基于GM(1,1)–SARIMA组合模型的铁路客运量预测研究

精确预测铁路客运量是科学设置列车出行计划,铁路运输规划的重要前提,为了克服单一模型在铁路客运量预测上的不足,选取2010年1月至2019年12月全国铁路客运量数据,结合STL时序分解法将客运量数据分解为三项,探索性分析后,选用GM(1,1)和SARIMA模型对三项数据进行预测,组合成最终结果,以MAPE、RMSE和R^(2)为评价指标,将组合模型与单一GM(1,1)和SARIMA模型对比分析,试验结果表明,组合模型的R^(2)更接近于1,RMSE降低了55.31%~86.30%,MAPE降低了54.39%~82.61%。证明了GM(1,1)–SARIMA模型在铁路客运量预测上的准确性和适用性。

基于SARIMA-BP神经网络对消防救援人员安排的预测

针对某地消防救援人员的安排,将消防救援出警次数分成两段,以2016年1月~2020年12月数据用于构建模型,2021年1~12月数据用检验模型,最终用于预测2022年1~12月.综合运用SARIMA模型、ARIMA模型等方法,分别对1~9月出警次数进行拟合并建立相应模型,并对10~12月出警次数进行预测.借助交通网络图结合Floyd算法,计算得出没有直接路径的各区域之间的最短距离.通过评价模型的准确性和稳定性,由此预测2022年各月份的消防救援出警次数,综合考虑区域之间的距离及工作均衡度,可以知道D、P、M三个区域是依次设立新消防站的最佳地点.

基于ARMA-GARCH模型的资金流预测方法

金融服务机构的资金流动具有非线性、周期特性和不稳定性等特点,对资金流的准确预测有助于提高资金利用率和抵御金融风险的能力。通过分析资金流的特点,使用差分方法将资金流转化成增益序列,在增益序列上构建ARMA-GARCH模型进行分析,并设计了一种确定模型参数的方法。结果显示,与简单ARMA-GARCH模型、GMAR模型和GM-SARIMA模型相比,该方法具有最小平均绝对误差(MAE)和平均绝对百分比误差(MAPE),同时精确预测的点数也最多,因此能够较好地对资金流入流出情况进行预测。

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.

基于IOWGA算子的铁路月度客运量的组合预测

我国铁路月度客运量增长趋势和季节特征明显,铁路月度客运量的精确预测能为铁路部门有效调度运力提供决策依据.选取2010年1月至2019年4月铁路月度客运量数据,先分别构建GM(1,1)灰色系统、Holt-Winters模型和SARIMA模型等3种单预测模型,再依据上述单预测模型,利用IOWGA算子构建组合预测模型,并检验IOWGA组合模型的有效性.结果显示:IOWGA组合模型的各项预测有效性检验指标均优于单个预测模型;预测2019年5月至2020年2月铁路月度客运量仍呈上升趋势,且客运高峰为7-9月和1-2月,客运低峰为11-12月.