基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法

被引：25

作者：

钱名军 ^{[1
]}

李引珍 ^{[1
]}

阿茹娜 ^{[2
]}

机构：

[1] 兰州交通大学交通运输学院

[2] 中国中铁股份有限公司规划发展部

来源：

铁道学报 | 2020年 / 42卷 / 06期

关键词：

铁路运输; 月度客运量预测; SARIMA-GARCH模型; 季节性时间序列; 异方差;

D O I：

暂无

中图分类号：

U293 [旅客运输];

学科分类号：

摘要：

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。

引用

页码：25 / 34

页数：10

共 15 条

[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, 10

[2]

A novel passenger flow prediction model using deep learning methods.[J].Lijuan Liu;Rung-Ching Chen.Transportation Research Part C.2017,

[3]

Short-term forecasting of high-speed rail demand: A hybrid approach combining ensemble empirical mode decomposition and gray support vector machine with real-world applications in China.[J].Xiushan Jiang;Lei Zhang;Xiqun (Michael) Chen.Transportation Research Part C.2014,

[4] 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].