基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法

发布时间：2021-06-09 06:45

　　首先,根据铁路月度客运量时序图呈现的趋势性、周期性和随机波动性,运用季节分解法将其分解为趋势循环分量、季节因子分量和不规则分量,直观量化地表征出所蕴含的特征信息。接着,引入季节时间序列模型（SARIMA）对平稳化和单整检验后的月度客运量序列的趋势性和季节性进行建模,通过季节差分序列的相关图筛选确定出最佳模型阶数,得到SARIMA基础预测模型。然后,为提高模型对波动性的刻画精度,消除异方差影响,再对基础模型的回归残差进行ARCH检验,构建出广义自回归条件异方差（GARCH）模型,并检验所建SARIMA-GARCH融合模型的稳定性。最后,将融合模型与常规SARIMA、ARIMA和NAR动态神经网络模型的短期预测值进行精度对比验证,并对其中长期预测性能做测试分析。结果表明,SARIMA-GARCH模型短期预测性能优于SARIMA、ARIMA和NAR动态神经网络模型。 

【文章来源】：铁道学报. 2020,42(06)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

客运量原始序列Y的时序图

本文采用ADF单位根检验法来判定时间序列的平稳性。若不平稳,则对LY序列依次进行d阶差分直至序列平稳,再进行分析建模。对LY序列的平稳性ADF检验结果见表1。表1 LY序列ADF检验结果 变量序列 ADF检验统计量 相应显著水平下的临界值 相伴概率 结论 1% 5% 10% LY -2.457 6 -4.018 3 -3.439 1 -3.143 9 0.348 8 非平稳 一阶差分ΔLY -20.246 6 -4.016 5 -3.438 2 -3.143 3 0.000 0 平稳

检验结果分析:(1)LY序列的ADF检验统计量均大于1%、5%和10%水平的临界值,且接受存在单位根的原假设的概率为0.348 8。所以,LY序列是非平稳序列。(2)经一阶差分后的序列ΔLY对应的ADF检验统计量为-20.246 6,小于1%的显著水平临界值,其接受存在单位根原假设的概率为0,即不接受原假设,表明ΔLY是平稳的。同时,从一阶差分序列ΔLY的时序图3也可看出,差分序列围绕0轴上下波动,呈现出良好的平稳性。综上,LY序列为一阶单整序列,记为LY～I(1)。2.2 月度客运量时间序列特征信息分解

【参考文献】：
期刊论文
[1]基于数据替补修正的高速铁路日常客运量VMD-GA-BP预测方法[J]. 史峰,杨星琪,胡心磊,徐光明,武润发.  中国铁道科学. 2019(03)
[2]基于SARIMA模型的铁路月度客运量预测[J]. 汤银英,朱星龙,李龙.  交通运输工程与信息学报. 2019(01)
[3]基于ARIMA-GARCH-M模型的短时交通流预测方法[J]. 王晓全,邵春福,尹超英,计寻,管岭.  北京交通大学学报. 2018(04)
[4]基于微分信息的ARMAD-GARCH股价预测模型[J]. 张贵生,张信东.  系统工程理论与实践. 2016(05)
[5]基于SARIMA模型的北京地铁进站客流量预测[J]. 王莹,韩宝明,张琦,李得伟.  交通运输系统工程与信息. 2015(06)
[6]基于灰色理论和马尔科夫模型的城市公交客运量预测方法[J]. 杨琦,杨云峰,冯忠祥,赵现伟.  中国公路学报. 2013(06)
[7]基于指数平滑法和马尔科夫模型的公路客运量预测方法[J]. 芮海田,吴群琪,袁华智,冯忠祥,朱文英.  交通运输工程学报. 2013(04)
[8]基于春节因素的中国铁路月度客运量季节调整模型研究[J]. 汪志红,汪前元.  铁道学报. 2013(07)
[9]基于ARMA-GARCH模型的水文过程不确定性分析[J]. 王红瑞,高雄,钱龙霞,俞淞.  中国科学:技术科学. 2012(09)
[10]基于混沌理论的铁路客货运量预测研究[J]. 朱子虎,翁振松.  铁道学报. 2011(06)

博士论文
[1]子年度经济时间序列季节调整模型与应用研究[D]. 桂文林.暨南大学 2011



本文编号：3220152