基于組合預測的貨運量預測＊

黃 娟，劉雙賢

（四川旅游學院經濟管理學院，四川 成都610100）

1 引言

貨運量預測是港口規劃過程中非常關鍵的環節，如何對現有數據進行分析，得到期望的參數和模型；如何發現各個變量之間的關系，準確預測港口未來的運量一直是值得研究的問題。

關于運量的預測問題，現有的預測方法包括時間序列分析方法、灰色預測方法、指數平滑法[1]、KS檢驗[2]、重力模型[3-4]等。曾佑新[5]等采用一元線性回歸模型、直線趨勢模型、自回歸模型、二次指數平滑法對中國鐵路煤炭的運量進行預測，對四種預測模型的誤差進行比較與分析；FITE等[6]使用逐步多元線性回歸模型，將貨運量與各種經濟指標聯系起來；RAHIM等[7]通過用模糊時間序列和指數平滑方法提出了一種CPO價格預測方法。

本文基于線性回歸和趨勢預測構建組合預測模型，通過R語言篩選剔除自變量，并對模型進行擬合，建立組合預測模型。以瀘州市2006—2018年的貨運量數據為例驗證模型的有效性。

2 組合預測方法

2.1 線性回歸

線性回歸預測方法是屬于因果分析預測方法的一種典型方法。主要探究導致運量增加的原因與總運量之間的關系，假設運量V1j表示如下：

式（1）中：a為截距；b、c、m、q、k為自變量系數；X1j為某年城鄉人均消費收入；X2j為某年人口總量；X3j為某年城鄉人均消費支出；X4j為某年第二產業的總產值；X5j為某年礦建材料吞吐量。

根據模型的現實意義，現有自變量反復冗雜，需要對自變量進行剔除，對模型進行擬合得到關于總運量的線性模型。

2.2 趨勢預測模型

假設總運量變化情況符合線性趨勢，則：

式（2）中：V2j為某一年的預測總運量值；α為截距；β為自變量系數；Xj為年份；εj為不可測因素。

2.3 組合預測

根據上述所提出的兩種預測方法，可以分別對總運量作出基本合理的預測，以兩種預測結果的平均值作為最終預測值，如式（3）所示。

3 案例分析

3.1 數據說明

本文以瀘州市2006—2018年的貨運量（公路、水路、鐵路）為基數數據，采用R語言進行自變量剔除和模型擬合，基礎數據如表1、表2所示。

表1 瀘州市2006—2018年貨運量

表2 瀘州市運量變化的影響因素

3.2 線性回歸模型擬合與自變量剔除

由現有數據可以看出，瀘州市的總運量基本隨著年份的增加而均勻增加，受其他因素的影響較小，顯著呈現出線性趨勢。從模型的精確度的層面來說，選擇線性回歸方法來對參數進行標定更能夠精確地說明運量的變化趨勢。但是在實際運用中，對某一年度的運量進行預測，實質上是對某一年度運量的影響因素進行量化與預測，需要特別注意自變量的數量，以便減小誤差。R語言初步的運算結果如表3所示。

表3 初步運算結果

僅從p值的角度來看，因數據冗雜，模型的擬合程度很低，效果較差。Signif.codes標注預測變量的顯著性，顯著性依次遞減，p值越小，越顯著，就拒絕原假設（即系數為0）。p值越大，將對應的變量從模型中移除。首先對X4進行剔除，運算結果如表4所示。

表4 剔除自變量X4

這一步的運算結果展示中，在自變量部分已經出現一個自變量的p值顯著，說明了數據之間的相關性。再依次剔除X5、X1、X2，經過計算，總運量預測模型為：

其中：

3.3 趨勢預測

由于這一步采用的是趨勢預測法，因此不涉及自變量剔除的情況，運算結果如表5所示。

表5 計算結果

由運算結果可知，截距與自變量X都極為顯著，模型擬合效果非常顯，著總運量預測模型為：

3.4 組合預測

組合預測結果如圖1、表6所示。由預測結果可知，組合預測的最大最小相對誤差分別為11.05%和2.38%，平均相對誤差為6.04%，平均誤差值為446.61。

圖1 組合預測結果

4 結論

準確預測貨運量是開展貨運組織工作的關鍵環節，本文基于線性回歸和趨勢預測構建的組合預測模型計算簡單，通過R語言剔除自變量和模型擬合，平均預測相對誤差為6.04%，適用于波動較小的短期貨運量預測，可為決策者提供參考。