城市交通客运量统计分析与建模预测研究

1、Evaluation Warning: The document was created with Spire.Doc for .NET.城市交通客运量统计分析与建模预测研究城市交通客运量统计分析与建模预测研究一、摘摘要：笆本文针对山东哀省各城市版近几年交通运癌输客运量的变氨化趋势，在充艾分考虑和分析氨影响交通客运搬量的因素之后矮，就客运量和澳货运周转量与巴总人口、生产叭总值、批发零扳售量之间的相疤关性运用回归岸分析法进行分爸析，研究了交肮通客运量的统柏计特征，建立颁了多元非线性挨回归方程，运捌用MATLA隘B软件对方程懊进行求解得到坝合理的回归系俺数，从而求得办非线性回归方疤程，并用F检蔼验

2、法对相关性柏进行检验，求罢得置信区间。瓣同时运用SP袄SS软件对交扳通客运量建立拌时间序列模型案进行求解并求搬得客运量和货背运量的预测值板，对各市交通埃运输量的影响暗因素进行聚类盎分析，并依此拜为依据对八交通管理部门扒提出合理建议挨，最后对交通斑运输客运量和案货运量的预测氨值的准确性和霸可取性经行评翱价。关键词败：袄回归分析瓣 MATLA版B八F检验蔼置信区间瓣 SPSS 碍时间序列 岸聚类分析巴 预测值敖二、拜问题的提出蔼：啊近年来，随着艾我国社会经济疤的快速发展，隘交通运输客运岸量出现迅速增碍长的趋势。岸受社会经济发扒展水平、人口蔼总量、经济结绊构、产业布局艾以及综合交通叭运输网络拓展案程

3、度等诸多因肮素的影响，交板通客运量表现翱随机性的复杂扳波动特征。如岸何科学组织运傲力、建立完善肮的交通体系，隘进一步提高交唉通运输规划与啊社会经济发展斑的适应性，提耙高交通运输设笆施的投资和运奥营效益，对于罢促进社会稳定傲以及构建和谐哀社会均具有重罢要意义。白三、模型的假叭设和符号系统氨：拌（一）、模型安的假设矮1、假设山东拜省人口在未来肮几年中健康平扒稳变化，不会耙出现人口老龄奥化问题岸2、假设山东摆省经济水平健耙康平稳发展，背经济发展趋势鞍几乎不受金融巴危机的影响岸3、假设山东般省的经济结构芭不会发生很大笆的调整与变化疤，即产业结构哎变化不大岸4、假设山东傲省交通运输网瓣不会发生很大绊的变

4、动，即修柏建地铁的可能安性不大暗5、绊假设城市中的伴道路状况十分哎良好，没有房摆屋拆迁，道路搬、桥梁的维修邦和哎破坏，特定道板路的管制通行按或者占道，交芭通事故等影响暗因素啊6、佰私家车、公交邦车等不同车辆搬同等看待瓣（二）、数学傲符号的说明癌y1 啊懊坝旅客运量为因扒变量 按y2敖疤耙周转量为因变背量扒x1半笆扒自变量总人口拌x2肮挨俺自变量批发零安售为啊x3搬阿蔼自变量生产总柏值为 胺Syy跋艾氨y的总变差案Q-y氨八板剩余平方和或霸误差平方和按Y敖i暗扳拜客运量和周转澳量的取值 埃 暗F=U/Q跋耙笆F按检验法癌r澳瓣靶埃拟合优度r扒2=u/Sy邦y=1-Q/疤Syy班四、模型的建百立与

5、求解柏1.叭客运量、货运拌周转量与总人敖口、生产总值奥、批发零售量绊之间班的懊相关搬性捌分析把两个变量之间版的高度相关关扳系翱,芭有时并不是这傲两个变量本身办的内在联系所绊决定的按,拔它完全可能由哀另外一个变量皑的媒介作用而瓣形成高度相关挨。所以按,皑我们绝不能只碍根据相关系数罢很大拜,按就认为两者变袄量之间有直接把内在的线性联芭系。此时要准罢确地反映两个办变量之间的内班在联系袄,澳就不能简单的埃计算相关系数拌,按而是需要考虑胺偏相关系数。摆偏相关系数是熬在对其他变量扮的影响进行控挨制的条件下昂,坝衡量多个变量把中某两个变量班之间的线性相般关程度的指标霸。所以霸,皑用偏相关系数凹来描述两个变斑

6、量之间的内在敖线性联系会更胺合理、更可靠啊。偏相关系数跋不同于简单相扳关系数。在计拔算偏相关系数凹时背,叭需要掌握多个哎变量的数据爸,罢一方面考虑多氨个变量之间可把能产生的影响拔,颁另一方面又采蔼用一定的方法昂控制其他变量班,艾专门考察两个爸特定变量的净跋相关关系。在哀多变量相关的鞍场合岸,芭由于变量之间扒存在错综复杂矮的关系氨,跋因此偏相关系芭数与简单相关唉系数在数值上昂可能相差很大绊,版有时甚至符号蔼都可能相反班偏相关系数的隘取值与简单相爸关系数一样耙,伴相关系数绝对斑值愈大安(皑愈接近袄1) ,傲表明变量之间霸的线性相关程稗度愈高岸;巴相关系数绝对败值愈小拜,吧表明变量之间拔的线性相关程

7、昂度愈低版总收入的与客俺运量的相关性坝偏自相关埃序列班: 搬总收入拔滞后把偏自相关扒标准唉误差氨1挨.849巴.189扒2芭-.020斑.189氨3背-.038叭.189斑4颁-.060挨.189叭5般-.034奥.189哀6啊-.022叭.189熬7稗-.034肮.189氨8哀-.035把.189班9艾-.041芭.189拔10疤-.043板.189盎11蔼-.025扒.189氨12岸-.040俺.189捌13挨-.039肮.189叭14摆-.056斑.189扳15岸-.073胺.189暗16扮-.071班.189背进过埃以上的相关性岸分析可知在滞矮后系数最小的隘情况下客运量耙与总收入偏自敖

8、相关系数为0巴.849很接啊近1，且标准拜误差为0.1阿89接近0，捌因此可以认为爸客运量与人口百总收入具有高班度相关性。岸批发运输量搬与客运量的相盎关性袄偏自相关暗Series唉: 阿批发运输摆量案Lag办Partia办l Auto背correl鞍ation肮Std. E爸rror凹1坝.879芭.137耙2芭-.033佰.137拔3肮-.025跋.137鞍4把.014氨.绊137板5哎-.012吧.137翱6搬-.042盎.137巴7岸-.058霸.137隘8搬-.049般.137岸9板-.034氨.137啊10岸-.017岸.137笆11熬.016背.137碍12皑.024凹.137氨1

9、3搬-.013疤.137爸14跋-.006俺.137氨15蔼-.011哎.137板16翱-.017俺.137般进过矮以上的相关性哀分析可知在滞板后系数最小的坝情况下客运量啊与批发运输量白的偏自相关系阿数为0.87坝9很接近1，巴且标准误差为暗0.137接柏近0，因此可柏以认为客运量阿与批发运输量皑具有高度相关百性。般总人口板与客运量的相吧关性白偏自相关坝Series艾: 耙总人口蔼Lag坝Partia芭l Auto白correl挨ation氨Std. E稗rror板1翱.952肮.128昂2瓣.005皑.128靶3安-.019柏.128办4隘-.016隘.128啊5斑-.020版.128爸6懊

10、-.024绊.128柏7稗-.014袄.128叭8绊-.031盎.128坝9蔼-.052版.128暗10半-.090扒.128坝11柏-.040奥.128把12爸-.020肮.128案13拌-.017胺.128阿14捌-.048罢.128爸15胺-.033吧.128澳16矮-.025般.128伴进过板以上的相关性肮分析可知在滞伴后系数最小的败情况下客运量办与总人口的偏办自相关系数为俺0.952很稗接近1，且标肮准误差为0.安128接近0岸，因此可以认斑为客运量与总佰人口具有高度肮相关性。背经过以上哀客运量、货运拜周转量与总人百口、生产总值疤、批发零售量昂之间的性关系佰分析袄可知他们之间伴有高度

11、相关性奥，即可知啊总人口、生产皑总值、批发零板售量矮是主要的影响哀因子，瓣对傲客运量、货运班周转量与总人扳口、生产总值伴、批发零售量八之间的相关性笆建立回归模型扒，建立多元非矮线性回归方程笆经行求解过程奥如下：啊在已经给定的啊客运量、货运办周转量、总人拜口、生产总值百、批发零售量稗的表中，依据岸图像的分布规白律的合理性选靶取六组数据如埃下表：按年份翱客运量暗周转量叭生产总值瓣批发零售背总人口搬1952翱1196奥1553邦43.81爸2.72班4827安1960敖5911岸4717俺71.37昂4.68捌5188拜1968傲5933癌5421跋99.34翱3.77笆6086白1976白7614

12、昂6996摆179.58搬4.4白7038搬1984鞍17309邦17058挨581.56阿37.97巴7637俺1992艾33920稗35164斑2196.5奥3肮200.93版8580肮2008俺213387扒141867蔼15021.搬84芭1431.5袄8绊9392建立矩阵方程阿i=1跋，罢2半，哎3敖，袄4懊，颁5傲，邦6绊利用MATL艾AB进行求解搬最后得到多元斑非线性回归方俺程分别如下八：哀其中Y1表示柏客运量，Y2哎表示货运量肮，得到这两个碍回归方程用于袄后面检验预测敖值的准确度。般2.疤对客运量、货扒运量、客运周柏转量、货运周昂转量分别建立翱时间序列模型哀并依次对其求班解半，

13、过程如下：客运总量线性埃模型汇总白R佰R 佰方摆调整背 R 霸方暗估计值的标准班误白.748皑.560拔.552碍40527.摆581搬自变量为扒年份。隘ANOVA盎平方和柏df啊均方碍F柏Sig.凹回归百121002搬695288把.537唉1板121002安695288肮.537氨73.671盎.000熬残差叭952641稗21420.摆796暗58拔164248熬4852.0肮83叭总计佰21626八681670凹9.333柏59艾自变量为佰年份。艾系数败未标准化系数罢标准化系数坝t斑Sig.白B澳标准误班Beta凹年份蔼2593.1敖14半302.11伴7伴.748懊8.583靶.00

14、0翱（常数）拜-50982叭30.900啊598667氨.144袄-8.516背.000澳Logist背i拔模型汇总板R矮R 办方碍调整搬 R 吧方伴估计值的标准把误哀.979巴.959瓣.959巴.279按自变量为疤年份。傲ANOVA霸平方和伴df伴均方懊F艾Sig.蔼回归懊106.94袄0霸1败106.94唉0按1369.5艾29半.000八残差艾4.529败58拜.078皑总计扳111.46稗9巴59邦自变量为半年份。隘系数败未标准化系数安标准化系数般t翱Sig.邦B版标准误挨Beta艾年份哀.926癌.002案.376办480.05哀6般.000澳（常数）八1.346E扒+062澳5.

15、556E扒+062唉.242阿.809班因变量为鞍 ln(1 奥/ 巴客运总量邦)熬。货运总量线性芭模型汇总芭R皑R 跋方暗调整半 R 绊方伴估计值的标准傲误疤.787爸.61哎9鞍.613啊46753.柏030扳自变量为碍年份。按ANOVA哎平方和斑df伴均方霸F案Sig.肮回归伴217073叭438685唉.613碍1案217073按438685翱.613绊99.309班.000哀残差叭133336白596247靶.816阿61百218584艾5840.1昂28澳总计捌350410瓣034933笆.429搬62熬自变量为岸年份。阿系数安未标准化系数艾标准化系数昂t熬Sig.袄B版标准误班B

16、eta隘年份阿3228.0案32埃323.92扒5哀.787白9.阿965岸.000哀（常数）皑-63377板31.204昂641398癌.273罢-9.881班.000胺Logist癌ic瓣模型汇总拌R扒R 哀方扳调整敖 R 矮方按估计值的标准暗误疤.972艾.944隘.943哀.356把自变量为邦年份。傲ANOVA安平方和斑df笆均方安F背Sig.般回归耙130.13蔼0奥1爸130.13般0半1027.0翱32碍.000岸残差柏7.729疤61敖.127翱总计昂137.85芭9傲62搬自变量为爸年份。芭系数稗未标准化系数按标准化系数扒t半Sig.颁B靶标准误案Beta扒年份捌.924扮.

17、002盎.378芭405.47班9班.000哀（常数）芭4.260E斑+063案2.080E哎+064白.205澳.838佰因变量为耙 ln(1 芭/ 案货运总量哀)肮。客运总周转量线性靶模型汇总艾R班R 哀方败调整柏 R 癌方把估计值的标准俺误坝.807白.652巴.645翱25572.按487扒自变量为拌年份。胺回归皑673233扮59190.瓣995疤1颁673233爸59190.肮995袄102.94凹8蔼.000阿残差叭359673氨64碍280.26捌8俺55凹653952柏077.82板3翱总计癌103290安723471哀.263柏56扒自变量为跋年份。艾系数稗未标准化系数叭标

18、准化系数挨t昂Sig.疤B扳标准误搬Beta敖年份八1953.3巴23肮192.51鞍5捌.807按10.146芭.000摆（常数）佰-38375跋94.060澳381589败.456鞍-10.05懊7凹.000矮Logist哎ic翱模型汇总白R皑R 巴方斑调整摆 R 鞍方办估计值的标准傲误搬.982八.965哀.964般.246班自变量为凹年份。捌ANOVA坝平方和敖df颁均方瓣F柏Sig.爸回归袄91.902板1艾91.902叭1514.1耙46笆.000绊残差扳3.338埃55百.061跋总计碍95.240罢56邦自变量为坝年份。摆系数耙未标准化系数坝标准化系数拜t矮Sig.按B叭标准误

19、半Beta艾年份耙.930翱.002稗.374蔼539.17岸5皑.000跋（常数）坝8.382E岸+057案3.081E柏+058柏.272办.787稗因变量为矮 ln(1 懊/ 岸客运总周转量俺)巴。货运周转量线性搬模型汇总叭R爸R 白方拌调整叭 R 隘方安估计值的标准摆误碍.702拔.492澳.484伴218912拌.029啊自变量为背年份。癌回归百273996柏089467败2.833半1八273996盎089467蔼2.833绊57.175凹.000案残差傲282742唉611543稗6.937吧59百479224皑76532.柏829蔼总计柏556738瓣701010罢9.770靶

20、60安自变量为稗年份。翱系数翱未标准化系数皑标准化系数哎t岸Sig.翱B稗标准误办Beta疤年份笆115蔼09.943懊1522.1佰96扳.702柏7.561隘.000艾（常数）安-22623般364.57百2霸301450矮2.812班-7.505罢.000板Logist鞍ic版模型汇总凹R斑R 氨方傲调整唉 R 凹方瓣估计值的标准碍误吧.975拔.951败.950俺.381柏自变量为捌年份。办ANOVA吧平方和扳df八均方案F邦Sig.绊回归版166.75爸1懊1斑166.75叭1败1149.0背05拔.000哀残差摆8.562拔59澳.145鞍总计鞍175.31伴4邦60捌自变量为把年

21、份。百系数熬未标准化系数班标准化系数瓣t岸Sig.办B半标准误白Beta阿年份版.914柏.002肮.377笆377.50蔼8爸.000伴（常数）昂3.845E爸+072颁2.017E熬+073案.191奥.849斑因变量为隘 ln(1 般/ 懊货运周转量熬)傲。搬五、交通客运矮量变化趋势的扮预测般基于时间序列拔模型运用时间奥序列分析法对扮山东省总的客邦运量和周转量挨以及其他各地艾客运量和周转坝量的变化趋势扮经行预测，过拌程如下：唉（一）运用时挨间序列分析法稗对山东省交通百客运量和周转伴量的预测如下柏：客运量单位：(万)案Model稗2012稗2013八2014安2015哎2016跋2017把

22、客运总量败-碍模型耙_1疤Foreca扒st皑276954绊306240版338623板374430稗414024把457804哎UCL拜364892胺449594暗538900版636795耙745644拜867463隘LCL案205954办200235澳200114叭202867懊207542稗213704傲Foreca碍st按Model癌2018隘2019皑2020败客运总量挨-瓣模型哎_1柏For伴ecast版506214昂559743氨618932澳UCL叭100424八3俺115808霸3阿133125癌5啊LCL八221132扮229708拌239376佰对于每个模型柏，预测的范

23、围翱要求估计期间柏的最后一个非鞍缺失，去年同暗期非缺失的所摆有预测值或要爸求预测期的结案束日期结束后扮开始，（以较芭早者为准）。坝客运总量的观扳测值、合适值傲、置信区间上跋、下值、预测霸值表唉客运周转量的安预测柏Foreca拜st白Model疤2012蔼2013百2014笆2015盎2016隘2017般客运总周转量邦-芭模型佰_1办Foreca懊st颁189186氨207186爸226897矮248484袄272125柏298015安UCL岸244800霸296746隘350592霸408737翱472492埃542905爸LCL笆143639隘139618瓣139241叭140724百143

24、437拜147088绊Foreca斑st白Model背2018昂2019叭2020背客运总周转量碍-摆模型安_1澳Foreca拌st按326368稗357419傲391423邦UCL埃620964暗707678昂804119埃LCL疤151522澳156657埃162446ForecastModel201220132014201520162017客运总周转量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL14363913961813924114072414343

25、7147088ForecastModel201820192020客运总周转量-模型_1Forecast326368357419391423UCL620964707678804119LCL151522156657162446安客运败周转量笆的观测值、合癌适值、置信区皑间上、下值、绊预测值表伴（二）运用时奥间序列分析法案对山东省其他安各城市扒交通客运量和隘周转量的预测扮：扒Model翱年份盎2011叭2012罢2013霸2014拔2015八2016碍济南罢-矮模型叭_1笆Foreca版st白10302扳10102拌9902叭970叭1皑9501霸9301胺UCL氨11984艾11792岸11600

26、岸11408八11216矮11024爸LCL鞍8620爸8412俺8203敖7994瓣7786肮7577疤青岛背-邦模型吧_2靶Foreca唉st捌20506奥20506昂20506拔20506把20506笆20506捌UCL敖24844奥24844奥24844疤24844哎24844凹24844袄LCL癌16168胺16168鞍16168按16168袄16168癌16168捌淄博肮-颁模型懊_3班Foreca澳st半12233安9756隘7278颁4801拌2323半-154奥UCL叭17578隘17314颁16536扮15490拔14275霸12938败LCL唉6889斑2197暗-197

27、9稗-5888矮-9628隘-13246俺东营氨-疤模型啊_4拜Foreca斑st碍2251办2088隘1925耙1762癌1599颁1436矮UCL搬2803跋2868暗2881鞍2865拔2833吧2787靶LCL坝1699颁1307安969暗658袄365耙84坝济宁挨-霸模型跋_5八Foreca靶st盎2379胺1798斑1216傲634啊52半-529唉UCL艾3277斑3067捌2770昂2429巴2059败1669埃LCL懊1482般528碍-339扳-1161靶-1955白-2728碍潍坊八-八模型岸_6办Foreca盎st般3794碍3448隘3102笆2757伴2411八2

28、065阿UCL拔8566笆13800板20199阿27602鞍35896按44998暗LCL吧-977熬-6903班-13994隘-22089八-31075罢-40869败烟台氨-敖模型吧_7安Foreca扒st挨9882拌7817胺5752斑3687坝16佰21唉-444哎UCL皑17365拌18400绊18713胺18653疤18355稗17887八LCL隘2399笆-2766拔-7210扳-11280邦-15112跋-18774佰日照拌-鞍模型敖_8耙Foreca熬st爸2289芭2289扒2289绊2289奥2289埃2289柏UCL叭4136癌4900肮5487摆5982蔼6418翱

29、6812蔼LCL鞍442艾-322靶-909袄-1404八-1840耙-2234般威海盎-蔼模型败_9瓣Foreca坝st吧2290坝1139柏-12摆-1163哎-2熬313翱-3464啊UCL袄9422把11225耙12340半13100巴13633按14004颁LCL案-4841奥-8946板-12364斑-15425澳-18260澳-20933跋德州安-袄模型板_10氨Foreca笆st佰1396版921巴446蔼-29坝-504凹-979扒UCL八2694唉3576班4721袄6095半7673爸9437败LCL翱97摆-1735跋-3830笆-6153罢-8681般-11395柏聊

30、城捌-稗模型肮_11哎Foreca捌st鞍1108叭441坝-225按-892扒-1558矮-2225般UCL板3431坝3727矮3799扳3755叭3637邦3467把LCL唉-1216柏-2845斑-4250扒-5539埃-6754瓣-7916矮临沂唉-柏模型蔼_12白Foreca班st瓣192白-2108拌-4409绊-6710傲-9011颁-11311霸UCL跋9552艾11128背11803扮12010扳11919昂11616暗LCL皑-9168班-15345癌-20621暗-25430扮-29940皑-34239挨Foreca疤st拜Model靶2011背2012邦2013爸20

31、14疤2015半2016懊菏泽吧-懊模型叭_13氨Foreca班st碍452办-938爸-2327摆-3717邦-5106般-6496傲UCL捌5537唉6254搬6481绊6454隘6265稗5961扳LCL昂-4634跋-8130搬-11136按-13888百-16478艾-18953邦滨州昂-伴模型扮_14鞍Foreca奥st癌852霸406霸-40拔-487袄-933袄-1380吧UCL哎2911瓣2475颁2038懊1602笆1166伴730岸LCL矮-1206白-1跋663斑-2119埃-2576搬-3033扮-3489把枣庄拌-耙模型百_15摆Foreca岸st罢3409昂296

32、8按2528霸2088柏1647肮1207斑UCL摆6444拜6004搬5565吧5125奥4686拔4246罢LCL摆374拌-68捌-509艾-950肮-1391昂-1833巴运用聚类分析懊方法对其他城巴市的情况经行爸分析如下：罢被聚类的对象扳常常是多个要柏素构成的。不鞍同要素的数据昂往往具有不同扒的单位和量纲案，其数值的变疤异可能是很大哎的，这就会对阿分类结果产生吧影响。因此当傲分类要素的对笆象确定之后，案在进行聚类分按析之前，首先按要对聚类要素八进行数据处理半。熬在聚类分析中氨，常用的聚类矮要素的数据处捌理方法有如下瓣几种哎: 啊这种标准化方案法所得到的新疤数据满足巴靶标准差标准化搬，

33、即扳由这种标准化绊方法所得到的癌新数据，各要版素的平均值为般0艾，标准差为皑1袄，即有柏拔极大值标准化白，即碍佰极差的标准化阿，即盎经过这种标准班化所得的新数哀据，各要素的吧极大值为叭1阿，极小值为罢0扒，其余的数值百均在把0瓣与背1罢之间。直接聚类法原理靶先把各个分类翱对象单独视为拌一类，然后根蔼据距离最小的癌原则，依次选袄出一对分类对敖象，并成新类疤。如果其中一柏个分类对象已挨归于一类，则傲把另一个也归芭入该类；如果俺一对分类对象扒正好属于已归邦的两类，则把啊这两类并为一摆类。每一次归唉并，都划去该澳对象所在的列坝与列序相同的艾行。经过澳m罢-1芭次就可以把全拌部分类对象归靶为一类，这样笆

34、就可以根据归啊并的先后顺序柏作出聚类谱系版图。唉这是败k霸均值聚类皑最终聚类中心斑表俺Final 肮Cluste啊r Cent芭ers把Cluste办r笆（簇）肮1傲2阿济南办11863.佰67罢11398.蔼88颁青岛白20224.佰33佰20877.氨09安淄博八36461.矮98稗18931.翱63鞍东营芭3940.9熬9碍2639.0碍0搬济宁败8516.3碍2半5497.7肮0胺潍坊啊20605.罢89蔼6008.2阿5败烟台扒31332.柏25佰14617.盎75唉日照案4031.3巴6搬3882.7伴5邦威海岸15085.安16哀4472.1奥3鞍德州耙9591.8伴3挨3532

35、.8八8碍聊城芭8268.7叭2靶2611.5矮0颁临沂霸23841.邦52袄4293.7隘5氨菏泽爸14904.摆07背3370.0哀0笆滨州安5658.2霸9柏2703.3霸8耙枣庄疤6780.3唉4隘5593.0凹9下表是癌基于施瓦兹贝哎叶斯准则的两爸步聚类发得到矮表叭其他因素对交胺通客运量及货癌运量的影响埃(四)其他因罢素对交通客运败量及货运量的坝影响及在这些碍因子的影响下案交通客运量和颁货运量的预测安值：胺预测大致分为啊三步：案系统分析客运巴输量历史和现斑状，分析确定扒未来旅客平均蔼行程延长或缩霸短的趋势及其艾影响因素，寻鞍求数量上变化胺的趋势，掌握傲预测计算用的坝数据和成因；坝案调

36、查了解预测翱期内分析引起扮未来客运输量吧因素变化的趋颁势；柏扒采用多种方法巴进行预测，综蔼合比较，确定敖预测运输量的癌速度和规模，奥力求提高预测肮的准确性和及版时性。计算运输量半 埃 运输量预测邦的计算方法基拌本上分为生产吧和运输比例关罢系法以及数理蔼统计法两类。熬客运量和旅客跋周转量预测的凹具体计算方法按又各有差异。翱并估计这些因扒素对未来客运按量增长速度的哎影响程度。矮 按生产岸和运输的比例半关系法计算方昂法分为四种：傲啊按主要工农业扮产品计算的运跋输系数法。根芭据报告期和预百测期主要工农摆业产品生产量胺和运输系数的案变化确定货运碍量。运输系数跋是工农业产品佰的生产量和运稗输量的比值，癌采

37、用这种方法凹的关键是要分斑析掌握引起运傲输系数变化的凹主要因素。再熬根据人口发展安的预测，都可百引起运输系数盎的变化。计算坝公式是： Y=XK百 式中Y为预拜测的货运量;胺X为主要第一扮产业，第二产摆业，工业未来稗量；傲K为主要第一阿产业，第二产扒业，工业未来扒运输系数。霸按第一产业，敖第二产业，工癌业计算的运输凹系数法。安根据报告期和背预测期工农业把总产值中第一芭产业，第二产岸业，工业和运矮输系数变化确澳定货运量。伴第一产业，第坝二产业，工业哎产值运输系数澳变化的趋势，八按预测期第一氨产业，第二产斑业，工业增长翱速度和产值运般输系数，霸推算未来的货安运量。再根据癌预测期的收入岸增长速度，计袄

38、算公式是癌YMAE捌(1+A)T扮+BF(1+袄B)T+CG拔(1+C)T哀 翱式中M为预测版期前一年实际岸工农业总产值白；颁A、B、C分艾别为预测期前版一年实际工农澳业总产值中第瓣一产业、第二皑产业和重工业靶的比重;盎E、F、G分瓣别为第一产业瓣，第二产业，岸工业运输系数凹;懊A、B、C分扳别为第一产业熬，第二产业，八工业值的平均背增长速度;癌T为预测期的颁年限。艾根据预测期经啊济发展情况寻唉求未来的客运啊弹性比值。巴计算出主要工熬农业产品的货啊运量扮 矮Y1=P拔(1+n)t板K 式中拔Y1为预测的八货物周转量；靶P为报告期基傲础年度的货物吧周转量；拜n为预测期工把农业总产值平吧均年增长速

39、度懊；八t为预测期年拜限；胺K为预测期的般运输弹性比值瓣。邦按数理统计法把计算也分为趋肮势外延法和回板归分析法两种隘，其基本原理艾与货运量的预捌测相同。客运凹量预测的计算皑方法 按生产搬和运输比例关盎系法计算方法瓣分为三种：瓣跋按国民收入增搬长同客运量增熬长之间客运弹傲性比值计算。翱客运弹性比值氨表示国民收入案每增长1,案客运量增长的昂百分数。根据哀预测期经济发瓣展情况寻求未办来的客运弹性靶比值，再根据昂预测期的国民板收入增长速度碍，推算未来客扳运量。计算公白式为： N坝R(1+m)八tK1 式中板N为预测的客跋运量，拜R为基础年度百的客运量;预测值拌Foreca靶st凹Model俺2012拜

40、2013敖2014埃2015扒2016按生产总值暗-绊模型绊_1摆Foreca凹st哀51820.扮03癌58965.拌42耙67006.笆85八76106.岸41奥86423.鞍89拔UCL百60604.疤48扳77192.邦79哀96276.奥11癌118191办.23背143424绊.89办LCL懊44027.霸67挨44175.奥69暗44982.碍26癌46408.百22胺48380.败06把第一产业败-扒模型肮_2办Foreca摆st摆4342.4阿5唉4745.2伴5瓣5185.4百0安5666.3霸9哎6191.9坝8霸UCL版5339.9巴0矮6336.0案7佰7365.7翱

41、5澳8472.5半1白9679.8捌0扒LCL啊3491.7芭9唉3474.7扳1肮3529.2罢3按3622.7按8俺3744.0俺8翱第二产业半-蔼模型柏_3伴Foreca挨st百26574.按53氨29153.斑10皑31731.奥67碍34310.靶23捌36888.俺80艾UCL佰27156.伴46碍30272.搬97岸33485.暗77岸36783.疤35暗40157.拌10霸LCL敖25992.岸61袄28033.邦23懊29977.般56拜31837.颁11败33620.敖50佰工业柏-搬模型凹_4叭Foreca白st敖23460.哎72爸25668.奥29氨27875.般85

42、昂30083.碍42傲32290.吧99哎UCL颁24027.澳02癌26750.袄46爸29565.矮47芭32461.跋18俺35429.懊42阿LCL隘22894.岸42捌24586.肮12袄26186.蔼23伴27705.跋66懊29152.癌55稗Foreca巴st扒Model伴2017叭2018跋2019班2020扮生产总值罢-氨模型哎_1熬Foreca懊st拌98131.奥58坝111421办.17艾126508氨.51胺143637蔼.82暗UCL挨172565岸.48暗206290哀.70翱245372熬.96拜290692哀.85摆LCL案50842.跋60版53764.坝

43、76伴57135.唉39霸60958.氨51按第一产业袄-斑模型皑_2矮Foreca巴st班6766.3般4拔7393.9扮6败8079.8碍0稗8829.2袄6背UCL肮11006.艾06澳12468.笆50暗14084.扳57懊15872.安63邦LCL半3888.1懊0矮4052.4肮1八4235.8佰6埃4438.0扳7盎第二产业挨-疤模型澳_3阿Foreca扮st拌39467.百36澳42045.暗93班44624.扒49啊47203.伴06凹UCL案43600.班47跋47108.扒36扒50676.巴59傲54301.翱72版LCL奥35334.熬25耙36983.班49柏385

44、72.扳39敖40104.唉39般工业昂-矮模型佰_4爸Foreca摆st案34498.岸56八36706.搬12搬38913.拔69耙41121.摆26哎UCL靶38464.懊00颁41560.吧04半44713.暗61巴47921.胺42哎LCL隘30533.艾11扒31852.绊20哀33113.安77疤34321.唉10挨残差自相关函啊数ACF图柏残差不分自相安关函数PAC吧F图霸各产业未来预傲测值啊预测客运周转皑量暗在预测客运量扒的基础上进一澳步测算旅客周八转量是客运量跋与旅客平均行扒程的乘积。袄根据上述客运扳量的预测，分佰析确定未来旅板客平均行程延昂长或缩短的趋靶势及其影响因瓣素，

45、测定未来背旅客平均行程半,预测旅客周敖转量其原理和版预测客运量的捌弹性比值法相摆同。盎计算公式是：扒 N1R1坝(1+m)t哀K2 式中N懊1为预测的旅碍客周转量； 办R1为报告期柏基础年度的旅隘客周转量；m柏为预测期国民按收入平均年增胺长速度；澳t为预测期年瓣限；K2为预叭测期的运输弹碍性比值。颁 按数理统计霸法，舍掉特殊案性，找出一般败趋势柏残差自相关和奥残差部分自相俺关表。矮Foreca熬st唉Model斑2012白2013叭2014哀2015耙2016安2017班客运总周转量半-败模型案_1碍Foreca靶st佰189186敖207186翱226897阿248484盎272125颁29

46、8015搬UCL傲244800捌296746跋350592岸408737柏472492巴542905百LCL斑143639唉139618摆139241捌140724阿143437澳147088巴Foreca靶st胺Model佰2018癌2019懊2020笆客运总周转量霸-挨模型按_1暗Foreca把st巴326368啊357419俺391423蔼UCL般620964唉707678败804119柏LCL疤151522摆156657把162446ForecastModel201220132014201520162017客运总周转量-模型_1Forecast189186207186226897248

47、484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客运总周转量-模型_1Forecast326368357419391423UCL620964707678804119LCL151522156657162446预测客运量罢R为报告期基半础年度的客运邦量;澳m为预测期国哀民收入平均年背增长速度；凹t为预测期年氨限；岸K1为预测期跋的客运弹性比绊值。办计算公式为：袄NLS 式拔中L为预测期半末人口数；安S为预测期末蔼

48、的平均乘坐率挨。袄 鞍 按生产和运肮输比例关系法埃计算方法有两啊种：吧客运量的预测稗表安Model懊2012斑2013笆2014拌2015懊2016俺2017艾客运总量稗-扒模型埃_1鞍Foreca拔st哀276954霸306240伴338623拌374430耙414024稗457804败UCL半364892绊449594啊538900艾636795疤745644扒867463罢LCL按205954罢200235摆200114盎202867扮207542版213704唉Foreca半st肮Model昂2018拌2019盎2020矮客运总量叭-懊模型把_1傲Foreca扒st澳506214埃55

49、9743挨618932鞍UCL般100424碍3稗115808哀3爸133125绊5按LCL懊221132霸229708绊239376皑客运总量的观跋测值、合适值巴、置信区间上碍、下值、预测背值表佰六、交通客运碍量和货运量的绊预测分析挨1、人口生产敖总值对交通客巴运量确实有很拌大影响，通过翱分析可知，随佰着人口生产总扳值的增长，交吧通客运量也在班增长。到20鞍20年，从2凹012年的客搬运量为276白954增加到癌2020年的摆618932颁2、总人口数瓣量在模型中表矮现出与被解释肮变量有很高的昂相关关系，通凹过回归分析法办计算可知，二昂者的拟合度是拔很高的。这是敖符合常识的，拜因为数据不统癌

50、一的因素居民坝的交通习惯和办其他交通工具版的选择也可能阿影响客运量，澳但这些因素我捌们没有考虑到笆。总人口从2安012年的 阿 9829斑 增加到20按20年的99岸67 案 。随着城市颁经济的发展，氨尤其是农村打皑工族的迁徙，把使得城市外来板人口增多，从败而导致客运量坝的大大增加，案尤其在节假日哀，外来务工人扒员返乡时总人版口对客运量的巴影响最为突出班。但是各个城傲市的客运量是袄在下降的，有安的城市甚至还霸出现了负增长笆的趋势，说明按私家车越来越斑多。柏3、批发零售伴对客运量的影瓣响也较大，批肮发零售从20矮12年 26邦14.62 八 增加到2颁020年的 艾3797.6肮6 。可以肮分析

51、随着生活傲水平的提高，板随着经济的发鞍展，为了适应澳人们生活的快八节奏，批发零啊售贸易餐饮业疤的出现，解决敖了人们因为工半作压力大而对板付餐饮的问题啊。批发零售餐耙饮业在逐渐增佰加的同时客运啊量也在增加，八尤其是到工作拜日的上下班时吧间，客运量更敖是在此时增加班的更快，也就拜是说，批发零板售餐饮业对客唉运量的影响在板工作日上下班笆时间尤为突出皑。 瓣4、客运周转瓣量是指在一定案时期内运送旅斑客数量与平均巴运距的乘积。安由此定义可知昂，客运周转量柏与旅客数量，搬即总人口的数百量大大相关。袄随着外来人口稗进入城市打工邦或者是搬迁，叭尤其是外省或罢者是农村的人捌口的迁入，导巴致平均运距的爸增加，尤其

52、在啊返乡时，从而盎必然导致客运霸周转量的增加昂。客运周转量瓣从2012年跋的18918半6 增翱加到2020捌年的 39半1423 柏 而总人口从扳2012年的敖 9829按 增加到20凹20年的 蔼10512 靶 从数据也哀可以得到，客暗运周转量在增拔加，而总人口袄的数量也在增罢长。般七、回归模型盎的检验相关性分析：稗在相关分析中般,巴通常利用两个办变量之间的简懊单相关系数和氨一个变量与多凹个变量之间的般复相关系数来佰分析或测定这扳些变量之间的癌线性相关程度芭,板并据此进行线哀性回归分析、耙预测和控制等翱。相关系数叭r 盎绝对值愈大袄(啊愈接近肮1) ,碍表明变量之间扳的线性相关程岸度愈高坝

53、;背相关系数绝对阿值愈小坝,颁表明变量之间拔的线性相关程艾度愈低。相关皑系数为零时奥,斑表明变量之间啊不存在线性相百关关系。罢因熬此岸,把人们通常利用熬相关系数的大疤小来解释变量挨间相互关系的碍大小袄，下面进行交氨通客运量、货靶运量与总人口扒、生产总值、哎批发零售量的耙相关性分析：般（1）可决系吧数与调整的可吧决系数凹在多元线性回蔼归方程中，也巴可以向一元线把性回归模型那芭样，用可决系奥数来衡量样本稗回归线对样本岸观测值的拟合隘程度。暗Syy表示y版的总变差瓣上式描述了一俺个因变量y的熬某次观背测值yi与这绊个因变量的平伴均值的偏差平瓣方和，它的大皑小描述了这n案个数据的分散板程度，记作般 盎

54、 。因为所以即要想求肮就要先求Q和阿U班又有Q-y的袄剩余平方和为邦 柏 白 巴或误差平方和扳；俺先求客运碍量疤，经有关数据吧带入邦Y跋i表示客运量颁和周转量的取叭值。邦Y扮i上的冒代表岸多元线性回归耙模型 本氨题中的多元线靶性回归模型为颁客运量时下标般为0的系数为疤0，下标为1跋的系数为0.颁3478 佰下标为2的系胺数为0.05哀51 下标吧为3的系数为绊0.0048芭周转量时下标叭为0的系数为敖0 下标为奥1的系数为0版.3350 哎 下标为2的坝系数为0.0癌548下标为败3的系数为0懊.0048稗X1i的取值爸为 每8年取板一次值般将值代入可得啊 客运量时Q唉=12214罢34604

55、 肮 周转量时扮 Q=792白461034坝.8昂（2）懊U-y的回归邦平方和班y的平均值 昂 将值代入可百得 客运量办时U=562安514596疤 周转量时按 U=553懊374823靶.3哎所以求Syy颁 矮客运量时Sy拔y=7185阿17421.安6 周转背量时Syy=皑792473颁830.2案检验方法是用蔼F检验法，检矮验统计量是F熬=U/Q疤客运量时 F颁=0.460跋5 周转量时芭F=0.69摆83绊总平方和可以拌分解为回归平按方和与残差平半方和的和，回癌归平方和反映背了总平方和中案有样本回归线背解释的部分；稗残差平方反映班总平方和中不昂能由样本回归芭线解释的部分阿，其值越大，般

56、表明用回归方捌程解释样本误伴差越大。昂当r越接近于俺1时，剩余平拌方和Q(a,奥b)的值越接埃近于0，即回拔归模型描述y摆与x的关系的安近似程度越好安，对于一元线案性回归而言，八表示y与x的凹关系越接近于肮线性；当r=板1时，Q(a叭,b)=0，案此时即每一个背理论值都等于袄对应的实际值般，回归直线通艾过每一个数据盎点，这种情况拔称为完全线性氨相关，r越接肮近于0，y与把x的关系与线柏性关系相差就澳越远，甚至根哎本不能用所得芭到的回归方程肮来描述，当r班=0时，称般为般完全无线性相捌关。暗 r表示拟合挨优度r2=败u/Syy=把1-Q/Sy岸y阿客运量时般 r2=0昂.傲78 周转傲量时r2=捌0.70盎经过以上的拟暗合优度系数可哀知利用回归方吧程检验解释样肮本误差很小，叭即剩余平方和碍Q(a,b)癌的值越接近于傲0，也即回归半模型描述y与办x的关系的近百似程度最好，艾所以先前建立矮的回归模型是爸比较合理准确安的