国家铁路货运量的时间序列分析.docx

18国家铁路货运量的时间序列分析目录1.引言12.统计预测模型的建立22.1趋势拟合法22.1.1二次型22.1.2S曲线模型32.1.3移动平均法32.1.4指数平滑法32.2ARIMA模型42.2.1ARIMA模型建模步骤42.2.2观察值的预处理42.2.3模型的识别与检验53.国家铁路货运量预测分析53.1.1二次型模型63.1.2S曲线型模型73.1.3移动平均法73.1.5部分小结与结论83.2ARIMA模型法93.2.1数据的处理以及模型的建立93.2.2模型的判断与选取123.2.3模型的诊断与检验133.2.4模型的预测135.总体小结与结论13参考文献14摘要本文以国家1978年至2011年中国国家铁路货运量数据为基础.以不同的方法建立不同的模型，并通过所建立的不同样式的模型来对2012至2014年国家铁路货运量进行预测.比较不同样式的模型的预测精确度，最终选择了在经过差分剔除长期趋势以及季节因素后对其残差进行检验和识别.从而建立ARIMA（0,2,1），并根据此模型对2012至2014年国家铁路货运量进行预测，拟合效果良好.关键词国家铁路货运量；预测精确度；差分；ARIMA模型Abstract:Basedonthenationalrailwayfreightvolumedatafrom1978to2011,thispaperestablishesamodelwithdifferentmethods,andforecaststhefreightvolumefrom2012to2014bythemodel.Bycomparingthepredictionaccuracyofthedifferentmodels,theARIMAfunctionmodelisfinallyselected.Accordingtothisfunctionmodel,theforecastoffreightvolumebetween2014and2012ismade,andthefittingeffectisgood.KeyWords:Nationalrailwayfreightvolume；Predictionaccuracy；Difference；ARIMApatternfunction.引言现代数学统计理论在金融学中的应用越来越明显，有关专家指出，统计学、经济理论以及数学这三个对于真正的去了解现代经济生活里蕴含的数量关系来说是很有必要的.数学给经济界带来了全新的视角、理念.如果缺乏统计基础知识要想在市场中有出色而又完美的表现是十分困难的.本文以中国的水路运输为列，通过数理方法对中国水路货运量的发展趋势进行科学性的预测与分析.自1987改革开放以来中国经济进入了高速发展的时期，其中铁路运输作为交通运输系统的重要组成的部分，为国家GDP的提升做出了巨大贡献，承担着重要的交通运输责任，为我国的经济发展做出了良好的推动与促进作用.铁路运输按性质可以划分为国家铁路、地方铁路以及合资铁路，其主要特点是运量大、成本低、能耗少、投资低、是国内国际重要的运输方式之一，其重要性不言而喻.另外，铁路运输在国民经济发展中具有重要的作用，它将世界各地连成一片，对于经济全球化的发展具有重要的推动作用.所以研究全国的国家铁路货运量对于经济政策的调整与完善具有非常重要的作用.如何使用科学的统计方法分析与预测国家铁路货运量，将有助于经济的快速发展，解放出大批生产力去从事其它经济建设，从而更好的推动经济的发展.对于全国国家铁路货运量的分析与预测，更多的是以年度的数据为单位，大多采用长期趋势分析、回归分析、神经网络、灰色预测、指数平滑法等确定性的模型来分析.由于回归分析、灰色预测、长期趋势虽然能对数据进行预测，但是只能提取强劲的确定性信息，对随机信息的浪费比较严重，而且不能对其残差做进一步的分析，不能判断信息最终是否充分提取，所以模型的精度较差.随机时序分析方法弥补了确定性因素分解方法的不足，本文采用ARIMA模型对未来进行分析与预测，其预测的精确度比之线性模型，指数模型等更好，正文部分将对几种模型的做详细比较.根据全国1978年至2011年国家铁路的货运量数据，用统计方法对数据进行的分析，发现国家铁路货运量具有显著地增涨趋势，在对数据进行二阶差分从趋势中提取出线性趋势后，差分后的序列呈现出了非常平稳的随机波动.在剔除完长期趋势因素后，用随机效应模型ARIMA对二阶差分建模，得到更高精确度的水路货运量的预测模型.本文所有数据是全国1978年至2011年国家铁路货运量数据作为建模数据，以2012年至2014年这三年的数据作为建模的检验所用，在误差允许的范围内，拟合效果良好.统计预测模型的建立时间序列分析是对动态数据进行处理的一种统计方法.这种方法以随机过程理论与数理