1、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 20102017 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;
2、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
3、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 20102017 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
4、件，将 20102016 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（1，1）模型。通过方程估计，得到模
5、型 ARMA（1，1）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
6、-stat 的 Prob 值也都大于0.05，这在一定程度上体现了 MA（1）模型提取公路货运量信息的充分性。三、模型预测为检验模型的预测效果，本节以前 7 年各月公路货运量为观测序列，预测 2017 年的公路货运量，并与实际情况比较（如下页图 1 所示），其中 XF、Y 分别为预测值和实际值序列。可见，短期预测值与实际值的趋势基本一致，预测结果良好。但预测值整体上稍高于实际值，在预测精度上仍有提升空间。此外，时间跨度越大，二者的偏差也有所增大，主要是因为当前选定的预测原点是 2016 年 12 月的实际数据。因此，在现实的运营管理决策中，应考虑预测值的时效性，及时更新数据信息，以最新数据为预
7、测起点，尽可能减少决策偏差。模型预测结束后，可以根据预测结果，在置信区间内确定合适货运量及时掌握可能的市场需求。四、最终预测及建议本节利用确定的模型来预测 2018 年各月份公路运输货运量，为尽可能地减小预测误差，将 2018 年 3 月份陕西省的公路货运货运量作为预测原点，得到其余几个月份对应的预测值。为观察各月的变化范围及趋势，识别公路货运量的季节性差异，图 2 给出了 2018年公路货运量的变化趋势图。结果表明，2018 年各月的公路货运量基本趋于稳定。而 2 月的货运量最小，2 月则处于明显的波谷状态，企业可以考虑适时地减少存货。并于 6 月达到月度货运量的峰值，其需求最大。此外，3
8、月和 8 月呈现出两个小波峰，均属于货运旺季。由于春节即将来临，相较于前 3 个月，12 月的公路货运量有明显上升。为满足市场需求，此时企业应适时增加库存量，管理部门应加强对货运市场秩序和安全的有效监管。结语本文根据历史数据，采用 ARMA 模型进行公路货运量的预测。结果表明，预测是可行有效的，且中短期的趋势拟合能达到较高的精度。然而，可获取的样本数据量是有限的，且没有一个模型是完美无缺的。时间跨度越大，预测结果偏离实际的可能就越大。我们必须及时掌握并更新样本数据，在提高样本质量的同时，改进预测方法，使预测效果最佳。参考文献：1赵彦军，陈玉.时间序列分析方法在物流需求预测中的应用J.物流科技，
9、2017，（6）：12-14.2潘树龙，孙维夫.基于时间序列分析方法的物流总额预测研究J.湖北民族学院学报：自然科学版，2015，（1）：114-116.3胡洁琼，李珍萍.基于时间序列的全社會货运量预测及分析J.物流技术，2014，（5）：128-130.4葛蔚，魏海军.基于时间序列分析的物流企业运输量演化模式与案例研究J.大连海事大学学报，2011，（2）.5邓爱萍.肖奔.基于时间序列的市场需求预测模型研究J.科学技术与工程，2009，（23）：1.6田根平，曾应坤.基于时间序列模型在物流需求预测中的应用J.物流科技，2007，（9）.7张世英，陆晓春，李胜朋.时间序列在城市交通预测中的应用J.天津大学学报：社会科学版，2006，（5）：52-54.8李序颖，等.我国交通货物运输量的时间序列分析J.系统工程理论与实践，2005，（1）：49-55.9黄丽.随机时间序列模型在物流需求预测中的应用D.武汉：武汉大学，2004.
