高鐵數(shù)據(jù)與回歸分析擬合上海和鄭州高鐵最優(yōu)數(shù)量研究

劉玥　張高境

摘要：高鐵建設(shè)對(duì)不同城市有很深的影響，我們使用了灰色回歸模型和多元線(xiàn)性模型進(jìn)行求解。從旅客的不同特征，地域的差異，不同地域的經(jīng)濟(jì)水平等進(jìn)行統(tǒng)計(jì)，并對(duì)數(shù)據(jù)進(jìn)行優(yōu)化。通過(guò)線(xiàn)性回歸計(jì)算，畫(huà)出回歸方程確定去他們之間的關(guān)系，得出相關(guān)的高鐵車(chē)次。

關(guān)鍵詞：數(shù)據(jù)分析模型;BP神經(jīng)網(wǎng)絡(luò)模型;灰色回歸模型

中圖分類(lèi)號(hào)：U238 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）06-0088-02

0 引言

隨著中國(guó)現(xiàn)代“新四大發(fā)明”之一的高鐵迅猛發(fā)展，給人們的出行帶來(lái)了極大的便利，因此遠(yuǎn)途出行的人們也逐漸將高鐵做為自己出行的首選交通工具，高鐵的修建一方面能夠緩解普通列車(chē)的運(yùn)行壓力，另一方面對(duì)高速公路的運(yùn)行也起到了減壓的作用。

1 問(wèn)題提出

（1）高鐵的開(kāi)通，一部分人們便會(huì)選擇高鐵出行，從而會(huì)使得高速公路的車(chē)輛有所減少，請(qǐng)你選取合適的指標(biāo)，分析高鐵的開(kāi)通對(duì)該高速公路的車(chē)輛通行壓力是否有所減緩，并分析是否顯著。（2）高鐵即快捷，又舒適，但是相對(duì)于普通列車(chē)出行價(jià)格相對(duì)昂貴，因此不同地域的人出行方式的選擇將會(huì)有所差異，請(qǐng)你選擇發(fā)展不同的城市，嘗試給出你所選城市高鐵配置的最佳數(shù)量。

2 問(wèn)題分析

首先，高鐵的開(kāi)通讓人們有了更多的選擇，考慮每個(gè)城市都有每個(gè)城市的特點(diǎn)，同時(shí)，根據(jù)不同城市經(jīng)濟(jì)狀況以及城市的人口進(jìn)行分類(lèi)討論。找不同年齡段的人和不同身份的人分析其特征，根據(jù)出行的目的和出行人的身份等，進(jìn)行綜合的概述。

3 模型建立與求解

3.1 模型建立的準(zhǔn)備

首先我們統(tǒng)計(jì)了公路客運(yùn)的旅客運(yùn)輸量，以及車(chē)輛的數(shù)量，高鐵的數(shù)量。接著我們對(duì)模型做了初步假設(shè)，分析模型的可行性。

3.2 模型的建立與求解

首先，我們先確定不同條件下影響旅客出行方式的因素都有哪些。依據(jù)參考文獻(xiàn)，我們將人們出行方式選擇行為的影響因素分為旅客基本特征（如年齡、性別、身體狀況等）、運(yùn)輸產(chǎn)品特征（如安全性、經(jīng)濟(jì)性、快捷性、準(zhǔn)時(shí)性等）以及宏觀(guān)因素（如地區(qū)政策、文化環(huán)境、經(jīng)濟(jì)水平、消費(fèi)水平等）三大方面[1]。這里為了簡(jiǎn)便考慮問(wèn)題，我們將主要分析運(yùn)輸產(chǎn)品特性對(duì)旅客選擇出行方式的影響。

3.2.1 模型一：灰色回歸模型[2]

（1）原始數(shù)據(jù)的標(biāo)準(zhǔn)化：

在影響因素中，可得到原始評(píng)價(jià)信息矩陣，其中 。

（1）

接著對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，式子如下：

（2）

式中和分別是矩陣R中第i行的最大值和最小值，是標(biāo)準(zhǔn)矩陣中對(duì)應(yīng)第i行第j列的元素，標(biāo)準(zhǔn)化矩陣R可表示為：

（3）

由上述三個(gè)式子，計(jì)算出旅客對(duì)應(yīng)的標(biāo)準(zhǔn)矩陣。

（2）權(quán)重計(jì)算：

首先計(jì)算出第i項(xiàng)影響因素下第j個(gè)具體因素的比重：

（4）

再用信息量的期望公式計(jì)算第i個(gè)因素的熵值：

（5）

上式中，取，并規(guī)定當(dāng)時(shí)，。最后計(jì)算第i個(gè)指標(biāo)的熵權(quán)，確定該指標(biāo)的客觀(guān)權(quán)重：

（6）

（3）綜合權(quán)重模型：

影響旅客出行方式選擇的五個(gè)因素在主觀(guān)上進(jìn)行排序，從而得出這m個(gè)具體因素的主觀(guān)權(quán)重，為選項(xiàng)平均綜合得分與總分的比值，的計(jì)算方法為：? ? ? ? ? ? ? ? ? ?（7）

其中為權(quán)值，為權(quán)數(shù)，為調(diào)查表填寫(xiě)人次。則各項(xiàng)指標(biāo)的綜合權(quán)數(shù)為：? ? ? ? ? ? ? ? ? ? ? ? ? ?（8）

經(jīng)過(guò)計(jì)算可以得出具體影響因素對(duì)五個(gè)因素的權(quán)重。

（4）靈敏度分析：

若調(diào)整或者改善影響旅客出行方式的經(jīng)濟(jì)性、準(zhǔn)時(shí)性、舒適性、便捷性與安全性因素，各運(yùn)輸方式的分擔(dān)率也會(huì)發(fā)生改變，各因素對(duì)于分擔(dān)率的敏感性也不同。所以說(shuō)，我們主要選取易測(cè)量的經(jīng)濟(jì)方面來(lái)作為城市高鐵數(shù)量的影響因素，這里我們選取GDP為標(biāo)準(zhǔn)。

3.2.2 模型二：多元線(xiàn)性回歸模型[3]

我們將選取易測(cè)量的GDP和人口數(shù)作為影響高鐵數(shù)量的因素。

（1）模型假設(shè)：

設(shè)，為影響因素GDP和人口數(shù)，y為高鐵的數(shù)量。設(shè)是取自總體的樣本即通過(guò)統(tǒng)計(jì)上海和鄭州近10年來(lái)的人口GDP數(shù)據(jù)。在本組樣本下，總體回歸模型函數(shù)假設(shè)為：

（9）

這里我們假設(shè)隨機(jī)誤差項(xiàng)與解釋變量不相關(guān)。即：

（10）

假定零均值，即：? ? ? ? ? ? ? ? ?（11）

假定同方差，即：? ? ? ? ? ? ? （12）

并假設(shè)GDP與人口數(shù)之間不存在完全共線(xiàn)性。且兩個(gè)誤差項(xiàng)之間不相關(guān)：

（13）

（2）原理：

在樣本下，利用OLS求得樣本回歸函數(shù)為：? ? ? ? ? ? ? ? （14）

給定樣本外一點(diǎn)，則因變量的點(diǎn)預(yù)測(cè)為：

（15）

點(diǎn)預(yù)測(cè)的標(biāo)準(zhǔn)誤為：? ? ?（16）

因變量的置信度為的區(qū)間預(yù)測(cè)為：

（17）

得出最終上海市的高鐵數(shù)量為169200輛次，鄭州市的高鐵數(shù)量為122400輛次。

參考文獻(xiàn)

[1] 華詩(shī)雨.不同認(rèn)知條件下旅客出行方式選擇行為研究[D].北京交通大學(xué)碩士學(xué)位論文，2016.

[2] 曹卉.中國(guó)高速鐵路客運(yùn)市場(chǎng)旅客出行決策研究[D].北京交通大學(xué)碩士專(zhuān)業(yè)學(xué)位論文，2017.

[3] 李丹，朱家明，李薇，徐亮.基于多元回歸模型的房?jī)r(jià)影響因素研究[J].遼寧工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，39（03）：206-210.

Study on Fitting the Optimal Quantity of High Speed Railway in Shanghai and Zhengzhou by High Speed Railway Data and Regression Analysis

LIU Yue1，ZHANG Gao-jing2

（1.Shanxi University，Taiyuan Shanxi 030000;2.Henan Normal University，Xinxiang Henan 453000）

Abstract：The construction of high-speed railway has a deep impact on different cities. We use grey regression model and multiple linear model to solve the problem. Make statistics from different characteristics of passengers， regional differences and economic levels of different regions， and optimize the data. Through the linear regression calculation， draw the regression equation to determine the relationship between them. Get the relevant high-speed train number.

Key words：Grey regression model;Multiple linear regression model;high-speed train number