基于ARMA模型的公路货运量预测及分析.pdf

基于ARMA模型的公路货运量预测及分析惠倩倩摘要：为了把握公路货运量的变化趋势及公路货运市场的发展动向从公路货运量预测及时间序列分析的相关原理出发详细论述如何应用ARMA模型进行公路货运量的定量预测。以陕西省2010—2017年公路货运量月度数据为基准判断其是否满足平稳性要求经数据平稳化和标准化构建出满足AIC和SC准则且通过残差分析监测的移动平均模型最终将确定的模型应用到对2018年其他月份的公路货运量预测中。结果表明预测结果接近真实值且误差和置信区间均在合理范围内可以为公路货运市场的相关管理决策提供相应的支撑。关键词：公路货运量;时间序列分析;预测;ARMA模型中图分类号：F540.3文献标志码：A文章编号：1673-291X（2020）12-0035-03引言近年来随着物流行业和车货匹配平台的快速发展我国公路货运市场规模已超过6万亿。准确把握公路货运量等发展趋势可以为相关决策提供依据。公路货运量的预测是指基于公路货运市场过去的情况、当前的货运需求以及影响需求的相关因素间的关系结合经验判断及各类定性、定量模型对其变化趋势进行预测。时间序列作为定量预测的常用方法在承认事物发展延续性的前提下基于已有时间序列的变化模式来预测未来的变化。鉴于自回归移动平均（ARMA）模型的广泛适用性及其在谱估计精度上的优越性本文选用该方法对公路货运量进行预测。一、预测原理ARMA模型以不同时间下的观察值为时间序列探索各个影响因素与预测对象间的回归关系对其发展进行预测。考虑到各个影响因素带来的影响和预测对象自身变动的规律ARMA模型可以表示为：二、时间序列在公路货运量预测中的应用分析本文以2010—2017年陕西省公路货运量为样本（见表1）。以前7年的历史数据为观测值序列构建模型得到2017年各月货运量的预测结果并与2017年实际数据做比较确定最佳的预测模型最后预测2018年的公路货运量。模型的建立与预测都在EViews8.0中完成。1.平稳化处理。为判断数据的平稳性使用EViews软件将2010—2016年陕西省公路货运量的历史数据定义为随机序列X。序列X呈现出了明显季节性和长期趋势是一个不稳定的时间序列需要采取差分运算直到差分后的数据为平稳序列。鉴于差分运算的阶数特性同时进行一阶差分和十二阶差分生成了稳定的时间序列Xt。且通过白噪声检验Xt属于平稳非白噪声时间序列具有了提取有效信息做出进一步预测的价值。2.模型识别与建立。为了识别平稳、非白噪声序列Xt对应的ARMA模型参数计算出自相关系数ACF和偏自相关系PACF。根据其ACF和PACF函数均具有一阶截尾的特性可进一步构建ARMA（11）模型。通过方程估计得到模型ARMA（11）的拟合结果。拟合结果中AR（1）的Prob值小于0.05但是MA（1）的Prob值远大于0.05即自回归和移动平均系数均不显著拟合的效果仍有待提升。根据AIC和SC准则经过多次试验并综合比较了不同系数下的ARMA模型的可决系数和残差平方和得到MA（1）模型的拟合效果最为理想（如2表所示）。3.模型检验。为评价模型的效果及准确性尽可能使预测值与实际值的差距最小。本文基于MA（1）拟合结果的ACF及PACF进行残差分析试验确定残差序列的独立性。这表明ACF函数及PACF函数完全满足2倍标准差范围的要求Q-stat的Prob值也都大于0.05这在一定程度上体现了MA（