Методы прогнозирования пассажиропотоков
Методы прогнозирования
Методы прогнозирования можно разделить на две большие группы -
логико-эвристические методы базируются на широко известной общенаучной теории
логики и на эвристике, которая определяется словарями как "Искусство
нахождения истины". В этой группе выделяются четыре подгруппы методов, это
методы формальной логики, аналогии, экспертных оценок и специальные
эвристические.
Методы моделирования основаны прежде всего и количественных,
математических и статистических исследованиях на выявлении формальных
зависимостей и тенденции развития на построении прогностических моделей и
экспериментировании с ними на базе компьютерной техники. В качестве подклассов
выделяются модели экстраполяции, эконометрические, нормативно - целевые и
имитационные.
Отдельно в классификации представлены комплексные методы в которых
сочиняются как логико-эвристические подходы, так и моделирование.
Рис 1. Классификация методов прогнозирования.
В ходе научных исследований вообще, прогнозирования в частности, дедукция
и индукция тесно между собой взаимосвязаны. Без индукции строго говоря,
возникновение дедукции становится невозможным. Диалектика не позволяет
беспрепятственно оделять анализ от синтеза, индукцию от дедукции. Более того -
и в своем сочетании они могут оказаться недостаточными для полного обоснования
прогноза, а часто служат лишь дополнением и поклонением при использовании более
специализированных методов прогнозирования.
Модель какой - либо сложной системы тоже представляет собой систему (и
нередко весьма сложную), имеющую физическое воплощение либо записанную с
помощью слов, шифр, математических обозначений, графических изображений и т.д.
Таким образом, можно сказать, что модель - это физическая или знаковая система,
имеющая объективное подобие с исследуемой системой в отношении функциональных,
а часто и структурных характеристик, являющихся предметом исследования.
В настоящее время в теории и практике прогнозирования пассажиропотоков
шире начинают использоваться статистические методы прогнозирования, в частности
методы парной и множественной корреляции, имеющие следующие достоинства :
сравнительная простота, наличие хорошо разработанного математического
аппарата и программ для расчета на ПЭВМ;
легкость получения прогнозной зависимости в общем виде и сравнительная
универсальность ее применения;
возможность исследования влияния отельных факторов и связей на прогнозную
величину;
возможность оценки неопределенностей исходной информации на степень
точности прогноза;
высокая степень объективности и др.
Применяя методы корреляционного анализа для прогнозирования объемов
перевозок туристов железнодорожным транспортом, очень важно установить границы
их действия. При этом должны быть соблюдены следующие основные допущения :
) общие закономерности, которые описывают тенденцию развития в прошлом,
не претерпят существенных изменений в будущем;
) рост (убывание) объемов перевозок туристов железнодорожным транспортом
происходит по плавной (эволюционной) траектории временного ряда; корреляционный перевозка
железнодорожный фильтрация колебание
3) факторы, от которых зависит объем перевозок туристов, являются
независимыми друг от друга величинами;
) исходные данные удовлетворяют требованиям "однородности";
) значения факторов задаются без погрешностей;
Одним из наиболее распространенных методов краткосрочного прогнозирования
объемов перевозок туристов железнодорожным транспортом, основанного на методы
корреляционного анализа, является экстраполяция. Типичным и наиболее применимым
приемом экстраполяции является прогноз по одномерному временному ряду.
Экстраполяционный прогноз объемов перевозок состоит из четырех основных
этапов:
1) анализ временных рядов объемов перевозок;
2) фильтрация случайных колебаний временных рядов;
) выбор тип уравнения регрессии (вид модели) прогнозирования;
) определение прогнозных значений объемов перевозок.
Тенденцию ряда динамики представляют в виде гладкой, которая аналитически
выражается некоторой функцией времени -уравнении регрессии, называемой трендом.
Тренд характеризует основную закономерность движения во времени и под его
обычно понимают регрессию на время.
В общем случае изменение объемов перевозок туристов железнодорожным
транспортом во времени может быть представлено уравнением регрессии следующего
вида :
(1)
где, основная тенденция изменения объемов перевозок
туристов в зависимости от времени ;
случайные колебания (шум).
При
моделировании основной тенденции (тренда) необходимо на втором этапе снизить
случайные колебания во временном ряду.
Операция
предварительной обработки первичной информации случайных колебания и выделения
из него, в котором четко выражена основная тенденция, называется фильтрация
(сглаживание) случайных колебаний.
В
настоящее время наиболее часто применяемыми методами фильтрации являются :
)
фильтрация с помощью невзвешенной скользящей средней;
)
фильтрация с помощью взвешенной скользящей средней;
)
фильтрация с помощью конечных разностей ;
)
фильтрация с помощью специальной специальных формул, полученных путем
использования многочленов различной степени.
В
данной работе для прогноза объемов перевозок туристов железнодорожным
применяется - метод фильтрации с помощью невзвешенной скользящей средней, суть
которого заключается в замене исходных данных временного ряда средним
арифметическим за определенный период времени, и процесс фильтрации
производится по формулам:
корреляционный перевозка железнодорожный фильтрация колебание
; (3)
, (4)
где
, -
значения исходной и фильтрированной
функций в средней точке;
,
- значения
исходной и фильтрированной функций в левой от средней точке;
,
- значения
исходной и фильтрированной функций в правой от средней точке.
На
третьем этапе экстраполяционного прогноза объемов перевозок производится выбор
типа уравнения регрессии (математической модели тренда), которое адекватно
описывает фильтрированного временного ряда.
В
настоящей диссертационной работе с учетом особенности прогнозирования объемов
перевозок туристов железнодорожным применены следующие типы уравнения регрессии
:
1. ;
. ;
. ;
. ;
. ;
. ;
. ; (5)
. ;
. ;
. ;
. ;
. ;
. ;
Для
оценки правильности выбора аналитической зависимости (модели) применяется
критерий Р.Фишера , который
определяется по формуле:
;(6)
;
(7)
;
(8)
-
значение фильтрированного исходного
временного ряда;
-
среднее значение фильтрированного
исходного временного ряда;
-
значение временного ряда полученное по
уравнении регрессии.
Правильность
выбора уравнения тренда определяется путем сравнения F - критерия,
рассчитанного по формуле (6), с некоторой стандартной (табличной ) FТ
, определяемой по специальной
таблице критерия Фишера. Табличное значение критерия Р. Фишера устанавливается n-1=k1 и n-2=k2 степеней
свободы и произвольно выбираемой доверительной вероятности.
Доверительная
вероятность определяет степень достоверности того или иного суждения о
возможных значениях статических характеристик. В качестве доверительной
вероятности чаще всего используют Р=0,95 или Р=0,99. Чем больше величина Р, тем
надежнее результаты расчетов.
Если
F окажется больше FТ (F > FТ ) , то
уравнение тренда может использоваться для прогнозирования
объемов перевозок туристов железнодорожным. Если же таких F
больше двух то выбирается уравнение
тренда соответствующему наибольшему
значению F.
Если
же F < FТ , то вывод о применимости уравнения регрессии следует
считать необоснованным.
Для
нахождения главных компонент использовалась специальная программа на языке Delphi для ПЭВМ. В результате рассчитаны
собственные значения и собственные векторы исходной матрицы, а также матрица
весовых коэффициентов.