交通运输工程学课件 第三章 交通运输调查与需求预测

第三章交通运输调查与需求预测交通运输调查与需求预测交通运输调查就是运用一定的调查方法，针对交通运输现状及其发展趋势而展开的有计划、有目的、有系统地搜集、整理和分析有关交通运输信息，并最终形成调查报告的过程。交通运输调查的结果可以为运输市场预测和某类决策提供依据。宏观上：对于交通运输主管部门摸清实情、编制交通运输事业发展规划、引导运输经营者正确地展开经营活动、提高交通运输的管理水平、促进运输业与国民经济协调发展均具有重要意义。微观上：有利于运输企业(或经营者)发现经营机会，改进运输组织工作，提高运输服务质量，增强市场竞争地位。第一节交通运输调查内容第二节交通运输调查方法第三节交通运输需求预测方法Contents第三章交通运输调查与需求预测第一节、交通运输调查内容一.货运调查交通运输调查可以分为货运调查和客运调查，以全面了解和不断改善交通运输服务工作货运调查即对汽车货物运输需求状况的调查，通常包括货流起讫点调查与货运车辆出行调查两种类型。１.货流起讫点调查：货流起讫点调查，即货物发生与吸收地点分布、货物流向与流量调查，简称（货流）OD调查（OrigindestinationSurvey）。OD调查的主要内容包括：(1)货物种类、数量及流向

（2）货流起讫点及其地理位置

（3）货流按时间及空间分布

（4）货物转运、装卸、途中保管地点及分布

（5）货物运输需用运输工具或车辆类型第一节、交通运输调查内容2.货运车辆出行调查：货运车辆出行调查，即货运汽车出行起、讫地点调查、据以了解调查期间车流分布及货运供求情况，为改善货运服务和管理提供基础资料。传统调查方法主要有询访调查与路旁调查。随着车辆定位系统的广泛应用，车辆出行定位跟踪技术为货运车辆出行调查提供了新的技术手段。１)询访调查即对货运车辆所属单位（或个人）进行调查。调查是按调查地区车辆管理部门的汽车登记账册，对全部或部分（抽样）货运汽车的所有者调查当日（或规定调查日期）运行情况及各次出行内容。第一节、交通运输调查内容调查的主要项目包括:（1）车型、核定载质量、牌照号、车主（2）起、讫地点名称以及经过的路段（3）装载货物种类及质量（4）出发时间与到达时间（5）载重里程与空车里程（6）车辆总行程及总运次数第一节、交通运输调查内容第一节、交通运输调查内容2）路旁调查进行路旁调查时，原则上应调查通过观测点的全部车辆。但对交通量大的观测点则宜于进行抽样调查。调查之前应做好宣传工作，以求得驾驶员的协作，并在调查地点前方设置标志，把调查车辆引到路边，以便进行短时间的询问调查。3）新技术的使用(1)车辆定位追踪(2)移动通信数据(3)射频识别(RadioFrequencyIdentification,RFID)技术(4)自动车牌识别(AutomaticNumberPlateReader,ANPR)系统(5)无人机巡查(6)在线调查(7)大数据分析这些先进的技术和方法为货运调查带来了革命性的变革，使人们能够更准确、更实时地了解货物和车辆流动的全貌，从而更好地服务于货运行业和社会经济发展。第一节、交通运输调查内容

二.客运调查客运调查指企业服务区域内客运动态特征调查，包括客运需求调查与客运服务调查两种类型1.客运需求调查客运需求调查，指企业服务区内居民的客运需求目的、需求地点分布以及需求数量等状况调查。（1）客运需求地点分布调查客运需求地点分布调查的主要项目有：·被调查者性别、年龄、职业、工作单位·被调查者住址（出发地）与目的地·被调查者乘车前步行时间、路程长度·被调查者换乘次数、换乘地点、换乘的运输工具、各次换乘所需时间·被调查者到达终点站后步行至单位所需的时间、路程长度·被调查者由家到工作（学习）地点需用的总时间（分钟）第一节、交通运输调查内容下表为某次普通询问调查内容第一节、交通运输调查内容

（2）客运需求量调查客运需求量调查，主要指对居民的客运需求量及出行目的综合调查。本项调查所得到的资料一般比前项调查广泛得多，其调查项目主要有：·被调查者得社会人口统计特征（如性别、年龄、社会单位或居住区域、家庭情况、文化程度、职业等）·一昼夜间的出行情况（出行目的、出发地点、到达地点、出行方式、出行时间、所经路线等）第一节、交通运输调查内容下表为某城市客运需求量调查内容第一节、交通运输调查内容2、客运服务调查客运服务调查，即用以了解客运服务现状满足客运需求程度的调查，包括乘行调查、客流量调查和满载率调查。乘行调查。即乘客沿线乘行起终点调查，用以获取下述资料：某线路各停车站间对应客运量、各路段（断面）客流量、各停车站点乘客集散量、路段或路线的车辆满载情况以及客流沿不同乘行方向的分布等。客流量调查。即线路客流量调查，通常调查乘客沿线乘行对应起终点，用以改进城市客运某一环节的运输服务工作。此项调查通常可与前项调查结合进行。满载率调查。即对客运网或某一路段的车辆利用程度的调查。其调查通常也可与前两项调查合并进行。为方便调查，通常在各停车站驻站进行，将车辆满载率划分为几档（如半满座、满座、有站位、满载、不能再上乘客等），调查人员目测后，在调查表相应满载率栏目处做好记录。第一节、交通运输调查内容3、新技术使用除了传统的调查方法，随着科技的发展，有许多先进的调查方法被引入到客运调查中。手机定位追踪:利用乘客的智能手机来追踪其出行路径、出行时间等，但需要得到客户的同意。视频监控：是近年来逐渐被采用的一种方法来评估满载率，结合现代的图像识别和机器学习技术，可以自动化地分析视频数据，识别车厢内的乘客数量。移动通信数据:利用手机的信号塔数据，可以追踪乘客的大致出行路径和停留时间。WiFi探针:在公交站、火车站、地铁站等交通枢纽设置WiFi探针，可以捕获通过的设备信息，从而了解人流量和出行习惯。第一节、交通运输调查内容自动售票和进出站系统数据:许多现代化的交通工具都使用电子票务系统，这些系统会产生大量的数据，如乘客进出站的时间、乘坐的线路等。对这些数据进行分析，可以了解乘客的出行需求和使用频率。在线调查和移动应用反馈:利用网站、社交媒体或专门的移动应用收集乘客的反馈和建议。通过数字化的方式，可以收集和整理大量的数据。射频识别（RFID）技术:一些交通系统使用RFID卡片作为乘客的身份识别或票务工具，这些卡片产生的数据可以用来追踪乘客的出行习惯和频率。这些先进的调查方法为客运调查提供了更高效、准确和细致的手段，使得交通运输规划和服务提升更加科学和合理。第一节、交通运输调查内容第二节、交通运输调查方法

一、传统调查方法传统交通运输调查常用的调查形式及其特点有：（1）询访调查。系指深入到运输需求者（机构、居住区或个人）中间进行的调查。其特点是灵活性强、内容全面、可信度高、答案回收率高，效果较好。但其缺点是投入调查人员多、费用高、时间长、速度慢。因而这项调查一般适宜于单项调查或个案调查。（2）路旁调查。指调查人员站在调查路段旁边，对来往车辆或乘客的调查，往往伴随运政执法检查进行。其优点是直接性强，调查速度较快，有利于提高调查质量。但其缺点是不宜得到被调查者配合，常要得到运政管理人员的协助，且调查人员工作条件差，比较辛苦。（3）站点调查。指调查人员在固定车站（线路停靠点）进行的调查。其优缺点类似于路旁调查。（4）跟车调查。指调查人员跟随乘客上车在车厢内进行的调查。其优缺点与上述两项调查相似。（5）巡视调查。指调查人员驱车前往调查区域，沿途查看、察访进行的调查。其优点是调查速度快、费用低、投入人力少。但其缺点是不够深入，资料可信程度不如前集中调查形式。第二节、交通运输调查方法

二、结合新技术的调查方法随着技术的发展，现代交通运输调查还可结合众多高科技手段以提高调查的效率和准确性。(1)定位系统跟踪调查。利用定位技术跟踪运输工具或个人的移动路径。其优点是提供准确的路线、停留时间和速度数据;可自动收集大量数据;减少人工成本。其缺点是硬件成本高,并且涉及隐私问题。(2)电子票务数据分析。利用电子票务系统收集的数据来分析乘客的出行习惯及路径。其优点是自动化,减少人工干预；大数据量,提高分析准确性。其缺点是数据可能不全面,如未包括非电子票据用户。(3)视频监控分析。利用摄像头结合图像识别技术来评估满载率。其优点是实时、全面,减少人为误差。其缺点是成本高,涉及隐私问题。第二节、交通运输调查方法第三节、交通运输需求预测方法

一、运输量预测交通运输的科学决策不仅要以交通运输调查为基础,而且要以运输量预测为依据。所谓运输量预测,就是在交通运输调查基础上,利用科学方法和手段,对预测对象的未来发展状态作出判断。交通运输预测的对象一般包括运输需要(通常的运量和周转量,即运输量为代表)、运力、运输结构、交通运输科技、运输市场竞争、运价等,但以运输需要的预测为重点。迄今为止,预测理论产生了很多预测方法。归纳起来,预测方法大体可分为两大类:-类是定性预测方法:一类是定量预测方法。根据预测实践的经验,两类预测方法常常结合使用,即定量预测必须接受定性预测的指导,否则,容易导致定量方法的滥用。运输量的预测,按预测时间的长短不同,可分为短期预测、中期预测和长期预测。短期预测是制定年度、季度运输生产计划的基础,而中期预测和长期预测是制定企业经营方针、企业技术改造、政府制定运输发展规划的基础。

二、定性预测与定量预测1.定性预测定性预测主要基于领域知识和专家经验，通过规则和专家判断来进行预测。这种模型通常用于解释和理解交通运输系统中的因果关系和影响因素，提供关于需求变化的定性描述和解释。定性预测的主要方法有德尔菲法（Delphi）、场景分析法、类比算法等德尔菲法：①由预测主持人将需要预测的问题一一拟出，然后将这些问题连同本次预测活动的目的、意义等背景材料，一并寄给预测专家;②预测专家各自独立地回答各个预测问题，并将答案回寄给被预测主持人;③预测主持人对收集的专家意见汇总、分类和整理，将那些专家意见相差较大的问题再抽出来，附上几种典型意见请专家进行第二轮预测;④重复上述过程，直到专家的意见趋向一致或更加集中在一、两种意见上为止。以上述专家的最终意见作为预测结果。第三节、交通运输需求预测方法场景分析法：①确定目标和范围：明确预测的目标和范围，确定关键驱动因素和事件。②构建情景矩阵：根据驱动因素，建立一个二维矩阵，用于表示不同的情景组合。③定义情景描述：为每个情景编写详细描述，包括关键特征、趋势和事件的描绘。④进行分析和评估：对每个情景进行分析和评估，考虑其可能的影响、结果和趋势。类比算法：类比算法是在确知甲地或某事物(类比对象)某两个或多个指标(其中一个必须是预测变量指标)之间的规律后，并将此规律用于预测乙地或另一事物发展变化的一种简便方法。运用类比算法时，必须注意类比的两个地区或事物之间的相似程度。相似程度越高，类比预测结果的质量越高。第三节、交通运输需求预测方法二、定量预测定量预测方法是依据必要的统计资料，借用一定的数学模型，对预测对象的未来状态和性质进行定量测算等方法的总称。运输量预测常用的定量预测方法有:1）指数平滑模型2）回归分析法3）马尔可夫分析法4）弹性系数法5）单元预测法6）增长率统计法7）灰色预测法8）细分集成法9）人工神经网络模型10）时间序列模型第三节、交通运输需求预测方法指数平滑模型：指数平滑发的原理是通过对历史观察值进行加权处理，平滑掉部分随机信息，并根据观察值的表现趋势，建立一定的模型，据此对预测对象做出预测。依靠预测对象的历史观察值趋势，指数平滑法包括以下三种：（1）水平趋势模型：式中：——未来第L期的预测值；

T——表示历史观察值最后一期的时间代号；

——一次平滑值，即第T个观察期的平滑值。它在数值上由下式确定：式中：——加权系数，一般由经验确定(当观察值的发展趋势较平稳时，宜小;当观察值趋势变化较大时，宜高);——预测对象在过去的观察值，即第T个观察值。——第T-1期的一次平滑值。第三节、交通运输需求预测方法（2）线性趋势模型：式中：L——预测期限的长度：其中：表示第T期的二次平滑值，即：(3)二次曲线模型式中：其中:

表示第T期的三次平滑值第三节、交通运输需求预测方法

指数平滑法的计算表格如下：表中,、和一般也由经验给定,通常均可以首期观察值的数值代替。第三节、交通运输需求预测方法

回归分析法：式中:X——自变量(相关变量);

Y——因变量，即预测对象所代表的变量;

A、B——回归系数，分别由下列公式确定:式中：、——自变量和因变量的原始观察值;、——自变量和因变量的原始观察值的算数平均值;n-原始观察值组数.回归分析是最常用的预测模型之一。通常情况下，只选用(准)一元线性回归预测模型。其模型标准形式为：

第三节、交通运输需求预测方法

马尔可夫分析法：设变量X的取值具有无后效性，即X在下期(记为Tn+1)所处的状态只与其目前(即当期，记为Tn)的状态有关，而与它以前的状态无关，这一特性及过程称为马尔可夫链。如果X的状态变化符合马尔可夫链，以记号表示变量X在处于状态i，而在下一期()处于状态j的概率，那么

就表示变量X从状态i经过一步转移而达到状态j的转移概率。

若变量(表示变量X在第n期)的可能值共有m种状态，每种状态下的变量X经一步转移后处于这m种状态中的某一种状态的概率为

，那么全部的可排到为矩阵P:矩阵P具有及两种特性。第三节、交通运输需求预测方法若变量X在

时处于状态i，但经k步(k≥2)转移到达状态j，则称这种转移的可能性为k步转移概率，记为:同样,

在各种可能状态k步转移至各种状态的概率，也可记为矩阵

，即：在数学上，可以证明矩阵

与矩阵P存在如下关系:即k步转移概率矩阵等于一步转移概率矩阵的k次幂。第三节、交通运输需求预测方法

若变量X各种可能状态的初始分布为，经k步转移后,其各种可能状态的分布即为，那么，这两种分布之间存在：因而有：或：第三节、交通运输需求预测方法弹性系数法：此方法的数学模型为：式中：——未来第t年的预测值；

——预测对象在当前的统计值；、——预测对象在过去和未来时间的年均增长率（%）；——预测对象在过去和未来时间的年均增长率（%）；——预测对象在过去和未来时间的年均增长率（%）；

——预测对象在过去和未来时间的年均增长率（%）；例如，某地区在某年的货物周转量为2000万t·km，在过去的五年中，该地区的货物周转量年均增长率为5%，而其国民生产总值的年均增长率为10%，预计末来三年中该地区国民生产总值将保持8%的年均增长速度，那么该地区三年后的货物周转量便为:第三节、交通运输需求预测方法单元预测法：单元预测法，指自变量与因变量为同类要素(如为货运量时)，依据统计期的观察值推测预测值的一种简便算法。例如：式中：

——未来第L期的预测值；

——统计末期预测对象的统计值；

——统计末期预测对象的统计值；

r——在一定的分布时间内，预测对象在前后统计期（或预测期）内的相关函数。

例如，某火车站每日运出的集装箱均值为

=1250个，其中统计末期该日的运出量为1370个。如果未来每日应运出的集装箱与上述差额之间的相关函数为e-0.48t(t为预测日与统计期最后一日的时间期限)，那么未来第三日应运出的集装箱数为:第三节、交通运输需求预测方法增长率统计法：

增长率统计法，指根据预测对象在过去的年均增长率，类推未来某期预测值的一种简便算法。式中：——预测对象在未来第t期的预测值；、——分别表示预测变量在过去统计期末和统计期初的统计值；

r——预测变量在统计期内的年均增长率；

n——统计期包含的时间期数（如5年）；

t——预测期离统计期末的时间（如3年）。第三节、交通运输需求预测方法灰色预测法：灰色预测法是基于灰色系统理论，用关联度收敛原理、生成数、灰导数、灰微分方程等观点和方法建立了微分方程型模型。灰色系统理论，是将一切随机变量看作是在一定范围内变化的灰色量，将随机过程看作是在一定范围内变化的、与时间有关的灰色过程，对灰色量不是从找统计规律的角度和通过大样本进行研究，而是用数据处理的方法(数据生成)，将杂乱无章的原始数据整理规律较强的生成数列再作研究。灰色理论的微分方程型模型称为GM模型，G表示grey(灰)，M表示Model(模型)。GM(1，N)表示1阶N变量微分方程型模型。而常用的GM(1，1)则表示是1阶的，1个变量的微分方程型模型。目前灰色预测广泛应用于社会经济、气象、生态、环境、工程技术等领域各个方面。各种模型的类型请参考邓聚龙著《灰色预测与决策》(华中理工大学出版社，1988年出版)。第三节、交通运输需求预测方法细分集成法：细分集成法是分别单独地预测各个子部分的预测值,然后加总求和而得到整体预测值的一种方法。即例如，预测某市的货物发出量，便可以分别预测该市行政辖域内各区(县的货物发出量，然后加总求和。又如可以通过分别预测农业、轻工业、重工业和第三产业的发展导致的货运量，从而求得全部货运量。以上所介绍的各种预测方法,各有利弊。预测人员在实际工作中应选择运用并在实践中不断总结分析，摸索较好的预测方法。最后，尚须作以下两点说明以上预测方法所获得的预测结果，只是就正常发展趋势而言的，它一般没有包括诸如公铁加快分流、某地新开工厂、新辟营运线路等运输结构变化和经济布局变化导致新增运输需求因素的影响。否则，预测者应根据当地的具体发展情况分析研究，考虑如何修正上述各种预测方法的预测结果。如果预测对象为运量指标，那么周转量指标也可以通过运量预测值和平均运距计算第三节、交通运输需求预测方法

人工神经网络模型：人工神经网络(ArtificialNeuralNetwork,ANN)是从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互连接构成。每个节点代表一种特定的输出函数,称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。通用的数学表示为：a(或图3-1中的o)为神经元输出，f为传递函数，通常为非线性函数，W为权向量，x(输入矩阵为A)为输入向量，A′为A向量的转置，b为偏置。第三节、交通运输需求预测方法第三节、交通运输需求预测方法（1）循环神经网络：循环神经网络（RecurrentNeuralNetwork，RNN）是一种在序列数据和时间序列数据建模中常用的神经网络模型。使用数学语言来解释循环神经网络如下：在循环神经网络中，我们考虑的是序列数据，假设有一个时间序列数据集，包含T个时间步的输入序列

X={X₁,X₂,...,XT}。循环神经网络通过递归地更新隐藏状态来捕捉序列中的上下文信息，并生成输出序列。循环神经网络可以用如下数学表达式表示：式中：——当前时间步的隐藏状态；

——隐藏状态的权重矩阵；——输入数据的权重矩阵；——偏置项；

——激活函数。第三节、交通运输需求预测方法（2）长短期记忆网络：长短期记忆网络(LongShort-TemmmMemory，LSTM)是一种改进的循环神经网络(RNN)结构，专门用于解决传统RNN在处理长期依赖关系时出现的梯度消失或梯度爆炸问题。下面用数学语言详细介绍LSTM网络的结构和计算过程:

LSTM单元：LSTM单元是LSTM网络的基本构建单元。一个LSRM包含三个关键部分：输入门(inputgate)、遗忘门(forgetgate)和输出门(outpugate)。输入门：输入门控制着输入信息对于当前时刻的影响。它由一个sigmoid活函数来决定输入信息的重要程度，以及一个tanh激活函数来生成候选的新信息。数学表达式为:式中:——输入门的输出；——当前时刻的输入；——前一时刻的隐藏状态;、、

、——权重矩阵；——细胞状态；

和——偏置项。第三节、交通运输需求预测方法

第三节、交通运输需求预测方法输出门：输出门决定了当前时刻的隐藏状态。它由一个sigmoid激活函数来决定输出的重要程度，以及一个tanh激活函数来生成输出的候选值。数学表达式为:式中：——遗忘门的输出；

、——权重矩阵；

——偏置项。通过上述计算过程，LSTM单元能够根据当前时刻的输入和前一时刻的隐藏状态,以及控制门的输出,来更新记忆状态并生成当前时刻的隐藏状态。在LSTN网络中，可以通过连接多个LSTM单元来构建深层网络结构，以更好地捕捉时序列数据中的长期依赖关系。第三节、交通运输需求预测方法（3）卷积神经网络：卷积神经网络(ConvolutionalNeuralNetwork，CNN)是一种深度学习模型，用于处理和分析具有网格结构数据的任务。其基本结构包括:

输入层：接收原始数据，如一段时间内的交通运输量数据。

卷积层：该层通过卷积操作从输入数据中提取特征。

激活层：引入非线性操作，常用的是ReLU函数。

池化层：降低数据的空间大小，同时保留关键特征。

全连接层：经典的神经网络层，进行分类或回归。

输出层：得到最终的预测结果。当我们谈论卷积神经网络(CNN)时，我们主要集中于其核心操作，包括卷池化和激活。下面是详细的数学描述:卷积操作:给定一个输入特征X和一个滤波器(卷积核)W，对于X上的每个小块x,卷积操作如下:式中：星号(*)表示卷积操作。第三节、交通运输需求预测方法激活函数：在卷积操作后，通常会应用一个非线性激活函数。最常用的是ReLU函数：池化操作：最常见的是最大池化。对于输入的每个区域x，池化操作如下：式中:表示在x区域内选择最大值作为输出。全连接层：这是一个普通的神经网络层，数学表示如下：式中：W是权重，X是输入，b是偏置。Softmax激活:用于分类任务的输出层。给定一个向量z，其softmax函数为：第三节、交通运输需求预测方法

第三节、交通运输需求预测方法

时间序列模型：时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。时间序列分析在市场潜量预测等方面应用广泛。常用的具体模型如下：(1)ARIMA模型自回归移动平均模型(AutoregressiveIntegratedMovingAverage,ARIMA)是种常用的时间序列预测模型，用于分析和预测具有时间依赖性的数据。模型可表示为：式中：AR(p)——自回归(Autoregressive)部分，表示当前观测值与过去观测值之间的关系。自回归部分由参数p控制，表示模型中使用的过去观测值的数量。数学表达式为:第三节、交通运输需求预测方法式中：——时间点t的观测值，,,…,——自回归系数;——差分(Integrated)部分，表示对数据进行差分操作，以使数据序列变得平稳。差分部分由参数d控制，表示进行了多少次差分操作，由下式确定：式中：B——差分算子；——进行差分操作的原始数据;

d——表示差分操作次数；——移动平均(MovingAverage)部分，表示当前观测值与过去观测值的误差的线性组合。移动平均部分由参数q控制，表示模型中使用的过去观测值的误差的数量表达式为:式中:——时间点t的误差项

，，…，——移动平均系数，q——模型中使用的过去观测值的误差的数量。第三节、交通运输需求预测方法(2)SARIMA模型季节性自回归整合移动平均模型(SeasonalAutoregressiveIntegratedMovingAverage，SARIMA)是ARIMA模型的扩展，用于处理具有季节性模式的时间序列数据。模型可表示为:式中：SAR(P)——季节性自回归(SeasonalAutoregressive)部分，表示当前观测值与过去同一季节观测值之间的关系。它使用过去同一季节时间点的观测值的线性组合来预测当前季节时间点的观测值。季节性自回归部分由参数P控制，表示模型中使用的过去季节性观测值的数量。数学表达式为:式中:——当前季节时间点t的观测值，s

——季节性周期长度，用于指示数据中的重复模式出现的频率，,,…,是季节性自回归系数;I(D)——季节性差分(SeasonalIntegrated)部分，表示对数据进行季节性差分操作，以使季节性变动减少。它通过减去同一季节的前一个季节时间点的观测值，使数据序列趋于平稳。季节性差分部分由参数D控制，表示进行了多少次季节性差分操作。数学表达式为:第三节、交通运输需求预测方法式中：B——季节性差分算子，Y(t)——季节性差分操作的原始数据；s—季节性的周期长度，用于指示数据中的重复模式出现的频率;SMA(Q)季节性移动平均(SeasonalMovingAverage)部分，表示当前观测值与过去同一季节观测值的误差的线性组合。它考虑了过去同一季节观测值的误美对当前季节时间点的观测值的影响。季节性移动平均部分由参数Q控制，表示模型中使用的过去季节性观测值的误差的数量。数学表达式为：式中：ε(t)当前季节时间点t的误差项，β1，β2，…βQ是季节性移动平均系数。SARIMA模型能够捕捉和预测季节性时间序列数据中的长期趋势、季节性模式和残差信息。通过对参数的估计和模型拟合，SARIMA模型可以提供准确的季节性时间序列预测和分析。第三节、交通运输需求预测方法以上介绍的3种定性预测方法和10种定量预测模型各有利弊。预测人员在实际工作中应选择运用，并在实践中不断总结分析，摸索较好的预测方法。最后，尚需作以下两点说明:第一，以上预测方法所获得的预测结果,只是就正常发展趋势而言的,它一般没有包括诸如公铁分流、某地新开工厂、新辟营运线路等运输结构变化和经济布局变化导致新增运输需求因素的影响。否则，预测者应根据当地的具体发展情况分析研究，考虑如何修正上述各种预测方法的预测结果。第二，如果预测对象为运量指标，那么，周转量指标也可以通过运量预测值和平均运距计算而得。这里，平均运距可以根据以往的数据求知:第三节、交通运输需求预测方法式中：P——以往统计的周转量(t·km或人·km)；

Q——以往统计的相应运量(t或人)。一般而言，同一地区的平均运距逐年变化率较小，故可用于短期估算对于客运，在缺乏运量和周转量统计资料时，也可由下式估算平均乘距。式中：ni——第i种车票面额售出张数(张)；Li——第i种面额车票对应的最大乘距(km)；k——票面额种类数；ζ——修正系数(因为不可能每位乘客都乘足最大乘距)，一般取ζ=0.7~0.8第三节、交通运输需求预测方法

三、与定量预测相关的其他问题1.组合预测与预测结果的组合处理当采用定量预测方法时,对同一预测对象的预测,人们既可以采用多种预测方法,也可以对同一预测模型应用不同的自变量。像这样对同一预测对象采用多种途径预测的方法叫作组合预测方法。它是现代预测科学理论的重要组成部分,其思想就是认为任何一种预测方法都只能部分地反映预测对象未来发展的变化规律,只有采用多种预测途径进行预测才能更全面地反映事物发展的未来变化。所谓组合处理就是通过一定的方法,对各种途径的预测