青島地鐵客流量預測模型的構建及分析

劉先超，丁 月，肖凱迪

（青島黃海學院，山東 青島 266427）

0 引言

青島作為我國沿海地區非常重要的交通樞紐和旅游城市，流動人口壓力使得青島需借助現代化的交通來緩解交通緊張狀況。青島地鐵3號線于2016年12月18日上午11時已全線開通。本文基于時間序列模型對青島地鐵3號線客流量進行預測，在預測結果基礎上，對地鐵運營商提出建議，以提高運營效率。

1 模型的建立及求解

1.1 ADF 單位根檢驗

把青島地鐵3號線客流總量以天為單位進行統計，借助EViews軟件，對青島地鐵3號線2017年8月8日－11月6日的客流總量做時序圖，如圖1所示（數據來源：青島市交通運輸委員會）。

圖1 青島地鐵進站客流量時序圖

由圖1知，9月、10月的地鐵客流量數據比較穩定，主要圍繞一個數量值來回波動，而8月份客流總量數據波動較大，從總體上來看，地鐵客流總量保持在一條水平線上，整體上呈現以周為單位的周期性變化，周與周之間的波動規律變化不大，周內每天的波動幅度較明顯，像9月4日－9月11日這周客流總量變化就比較明顯，周一到周五青島地鐵3號線客流總量保持在較高的水平，周末地鐵客流總量明顯有下降趨勢。

借助Eviews軟件對原始序列數據進行ADF檢驗，如表1所示。

表1 ADF單位根檢驗

根據表1可知，原始數據的P＞0.05，那么可以推斷原始序列存在非常明顯的非平穩性，季節差分后的P＜0.05，表明在5%的顯著水平下拒絕原假設，即季節差分后的序列是平穩的，因此可以對其季節時間序列模型進行分析。

圖2 穩定序列自相關函數與偏自相關函數圖

由于原始序列經過一階自然對數差分，消除了序列的趨勢，因此d＝1；經過一階季節性差分，基本消除了季節性的變動，因此D＝1。通過對圖2的觀察可知，偏自相關函數在滯后1階、7階處顯著不為零，因此p＝1。自相關函數在2階后才接近為零，表明MA過程應該是低階的，因此q＝1。因為在滯后1階處，自相關函數和偏自相關函數都顯著地不為零，因此P＝1、Q＝1或者0。通過檢驗，最終確定模型為 SARIMA（1，1，1）（1，1，0）7，對其檢驗結果如表2圖3所示。

表2 模型檢驗結果

從表 2可看出，AR、SAR、MA 所對應的 p值均比 0.05小，因此通過了顯著性檢驗。

2.3 預測結果及分析

結合上文構建的模型SARIMA（1，1，1）（1，1，0）7，借 助Eviews軟件對2017年8月8日-2017年11月6日青島地鐵3號線的客流量進行了預測，預測結果如下。

由圖3可知，靜態預測的數值大多數都高于實際值，9月份最為明顯，預測值的走勢與真實值的走勢大致相同。由圖4可知，大多數動態預測的數值都高于實際值，預測值的走勢與真實值的走勢也大致相同。其中動態預測的相對平均偏差小于靜態預測，由此也可以看出動態預測能較好地預測客流量，且其實現長期客流量預測，比靜態預測更具有優勢。借助上文構建的模型及2017年8月8日-2017年11月6日青島地鐵3號線的客流量數據預測2017年11月7日的青島地鐵3號線客流量數據，動態預測客流量為201 879人，與實際值185 027偏差為9.1%，比靜態預測的偏差9.5%小。由此可見，對于青島地鐵3號線客流量的預測使用動態預測更具有優勢。

3 結語

青島地鐵3號線客流量呈現以周為單位的周期性波動，周一到周五波動范圍小，而周末呈下降趨勢，對青島其他地鐵線路以及其他城市地鐵線路來說，可適當改變客流組織周期性的應對措施，從而進一步提高運營效率；本文利用SARIMA模型對地鐵客流總量進行短周期性的預測，可以較準確地預測出客流量及波動規律，提高了預測結果的真實性，使交通部門更好地把握客流量信息，對于其他城市，例如濟南、煙臺等地建造地鐵，也可采用該模型對客流量進行預測，從而提高政府部門的服務質量。

圖3 靜態預測值與實際值對比圖

注：指導教師為楊英超、薛靖峰。

主要參考文獻

［1］袁蘭蘭.全國鐵路客運量的時間序列模型［J］.新鄉學院學報，2017，34（9）：7－9.

［2］陳燦煌.基于SARIMA模型的中國農產品價格指數短期預測［J］.湖南商學院學報，2016，23（2）：16－20.

［3］焦亮，李文杰，趙超敏，等.基于 Eviews的季節時間序列（SARIMA）預測模型［J］.河南預防醫學雜志，2015，26（5）：349－352.