基于ARIMA模型的重庆货运量预测.pdf

第9卷第3期重庆交通大学学报(社科版)2009年6月
Vo1．9No．3JOURNALOFCHONGQINGJIAOTONGUNIVERSITY(SocialSciencesEdition)Jun．2009

基于ARIMA模型的重庆货运量预测

王代瑜
(重庆交通大学交通运输学院，重庆400074)

摘要：采用求和自回归移动平均模型(ARIMA)，对国家统计局和(2OO6年重庆统计年鉴》提供的重庆货运
量数据进行分析。结果显示，ARIMA(5，2，1)模型提供了较准确的预测结果，可用于未来的预测，能为重庆运
输业的发展提供可靠的参考依据。
关键词：ARIMA；货运量；时间序列分析
中图分类号：Ul16．3文献标识码：A文章编号：1674—0297(2009)03—0038—04

重庆直辖十年来，交通运输业发生了翻天覆地的变分析描述事物的发展趋势。二是适用环境不同。与ARI—
化：公路水路基础设施建设突飞猛进，交通“瓶颈”制约明MA法相比，传统法原理简单易懂，适合于具有某种典型趋
显缓解；水运建设项目快速推进，港口码头吞吐能力大幅势特征变化的社会经济现象的预测。而ARIMA法由于不
提高，长江黄金水道优势逐步发挥；运输市场日益繁荣，群需要对时间序列的发展模式作先验假设，同时此方法本身
众出行更加方便，保障了社会经济的发展需要；固定资产保证可通过反复识别修改，直至获得满意的模型，因此适
投资增长迅猛；综合交通体系日趋完善，综合运输体系框合于各种类型的时间序列数据，是一种精确度相当高的短
架已具雏形。重庆正日益成为西部交通的中心城市，且正期预测方法。三是建模的基本思想不同。传统法建模的基
将其打造为西部的物流中心。要想实现此目标，必须对各本思想是：认为事物的变化是渐进式而不是跳跃式的，影
种交通方式进行建设和完善，而货运量预测则是基础性的响因素基本不变；ARIMA法建模的基本思想是：将预测对
工作。为了增强预测的准确性，本文采用了时间序列分析象随时间推移而形成的数据序列视为一个随机序列，序列
法中的ARIMA方法建模，取得了较好的拟合效果，并根据值虽然具有不确定性，但整个序列的变化却有一定的规律
模型预测了未来几年重庆货运量发展的趋势。
性，可以用相应的数学模型近似描述，这样就可以从时间
序列的过去值及现在值预测其未来值。

一
、预测方法比较与选择
指数平滑法、滑动平均法、趋势预测法、趋势季节模型
二、ARIMA模型建模思路
预测法等确定性时间序列分析法为传统的一些方法。1970
ARIMA模型(P，d，q)又称为自回归求积移动平均模
年，Box和Jenkins提出随机理论为基础的时间序列分析方
型。其中AR指自回归；P为模型的自回归项数；MA为移
法，其基本模型有三种：自回归(AR)模型、移动平均(MA)
动平均；q为模型的移动平均项数；I指积分；d为时间序列
模型和自回归求积移动平均(ARIMA)模型。而自回归
成为平稳之前必须取差分的次数。其一般的表达式为：
(AR)模型和移动平均(MA)模型实际上就是自回归求积
=+alyI一1+Or2Yt一2+⋯+y1．P
移动平均(ARIMA)模型的特例。
+。+Bllz。一1+．2+⋯+34z。一。
传统方法和ARIMA法都属于时间序列分析法，都是
通过分析现象(变量)随时间而发展变化的特征，以现象(一)建模思路
(变量)的历史资料建立时间序列模型(或带回归项的时间ARIMA建模思路是：假设所研究的时间序列是由某个
序列模型)的方法。但是两种方法有所区别：一是分析的随机过程产生的，用实际统计序列去建立、估计该随机过
前提条件不同。传统法假定时间序列的资料存在着某个程的自回归移动平均模型，并用此模型求出预测值。
确定的模式，随机变量相对来说并不显著。而ARIMA法(二)建模步骤
假定数据序列是由某个随机过程产生的，利用随机过程去1．观察时间序列。根据时间序的散点图自相关函数

·收稿日期：2009—03—17
作者简介：王代瑜(1978一)，女，四川剑阁人，重庆交通大学交通运输学院讲师，硕士，主要从事交通igorz~物流
研究。
陈志政等：宁波城市公共交通发展对策研究39

(ACF)图和偏白相关函数(PACF)图以及ADF单位根检验表1序列ADF检验

观察其方差、趋势及其季节性变化规律，识别该序列的平ADFI．estStatistic0．111526l％CriticalValue一3．6852

稳性。5％CriticalValue一2．9705

2．对序列进行平稳化处理。如果数据序列是非平稳lO％CriticalValue一2．6242
的，并存在一定的增长或下降趋势，则需对数据进行差分
注：}MacKinnoncriticalvaluesforrejectionof