù)測(cè)值平均相對(duì)誤差為3.07%，而基于灰色回歸組合模型的預(yù)測(cè)值平均相對(duì)誤差為2.95%。

通過對(duì)比發(fā)現(xiàn)，2006—2010年灰色GM(1,1)模型的預(yù)測(cè)誤差小于線性回歸模型的預(yù)測(cè)誤差，說明這段時(shí)間鐵路客運(yùn)量保持著較為明顯的指數(shù)增長(zhǎng)趨勢(shì)；2011—2015年灰色GM(1,1)模型的預(yù)測(cè)誤差大于線性回歸模型的預(yù)測(cè)誤差，說明這段時(shí)間鐵路客運(yùn)量保持著較為明顯的線性增長(zhǎng)趨勢(shì)。因此，我國(guó)鐵路客運(yùn)量發(fā)展既有一定的指數(shù)增長(zhǎng)趨勢(shì)，又有一定的線性增長(zhǎng)趨勢(shì)，利用單一模型對(duì)我國(guó)客運(yùn)量進(jìn)行預(yù)測(cè)存在著一定的預(yù)測(cè)局限性，單一模型不能準(zhǔn)確反映我國(guó)鐵路客運(yùn)量的發(fā)展趨勢(shì)。

同時(shí)，灰色回歸組合模型的預(yù)測(cè)平均誤差要小于灰色GM(1,1)模型和線性回歸模型的預(yù)測(cè)平均誤差；由于線性回歸模型預(yù)測(cè)值保持線性增長(zhǎng)趨勢(shì)，隨著我國(guó)鐵路客運(yùn)量的迅猛發(fā)展，自2014年開始，線性回歸模型預(yù)測(cè)值小于實(shí)際值，考慮到灰色GM(1,1)模型預(yù)測(cè)值大于實(shí)際值，使得2014—2015年灰色回歸組合模型的預(yù)測(cè)誤差均小于灰色GM(1,1)模型和線性回歸模型的預(yù)測(cè)誤差。由此可以預(yù)見，在未來幾年灰色回歸組合模型的預(yù)測(cè)誤差都將小于單一模型的預(yù)測(cè)誤差。因此，灰色回歸組合模型兼顧了鐵路客運(yùn)量的線性增長(zhǎng)趨勢(shì)和指數(shù)增長(zhǎng)趨勢(shì)，克服了單一模型的預(yù)測(cè)局限性，進(jìn)一步降低了預(yù)測(cè)誤差，提高了預(yù)測(cè)準(zhǔn)確性。

2 結(jié)束語(yǔ)

鐵路作為一種現(xiàn)代化運(yùn)輸方式，是一個(gè)國(guó)家經(jīng)濟(jì)發(fā)展水平高低的集中體現(xiàn)。同時(shí)，國(guó)民經(jīng)濟(jì)的發(fā)展也離不開鐵路運(yùn)輸業(yè)的發(fā)展，兩者相輔相成。隨著我國(guó)經(jīng)濟(jì)的迅猛發(fā)展，我國(guó)鐵路運(yùn)輸能力不斷增強(qiáng)，鐵路客運(yùn)量不斷增長(zhǎng)，這就要求我們合理制定鐵路運(yùn)輸計(jì)劃，科學(xué)預(yù)測(cè)鐵路客運(yùn)量。本文基于灰色GM(1,1)模型和線性回歸模型，根據(jù)灰色關(guān)聯(lián)度賦予單一模型相應(yīng)權(quán)重，在此基礎(chǔ)上建立鐵路客運(yùn)量組合預(yù)測(cè)模型，并選取2006—2015年這10年間的鐵路客運(yùn)量數(shù)據(jù)，對(duì)我國(guó)鐵路客運(yùn)量進(jìn)行預(yù)測(cè)。結(jié)果表明，基于GM(1,1)模型的預(yù)測(cè)值平均相對(duì)誤差為4.77%，基于線性回歸模型的預(yù)測(cè)值平均相對(duì)誤差為3.07%，而基于灰色回歸組合模型的預(yù)測(cè)值平均相對(duì)誤差為2.95%，克服了單一模型的預(yù)測(cè)局限性，進(jìn)一步降低了預(yù)測(cè)誤差，提高了預(yù)測(cè)準(zhǔn)確性。

[1] 劉殿勝.鐵路客運(yùn)量分析探討[J].中國(guó)鐵路，2008(9):7-9.

[2] 王卓，王艷輝，賈利民,等.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在鐵路客運(yùn)量時(shí)間序列預(yù)測(cè)中的應(yīng)用[J].中國(guó)鐵道科學(xué)，2005，26(2):127-131.

[3] 郝軍章，崔玉杰，韓江雪.基于SARIMA模型在我國(guó)鐵路客運(yùn)量中的預(yù)測(cè)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2015，45(18):95-104.

[4] 侯立新.基于指數(shù)平滑法的京包線鐵路客運(yùn)量預(yù)測(cè)[J].科技創(chuàng)新導(dǎo)報(bào)，2012(32):107-107.

[5] 田桂英，王花蘭.基于GM(1,1)殘差模型的鐵路客運(yùn)量預(yù)測(cè)[J].價(jià)值工程，2010，29(18):252-253.

[6] 李曉東.基于線性回歸-馬爾可夫模型的鐵路客運(yùn)量預(yù)測(cè)[J].鐵道運(yùn)輸與經(jīng)濟(jì)，2012，34(4):38-41.

[7] 何海，陳綿云.GM(1,1)模型預(yù)測(cè)公式的缺陷及改進(jìn)[J].武漢理工大學(xué)學(xué)報(bào)，2004，26(7):81-83.

[8] 張磊，孫長(zhǎng)青.高階殘差修正GM(1,1)區(qū)間預(yù)測(cè)模型及其應(yīng)用[J].兵器裝備工程學(xué)報(bào)，2017，38(2):177-181.

[9] 楊克磊，張振宇，和美.應(yīng)用灰色GM(1,1)模型的糧食產(chǎn)量預(yù)測(cè)研究[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2015(4):124-127.

[10] 彭巖，楊卓毅.基于改進(jìn)GM(1,1)模型的天津市電力消費(fèi)預(yù)測(cè)研究[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2015，29(1):131-134.

[11] 卞藝杰，李杭.基于GM(1,1)模型的南京市電力需求預(yù)測(cè)與探究[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2016，30(7):69-73.

[12] 嚴(yán)超，張安明，吳仕海.基于 GM(1,1)模型的土地生態(tài)安全動(dòng)態(tài)分析與預(yù)測(cè)——以安徽省池州市為例[J].西南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，37(2):103-109.

[13] 朱嵐.基于灰色GM(1,1)聯(lián)合預(yù)測(cè)模型的企業(yè)產(chǎn)值評(píng)估[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2016，30(10):175-180.

[14] 游中勝，何麗.基于序列包絡(luò)帶的 GM(1,1)區(qū)間預(yù)測(cè)建模條件研究[J].西南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，37(1):150-154.

[15] 劉思峰，曾波，劉解放,等.GM(1,1)模型的幾種基本形式及其適用范圍研究[J].系統(tǒng)工程與電子技術(shù)，2014，36(3):501-508.

[16] 楊華龍，劉金霞，鄭斌.灰色預(yù)測(cè)GM(1,1)模型的改進(jìn)及應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2011，41(23):39-46.

[17] 高連生，易誕，毛娜,等.基于改進(jìn)的GM(1,1)的長(zhǎng)期交通量預(yù)測(cè)模型[J].鐵道科學(xué)與工程學(xué)報(bào)，2015(1):203-207.

[18] 鐘霞，吳中，王麗.灰色理論及其組合模型在交通運(yùn)量預(yù)測(cè)中的運(yùn)用[J].交通標(biāo)準(zhǔn)化，2004(12):35-38.

[19] 沈陽(yáng)武，彭曉濤，施通勤,等.基于最優(yōu)組合權(quán)重的電能質(zhì)量灰色綜合評(píng)價(jià)方法[J].電力系統(tǒng)自動(dòng)化，2012，36(10):67-73.

[20] 彭保發(fā)，胡曰利，吳遠(yuǎn)芬,等.基于灰色系統(tǒng)模型的城鄉(xiāng)建設(shè)用地規(guī)模預(yù)測(cè)——以常德市鼎城區(qū)為例[J].經(jīng)濟(jì)地理，2007，27(6):999-1002.

[21] 馬星河，閆炳耀，唐云峰,等.基于優(yōu)選組合預(yù)測(cè)技術(shù)的中長(zhǎng)期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2015，27(6):62-67.

(責(zé)任編輯劉 舸)

ForecastofRailwayPassengerTrafficBasedonGreyLinearRegressionCombinedModel

WANG Bin

(Department of Management and Eeconomics, Tianjin University, Tianjin 300072， China)

Railway passenger traffic is an important index to measure the demand of transportation in our country. Scientific forecast of railway passenger traffic is an important basis for the development of transportation development planning. In order to accurately predict the passenger capacity of our country, this paper establishes the grey linear regression combined model for railway passenger traffic, based on the gray model and the linear regression model, to which corresponding weight is given according to the gray correlation degree, and select the of 2006—2015 railway passenger traffic to forecasting our Railway Passenger Traffic. The results show that the combined model overcomes the prediction limitations of the single model and has a wide range of application, which can further improve the prediction accuracy and can be used to predict the railway passenger traffic.

grey model；linear regression model；combined model；railway passenger traffic

2017-03-26

天津市應(yīng)用基礎(chǔ)及前沿技術(shù)研究計(jì)劃資助項(xiàng)目“基于感知過程的復(fù)雜系統(tǒng)信息融合理論與應(yīng)用研究”(10JCYBJC07300)

王彬(1973—)，男，海南臨高人，碩士，主要從事管理科學(xué)與工程研究，E-mail:wangbin1973@zoho.com。

王彬.基于灰色回歸組合模型的鐵路客運(yùn)量預(yù)測(cè)研究[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué))，2017(11):230-234.

formatWANG Bin.Forecast of Railway Passenger Traffic Based on Grey Linear Regression Combined Model[J].Journal of Chongqing University of Technology(Natural Science)，2017(11):230-234.

10.3969/j.issn.1674-8425(z).2017.11.035

O212

A

1674-8425(2017)11-0230-05