预测模型
预测模型
预测模型就是根据实测的几个周期的数据的规律，来预测下一个周期的数据。
预测模型的应用十分广泛，有灰色预测模型、蛛网模型、层次分析法、熵权法、Leslie 模型、标准化/归一化、神经网络、蒙特卡洛算法、01型整数规划模型、遗传算法模板等方面
下面是“中国论文下载中心”的一篇文章“基于财务比率的自由现金流量预测模型研究”
来源：中国论文下载中心 [ 09-03-07 10:03:00 ] 作者：石伟蒋国瑞黄梯云
【摘要】本文构建了一个适用于企业价值估计的基于财务比率的自由现金流量预测模型。笔者根据自由现金流量的财务本质，通过重构自由现金流量表达式，将其表示成各相应财务比率及销售收入的运算关系式，然后根据计量经济学相关原理和方法，构建一个对下一期的自由现金流量进行预测的预测模型，并用汽车制造业上市公司的面板数据(1996-2006)对该预测模型进行了检验。结果表明，模型本身以及解释变量都具有很高的显著性和较强的预测能力。同时该模型还证明，除了滞后一期的财务比率自身之外，其滞后一期的一阶差分同样具有显著的预测能力，是预测自由现金流量不可或缺的解释变量。
【关键词】自由现金流量；预测模型；财务比率
一、引言
贴现现金流量（Discount Cash Flow, 以下简称DCF）方法是企业价值评估实务中最为广泛采用的估值方法。未来各期自由现金流量是决定企业价值的关键性因素之一。较好地预测企业未来自由现金流量是应用DCF估值模型进行企业价值估计的必要条件。
理论上，一般的预测方法，如移动平均、指数平滑、线性非线性回归、BP神经网络、灰色系统等等，均可以用来预测企业自由现金流量。Rappaport（1998）建立了一个自由现金流量预测模型（Rappaport模型），它通过对销售增长率、销售利润率、有效所得税率、边际固定资本投资和边际营运资本投资等五个变量进行恰当的估计，对未来一年的自由现金流量进行预测。王化成等(2005）构建一个基于BP神经网络的预测模型对自由现金流量进行时序预测。Leonard（2005）根据企业自由现金流量的计算规则，通过预测计算公式中的运算因子计算自由现金流量预测值。
Rappaport模型和Leonard模型，对下一期财务数据和比率的预测是基于实践中分析师的主观估计的，它们都是从自由现金流量的构成出发，估计相关财务变量，然后计算得出自由现金量的预测值。这里的研究，则从学术的角度出发，研究哪些财务变量与下一期自由现金流量具有统计上的相关性和显著性，进而具有内在的自由现金流量预测能力。研究结果表明，本期的销售增长率、毛利率、销售管理费用率、应收账款与销售收入之比率及其变化、应付账款与销货成本之比率及其变化、存货与销货成本及其变化、固定资产与销售收入之比率、固定资产折旧率等财务变量对下一期的自由现金流量具有较强的解释力和预测能力。笔者在本文的第二部分，基于财务比率分解自由现金流量的构成，然后得到自由现金流量的表
达式。在此基础上构建了一个自由现金流量预测模型。第三部分，则以汽车制造业的历史数据为基础对所构建的自由现金流量预测模型进行检验。第四部分是研究的结论及进一步研究的建议。
二、构建预测模型
自由现金流量的计算包含诸多会计项目。但就自由现金流量的本质与核心而言其基本计算公式是：
FCFt=NOPATt+DEPRt+DEFTAXt-△WCt-CAPEXt（1）
式中：FCF ——自由现金流量；NOPAT——税后净营业利润；DEPR——折旧和摊销；DEFTAX——递延所得税；△WC——营运资本变化额；CAPEX——资本性支出。
自由现金流量的最关键构成要素，是税后净营业利润、折旧、营运资本变化以及资本性支出，摊销和递延所得税对自由现金流的影响相对较小。为此，这里简化自由现金流量的构成，暂不考虑递延所得税和摊销的影响。下述（2）式即是简化后的自由现金流量表达式：FCFt=NOPATt+DEPRt-△WCt-CAPEXt（2）
这里DEPR重新简化定义为折旧。为了更进一步分解自由现金流量的构成，这里借鉴Leonard模型的经验，根据会计原理基于相关财务比率，重构自由现金流量的等价表达式。资本性支出则以固定资产的增加额作为其近似值。表1描述了重构的基本过程。
根据表1描述的自由现金流量重构过程及结果，我们发现自由现金流量与上期销售净收入以及本期和上期的相关财务比率密切相关。由此我们可以认为，如果一个企业其上述财务比率保持相对稳定，那么其下一期的自由现金流量将具有较高的可预测性。我们将表1最后一行的自由现金流量表达式再作整理，其中D[ ]代表一阶差分运算。
FCFt / REVt-1=（1+gst）（gmt-αt）（1-τcore）
-gst·[rt-（1-gmt）（pt-it）]
-D[rt-（1-gmt）（pt-it）]
-gst·frt·（1-dot）-D[frt·（1-dot）] （3）
D[rt-（1-gmt）（pt-it）]
=[rt-（1-gmt）（pt-it）]-[rt-1-（1-gmt-1）（pt-1-it-1）]
D[frt·（1-dot）]=frt·（1-dot）-frt-1·（1-dot-1）
上述(3)式表明下期自由现金流量与当期销售净收入之比，由当期相关财务比率及一阶差分决定。如果考虑到企业处于正常的经营管理状态，那么可以认为上述式中的财务比率及其变化，具有稳定的时间序列特性，因此现以滞后一期的各项财务比率和一阶差分为基础构建一个间接的自由现金流量预测模型。而直接预测的是下期自由现金流量与当期销售净收入之比率值。为简化预测模型表达式，令：
Yt=FCFt / REVt-1
X1t-1=（1+gst-1）（gmt-1-αt-1）
X2t-1=gst-1·[rt-1-（1-gmt-1）（pt-1-it-1）]
X3t-1=D[rt-1-（1-gmt-1）（pt-1-it-1）]
X4t-1=gst-1·frt-1·（1-dot-1）
X5t-1=D[frt-1·（1-dot-1）]
现以Yt作为预测变量，X1t-1、X2t-1、X3t-1、X4t-1、X5t-1作为解释变量基于多元线性回归方法构建基于财务比率的自由现金流量预测模型：
Yt=β0+β1X1t-1+β2X2t-1+β3X3t-1+β4X4t-1+β5X5t-1+εt
FCFt=REVt-1×Yt
三、模型的实证检验
（一）基本检验思路
文章第二部分所构建的基于财务比率的自由现金流量预测模型是一种间接预测模型。模型检验的首要目标是比率FCFt/REVt-1的预测显著性。如果预测模型具备对比率FCFt/REVt-1的显著解释力和预测能力，那么就可以认为上述所构建的基于财务比率的自由现金流量预测模型具有显著性和较好的对下一期自由现金流量的预测能力。
与一般的实证检验方法一致，笔者的基本检验思路是：以汽车制造业过去11年的数据为基础，按照本文第二部分所述的自由现金流量重构过程计算各公司各年度的不同财务比率，并以此计算各年度自由现金流量；基于多元线性回归方法在计量经济软件EViews 5.0中按照预测模型的要求，对比率数据进行面板数据回归；如果回归方程和解释变量都具有统计显著性，且调整后的适配度R2不至于太小，那么我们就有理由认为预测模型具有较好的预测能力。
（二）数据准备
为了检验所构建的基于财务比率的自由现金流量预测模型，这里选取汽车制造业13家上市公司作为样本，搜集整理它们公开发布的财务报表，共获得13组1996年度至2006年度时间跨度为11年的时间序列数据。限于篇幅，本文不给出具体数据。(数据来源：锐思数据https://www.360docs.net/doc/544578335.html,) 根据计算得到财务比率可以发现上市时间较早的运作稳定的汽车制造商，其各项财务比率相对比较稳定，而上市较晚规模和品牌较弱的汽车制造商，各项财务
比率波动性比较大。财务比率的波动性自然会影响到预测模型的解释力和预测能力。但囿于上市公司财务数据时间跨度较短，有效数据较少，所以这里不得不选取同一行业不同公司的数据作为样本，无疑所获得面板数据将会降低解释变量的显著性以及回归方程的显著性和适配度。
（三）检验结果分析
经过解释变量数据的整理，在EViews5.0中可以设定Y为被解释变量，解释变量则设定为X1(-1) X2(-1) X3(-1) X4(-1) X5(-1)，同时，考虑到数据的同行业时期上的异方差性以及横截面数据的同期相关性在选择回归估计方法时，选定时期异方差和同期相关加权方法Period SUR进行多元线性回归分析，得到回归结果见表2。
根据表2显示的回归系数，可以得到汽车制造业的基于财务比率的自由现金流量预测模型：
Yt=0.361938X1t-1+0.144702X2t-1+0.236264X3t-1-0.751697X4t-1
+0.454657X5t-1+εt
FCFt=REVt-1×Yt
表2显示的回归结果还表明，我们遵循自由现金流量财务本质所构建的基于财务比率的自由现金流量预测模型，无论是回归方程还是解释变量都具有相当高的显著性。针对13组观察值构成的面板数据，回归方程调整后的适配度R2达到69%的较高水平，Durbin-Watson 统计量在2.0附近也表明回归残差不具有明显的序列相关性。
四、结论与总结
综合自由现金流量分解重构的逻辑与过程以及基于汽车制造业数据的实证检验分析结果，面板数据回归分析结果，笔者认为，本文所构建的基于财务比率的自由现金流量预测模型既反应了自由现金流量的财务本质，同时得到了经验证据的有力支持，因而具有一定可靠性。本文的主要贡献在于：从中发现除了通常的当期财务比率可能是预测下一期自由现金流量的重要解释变量之外，相关财务比率的历史变动，也即一阶差分，同样对于预测下一期的自由现金流量而言是不可或缺的。它们拥有对未来自由现金流量的不可辩驳的解释力。
本文所构建的基于财务比率的自由现金流量预测模型其预测能力主要受到财务比率稳
定的影响与制约。由于解释标量包含了差分因子，因此当财务比率保持数值的稳定或者变动趋势的稳定时，模型的显著性和预测能力都会得到较大幅度的提高。反之，如果财务比率波动较大又无明显的变动趋势则模型的显著性和预测能力将会较弱。因此，从这个意义上，本文所构建的基于财务比率的自由现金流量预测模型主要适用于对经营管理比较稳定的企业进行下一期自由现金流量预测。
根据获得的财务数据，可以发现递延所得税和摊销对自由现金流量的影响不大，但并非所有的行业和企业都是如此。因此，后续的研究可以考虑将递延所得税和摊销因素纳入到模型之中。
本文选择的样本数据集中于汽车制造业上市时间较早的上市公司，数据量较少。是否其他行业或者所有行业的经营管理较为稳定的上市公司都具备类似的自由现金流量可预测性也是下一步需要进行大样本实证研究的主要内容之一。
模型表明，自由现金流量具有明显的时间序列特性。如果个别企业历史较长，拥有长时间跨度（比如30年以上）的财务数据，那么基于时间序列数据而不是面板数据对本文所构建的基于财务比率的自由现金流量预测模型进行实证检验是否可以得到更高的模型适配度？理论分析是肯定的，但需要经验证据的支持。进一步的研究可以考虑采用美国具有较长历史的上市公司的财务数据作为样本进行模型的实证检验。
本文所构建的基于财务比率的自由现金流量预测模型主要功能是预测下一期自由现金流量。如果样本数据能够得到时间跨度上的扩展，该预测模型是否具有较强的向后两期甚至多期的自由现金流量预测能力也是值得进行认真研究的课题。●
【参考文献】
[1] 王化成, 尹美群. BP神经网络模型对公司价值评估中自由现金流量的时序预测[J]. 统计与决策, 2005，（9）, pp. 15-17
[2] Leonard Soffer, Robin Soffer. 财务报表分析：估值方法[M]. 肖星等译. 北京：清华大学出版社, 2005，（8）, pp. 197-233
[3] Rappaport, A. Creating Shareholder Value. New York Free Press[M], 1998, pp. 32-36
[4] Huacheng Wang, Meiqun Yin. Free cash flow time series forecasting for valuation based on neural networks model. Statistics and Decision[J], 2005.9, pp. 15-17
[5] Leonard Soffer, Robin Soffer. Financial Statement Analysis: A Valuation
Approach. Xing Xiao translated. Beijing, Tsinghua University Press[M], 2005.8, pp. 197-233
[6] Patiricia M. Dechow, S.P. Kothari, Ross L. Watts. The relation between
earnings and cash flows. Journal of Accounting and Economics[J] 25 (1998) 133-168.
[7] Mary E. Barth, Donald P. Cram and Karen K. Nelson. Accruals and the prediction of future cash flows．The Accounting Review[J]，2001，
基于回归分析和弹性系数法的运量预测
基于回归分析和弹性系数法的运量预测 发表时间：2019-03-27T11:18:52.297Z 来源：《基层建设》2018年第35期作者：苏影 [导读] 摘要：运量预测是列车开行方案确定、车流组织、车辆运用计划和列车生产计划编制的基础，也是铁路技术标准、站场布置、通信和信号设计的依据[1]。本文以黑龙江省客运量为基础数据，采用回归分析和弹性系数两种方法进行运量预测。 中铁第五勘察设计院集团有限公司东北分院黑龙江哈尔滨 150000 摘要：运量预测是列车开行方案确定、车流组织、车辆运用计划和列车生产计划编制的基础，也是铁路技术标准、站场布置、通信和信号设计的依据[1]。本文以黑龙江省客运量为基础数据，采用回归分析和弹性系数两种方法进行运量预测。深入分析了回归模型建立、函数拟合、趋势外推等统计方法的计算过程，为统计学方法在设计项目的应用提供参考。 关键词：运量预测；回归分析；趋势外推；弹性系数 1.引言：运量预测是对未来一定时期内经济社会发展对交通运输需求的测算和判定。准确的运量预测对国家资源配置、投资结构调整、工程项目的经济评价、运输组织等具有非常重要的作用。根据预测的对象、层次不同预测可分为客运量预测、货运量预测、全社会运量预测、分行业运量预测。本文主要以地区的全社会客运量预测为案例，但其预测方法也同时适用于分行业的客货运量预测。 2.综述：运量预测是市场预测，属于经济预测的范畴，大多为中长期预测。传统的预测方法按技术特性可分为经验推断法、产销平衡法和经济数学预测法[2]。经验推断法主要根据预测者的经验对未来做出判断，计算简单，应用广泛，主要包括调查法、指标法、弹性系数法等。产销平衡法主要应用于煤炭、矿石、钢铁等大宗品类货物的预测。经济数学法又称数理统计法，主要通过建立模型进行推导运算，对预测者的数学及计算机应用能力有很高要求，主要方法有指数平滑、趋势外推、回归分析、重力模型等。本文主要采用弹性系数、回归分析、趋势外推三种方法。 3.基于回归分析法的客运量预测 3.1回归分析法 回归分析法是利用数据统计原理，对大量统计数据进行数学处理，并确定因变量与某些自变量的相关关系，建立一个相关性较好的回归方程（函数表达式），并加以外推，用于预测今后的因变量变化的分析方法。根据自变量数量可将回归模型分为一元回归和多元回归。根据回归趋势，可分为线性回归和非线性回归。预测公式为： 由统计数据建立的回归模型是否适用，因变量与自变量间相关性是否密切，需要通过相关性系数R判定。在实际分析中当R>0.7时，称强相关；R=0.3~0.7时，称为相关；R<0.3时，称为弱相关，或可认为不相关。 3.2回归模型建立 客运量是人民出行需求和意愿的数值体现，客运量的大小与地区生产力水平和基础设施的完善程度等均有很大关系。本文以黑龙江省近30年（1987年-2016年）的统计数据为基础，选取国民生产总值（GDP），人均生产总值、人口、固定资产投资为自变量，客运量为因变量，进行回归分析，建立回归模型。回归分析结果如表3-1、3-2、3-3所示： 表3-1 模型摘要 a.因变量：客运量（万人） b.预测值：（常数），全社会固定资产投资（亿元），人口（万人），国民生产总值（亿元） 表3-2 变异数分析 表3-3 模型系数 在建模过程中通过相关性检验将人均生产总值剔除，得到以全社会固定资产投资、人口、国民生产总值为自变量的多元线性回归模型。如表3-1所示，该模型的相关系数为0.865，判定系数为0.748，说明模型有较高的相关性。表3-2为回归方程显著性检验结果，由表可
集成模型的五个基础问题
集成模型的五个基础问题 机器学习数据分析BaggingBoosting集成模型 摘要：对于建立高度精确的预测模型，集成模型是最有说服力的方式之一。Bagging和Boosting算法进一步加强了这一方法的精确性。本文详细探讨5个集成模型最常见的问题。 引言 如果你曾经参加过数据科学竞赛，你一定意识到集成模型（Ensemble Modeling）举足轻重的作用。事实上，集成模型提供了最有说服力的方式之一，来建立高度精确的预测模型。Bagging和Boosting算法进一步加强了这一方法的精确性。 所以，你下次构建预测模型的时候，考虑使用这种算法吧。你肯定会赞同我的这个建议。如果你已经掌握了这种方法，那么太棒了。我很想听听你在集成模型上的经验，请把你的经验分享在下面的评论区。 对于其他人，我将会分享一些集成模型中常见的问题。如果你想评估一个人对集成模型方面的知识程度，你可以大胆地提出这些问题，来检查他/她的知识水平。另外，这些都是最简单的问题，因此你不希望他们回答错误！ 哪些是常见的问题（关于集成模型）？ 在分析各种数据科学论坛后，我已经确定了5个集成模型最常见的问题。这些问题与刚接触集成模型的数据科学家高度相关。以下就是这些问题：
1.什么是集成模型？ 2.什么是bagging，boosting和stacking？ 3.我们可以集成多个具有相同机器学习算法的模型吗？ 4.我们如何确定不同模型的权重？ 5.集成模型的好处是什么？ 1、什么是集成模型？ 我们先从解决一个分类问题来理解它。 场景问题：建立垃圾邮件过滤规则。 解决方案：我们可以制定各种垃圾邮件分类规则，我们来看看其中的几个： 1、垃圾邮件 ?邮件少于20个单词； ?只有图片（宣传图片）； ?具有某些关键词，比如―赚大钱‖和―减肥‖； ?许多拼写错误的单词。 2、非垃圾邮件 ?从经过验证域名发来的邮件； ?来自家庭成员或者邮件联系人的邮件 在上面，我已经列出了一些过滤垃圾邮件的常见规则。你认为这些规则能单独预测正确的分类吗？ 大部分人可能都会认为不能——事实也是这样！与使用单个规则进行预测相比，结合使用这些规则会产生鲁棒的预测效果。这就是集成模型的原则。集成模型集合使用多个―单独的‖（不同的）模型，并提供出色的预测能力。
利用预测模型进行自动化决策
利用预测模型进行自动化决策 敏捷是决策管理领域的关注重点及优势所在。在决策管理中，敏捷指的是能够快速调整并应对业务和市场带来的变化。决策管理技术倡导将业务逻辑从系统和应用中分离出来，然后业务人员便可以在独立的环境中管理和修改业务逻辑，并且完成对修改的部署上线。 在这过程中，尽量减少了IT人员的参与，而且也不需要经历一个完整的软件开发周期（需求，开发，测试，上线）。 相比于传统应用更新方式，决策管理的方法可以保证团队在很短的时间内就能完成对系统里业务逻辑的修改。即使某些涉及关键自动化决策的需求频繁地变更或者新增，在这种方式下也能轻松应对，这可以让你的业务更加灵活。 能够快速地对应用进行修改和完成上线是很重要的。那如何才能知道应该修改什么呢？有一些变更，比如监管要求或者合同约定的，是非常明确的。只要准确地按照监管要求或者合同约定进行部署，自动化决策将产生所需的决策结果，进而做出正确的决策。但是，许多决策的修改并没有这样直接而明显的解决方法。 光靠敏捷是不够的
通常情况下，决策是基于用户行为、市场动态、环境影响或其他的外部因素制定的。因此，这些决策常常有着很大的不确定性。例如，在信用风险决策中，需要决定是否批准一个申请，以及设定相应的信用额度和利率。相关机构如何制定最佳决策来帮助他们尽量获客的同时降低风险？这同样适用于营销决策，如追加销售和交叉销售的报价等，客户最可能接受哪个可能的报价？ 预测模型提供数据洞察 这正是预测模型一展所长的地方。预测模型基于大量的历史数据，通过精密的分析技术对未来进行预测，从而帮助我们减少不确定性，并制定出更好的决策。能做到这点，预测模型是通过识别历史数据中一些能导致特定结果的模式，并在未来的交易以及客户互动中检测相同的模式，来实现对结果的预测。 预测模型指导着许多影响我们日常生活的决策。比如，你的信用卡发卡银行可能会偶尔联系你，要求你确认一些他们认为可能是盗刷的交易，因为这些交易不符合你的刷卡习惯。当你在网上购物时，商家会根据你的购买历史或者购物车中的商品推荐你可能需要的其他商品。并且你可能也注意到，在你访问的一些其他网站上也会展示类似商品的广告。这些广告与你之前访问的购物网站直接相关，
铁路客运量预测方法
一、意义 1、设计铁路能力的依据。客运量是选定铁路主要技术标准的依据，而主要技术标准又决定着运输装备的能力，它不应小于调查或预测的客运量，以满足国家要求的运输任务； 2、是评价铁路经济效益的基础。客运量决定铁路的运营收入、运输成本等经济效益指标。客运量大，则收入多、成本低； 3、是影响线路方案取舍的重要因素。铁路选线中，出现大量的线路方案比较。若运量大，则投资大的方案中选，运营支出小。 总之，若调查或预测的客运量偏大，则铁路标准偏高，技术装备能力也偏高，因而投资较大。但运营后发现实际运量偏小，则会造成铁路能力闲置，投资浪费，由于运营收入少，铁路的经济效益必然降低；若调查或预测的客运量偏小，虽初期投资省，但运营后能力很快就会饱和，从而过早的引起铁路改扩建，追加投资增大，也不经济。 二、影响客运量的因素 直通吸引范围：等距离原则划定（“哪边近走哪边”），上下行分别勾画； 地方吸引范围：运价最低（运距最低）原则确定（“哪边花钱少走哪边”）。 随着社会经济的不断发展，客运量也在不断增加，因此，只有把握住影响客运量增长的因素，才能更好地预测出客运量的大小。影响因素主要有： 1、国家的政治、经济形势，国民经济的增长速度与发展战略，运价政策和旅客对运费的承受能力，这些因素，在预测远期运量时需加以考虑； 2、设计线在路网中的地位和作用，以及邻接铁路的布局和能力，都将影响直通客运量； 3、设计线沿线的资源情况，工矿、电力等大型企业的发展规划，农林牧副渔和乡镇企业的发展情况，以及城乡人口、人均收入的增长情况，也将影响地方客运量； 4、设计线沿线的公路、水运等交通状况和发展规划，将影响设计线分担客运量的比重； 5、突发事件的影响：疾病、自然灾害等。 三、客运量预测方法 定性预测方法是主要以预测人员的经验判断为依据而进行的预测。预测者根据自己掌握的实际情况、实践经验、专业水平，对未来货运发展前景的性质、方向和程度做出判断。其特点为:需要的数据少，能考虑无法定量的因素，比较简便可行。 定性预测方法：经济调查法（直接估算法：根据规划线吸引范围内的经济、人口、人均收入等情况，比照邻接铁路每天开行的旅客列车对数，直接估计规划线运营初期每天需要开行的列车对数，远期可按每隔若干年增加一对估算）、德尔菲法（专家调查法）、类推法（时间类推和局部类推）、头脑风暴法等。但这种方法往往在很大程度上取决于参加预测的人员的经验、专业理论水平以及所掌握的实际情况，因此存在片面性，准确性不高的缺点。 定量预测方法则是以历史统计资料和有关信息为依据，运用各种数学方法来预测未来客运市场需求情况，即未来的运量。定量预测方法最大的优点就是客观性，这类方法的预测精度和可靠性在很大程度上取决于数据的准确性和预测方法的科学性。 定量预测方法：时间序列法（移动平均法、指数平滑法、季节指数法、自回归分析、趋势外推法、灰色预测法）、影响因素分析法（回归分析法、系数法：乘车系数和产值系数）、四阶段法（交通生成、交通分布、交通方式划分、交通流分配）。 时间序列分析预测法是一种依据客运量的历史变化趋势，找出其随时间变化的规律，并通过数学模型来表示，然后根据模型来进行预测的方法。这种方法的主要优点是需要数据少、简便，只要所研究的运量时间序列的趋势没有大的波动，预测效果较好。这类方法的缺点是无法反映出运量变化的原因，对于影响运量变化的外部因素变化，如调整经济政策和发展速度而引起的运输需求的变动无法反映。 影响总运输需求的主要因素有很多，但具体的预测目标类型、范围是不同的，必须细致地分析其最
货运量预测分析
基于线性回归模型对陕西省进行物 流需求预测分析 学号：1209411051 班级：物流1202 姓名：雷亮亮
一、问题的提出 近年来，随着我国国民经济的迅速发展，中国物流业也得到了高速发展。这一方面说明物流业的壮大对国民经济有支撑作用；另一方面说明中国经济高速发展的同时，也带来了巨大物流需求。然而，现有交通状况、基础设施等能否满足日益增长的物流需求，物流业能否给国民经济带来持续的支撑作用？这些已突显成为急需考虑的问题。 物流是人类工业化进程中不可缺少的产业，有人、有物的地方就少不了物流。物流科学所依托的物流产业，是当今无论哪一个国家都无法缺少的产业。现代经济社会中，分工的深入发展甚至形成国际分工。一个国家、一个地区，可能没有冶金工业，可能没有石油工业，但是不可能没有物流业。可以说，物流业是现代覆盖最广泛的产业之一。可见，物流水平代表一个国家的经济发展程度，物流管理体现各个国家民族性情和经济模式的差异。 从物流的发展规律来看，现代物流服务的需求包括量和质两个方面，即从物流规模和物流服务质量中综合反映出物流的总体需求。物流规模是物流活动中运输、储存、包装、装卸搬运和流通加工等物流作业量的总和。物流服务质量是物流服务效果的集中反映，可以用物流时间、物流费用、物流效率来衡量，其变化突出表现在减少物流时间、降低物流成本、提高物流效率等方面。 陕西省是西部地区相对发展较好的省，地处交通枢纽地带，地理位置重要，交通方便，货物吞吐能力强。物流基础设施条件逐步完善，其中交通基础实施规模迅速扩大，省内公路铁路航程里程增加，运输网密度不断改善，为物流业发展提供了良好的设施条件。 公路是短程物流的主要配送途径，近年来陕西省的公路通车里程不断增加，为省内及过境物流配送发展提供了坚实基础。2010年度高速公路通车里程达3403公里，较2009年增加22.45%，公路密度达 0.717km/km2，增加2.43%。以西安为中心的“2637”（两环六辐射三纵七横）高速公路干线网已基本形成，可基本连通境内所有市县及工农业基地、商品集散地、高新开发区和物流园区。省内当日往返，周边中心城市当日到达的“一日交通圈”基本形成。 二、物流需求预测 物流需求预测是根据物流市场过去和现在的需求状况，以及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。 确定预测目标物流活动渗透到生产、流通、消费整个社会经济活动之中，与社会经济发展存在着密切的联系，是社会经济活动的重要组成
公路运量预测
基于预测公路运量的模型求解 摘要 科学准确地预测公路货运量是制定公路网规划的基础。公路货运量的预测方法有很多，可以根据不同的情况选择不同的预测模型。 首先运用MATLAB的 BP神经网络组合预测模型，灵活利用神经网络通过自适应自学习能够拟合任意非线性函数的功能，有效克服传统的组合预测方法，在实际应用中把数据间的关系强加给某一类函数的不足，并借助于数学计算软件进行编程，大大降低模型的计算难度，预测出2010年和2011年的公路客运量和公路货运量。实例证明该方法具有很高的预测精度。 本次基于预测公路运量的问题，根据往年20年的数据，主要从人口数量、机动车数量、公路面积这几个方面考虑，先借助于matlab软件，从神经网络组合预测模型入手，预测出2010年和2011年的公路客运量和公路货运量。然后根据回归的知识，运用excel的强大功能预测出的2010年和2011年的公路客运量和公路货运量。最后两者进行对比，列出各自的优缺点。 预测结果如下： 用BP神经网络预测结果：2010年和2011年的公路客运量分别为 43370万人和43372万人；货运量分别为21770万吨和21771万吨。 用线性回归预测结果：2010年和2011年的公路客运量分别为 51011.91603万人和53092.16135万人；货运量分别为26050.09655万吨和28545.83948万吨万吨。 关键词：MATLAB；组合预测；BP神经网络；excel统计分析
1、问题重述 1.1基本情况 公路运量主要包括公路的客运量和公路货运量两个方面。据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表1给出了20年得公路运量相关数据，表中人数和公路客运量的单位为万人，机动车数量单位为万两，公路面积的单位为万平方千米，公路货运量单位为万吨。 根据有关部门数据，该地区2010年和2011年的人数分别为73.39和75.55万人，机动车数量分别为3.9635和4.0975万辆，公路面积将分别为0.9880和1.0268万平方米。 1.2、相关信息（见附件） 附件1：某地区20年公路运量数据 1.3、需要解决的问题 1.请利用BP神经网络预测该地区2010年2011年得公路客运量和公路货运量。 2.请利用其他方法预测该地区2010年2011年得公路客运量和公路货运量。 3.比较两种方法的优缺点。 2、符号约定 Wi (i=1,2,3,4) 依次表示由人口数量，机动车数量，公路面积，年份预测出的公路客运量。 Zi （i=1,2,3,4）依次表示由人口数量，机动车数量，公路面积，年份预测出的公路客运量。 ai （i=1,2,3,4）依次表示人口数量，机动车数量，公路面积，2010年 Bi （i=1,2,3,4）依次表示人口数量，机动车数量，公路面积，2011年 3、问题分析 运输需求预测是公路网规划、区域发展规划、基础建设投资决策及运输生产组织管理的基础，对交通运输需求的预测分析具有重大的社会意义和经济意义。可见，公路货运量的预测举足轻重，可靠的预测结果是进行规划的前提，决定着整个规划的成功。 公路货运量的预测方法有很多，由于不同的预测模型的预测机理不同，往往能提供不同的有用信息，反而单独采用某一种模型往往有其局限性，因此可以根据不同的情况选择不同的预测模型。本文将运用BP神经网络组合预测模型、excel中的线性回归解决公路货运量的预测。并进行比较两种方法的优势与缺陷。
高速铁路客运量预测方法选择_图文(精)
65 YUNSHUSHICHANG 2007/ 7 高速铁路客运量预测是项目规划和建设的依据, 也是经济效益计算的基础。目前常用的高速铁路客运量预测方法是四阶段法,其中最主要的方式划分预测又基本采用了Logit 模型。但由于Logit模型存在的某些特性会在一定程度上影响预测的准确性,因此在应用四阶段法进行预测时,必须分析和掌握这种特性, 以便选择适当的高速铁路客运量预测方法。 目前大部分高速铁路客运量预测所采用的预测方法(包括京沪高速铁路客运量预测主要由以下两部分内容组成: 一是以社会经济变量(各交通小区的GDP或人口和阻抗变量(各交通小区间的广义价格作为自变量预测研究区域内特征年度总的旅客 OD 交流量,预测一般采用重力模型; 二是用一个涉及多种运输方式的选择模型确定现有运输方式和新的高速铁路的出行份额和出行量,而且所有方式的出行份额加总为 100%。典型地,用于方式选择的是一个多元的 Logit 模型。 然而,由于 Logit 模型的非相关选择方案独立特性(IIA, 高速铁路的预测运量必须直接与现有方式间的运量份额比值成正比关系,因而使预测结果的准 确性降低, 这也是该方法最主要的缺陷。如果不进行改进, 该方法的模型运行结果就会出现如下情况:当一种现有运输方式本身占有较高的份额时,高速铁路从中得到的转移到运量份额也随之较高。例如,假设任意两个区域间的出行 50%是由小
汽车完成的,则采用该方法预测将会得到 50%的高速铁路运量份额是从小汽车转移过来的。分析我国现状的客流组成,这一情况实际上是不可能发生的。 为了减少非相关选择方案独立特性所产生的问题,某些预测采用了另外一种方法。该方法也是首先预测各种运输方式的合计 OD 客流量,然后用一个多层的 Logit 模型(NL来确定高速铁路和其他相关方式的市场份额。多层 Logit 模型 高速铁路客运量预测方法选择 □张康敏刘晓青
交通事故次数灰色预测模型——预测与决策作业
问题 ：某市2004年1-6月的交通事故次数统计见下表.试建立灰色预测模型. 解： （1） 由原始数据列计算一次累加序列(1)x ，结果见下表2： （2）建立矩阵,B y ： (1)(2)(1)(2)(1)(2)(1) (2)(1)(2) 11[(2)(1)211[(3)(2)21 1[(4)(3) 211[(5)(4)211[(6)(5)2x x x x B x x x x x x ??-+??? ? ??-+?????? =-+????-+??????-+???? 130.512431378.515271697.51-??? ?-????=-? ?-????-?? [] (0)(0)(0)(0)(0) (2)(3)(4)(5)(6)95130141156185T T y x x x x x ??=?? = （3）计算1()T B B -： 1 0.0000 0.0020() 0.0020 0.9726T B B -?? =???? （4）由1?(*)**T U B B B y -=，求估值?a 和?u ： ? 0.1440??84.4728a U u -????==???????? 。 把?a 和?u 的估值代入时间响应方程，由(1)83x =得到时间响应方程为：
?(1)(1)0.144??(1)(1)666.6617583.6617??ak k u u x k x e e a a -? ?+=-+=-??? ? 即时间响应方程为： (1)0.144(1)666.6617583.6617k x k e +=- （5）计算拟合值(1)?()x i ，再用后减运算还原计算得模型计算值(0)?()x k ，见下表3第一列： 计算残差(0)(0)?()()()E k x k x k =-与相对残差(0)(0)(0)?()[()()]/()e k x k x k x k =-，结果见表3第3、4列； (0) x 的均值：5(0) 1 1()131.66675k X x k ===∑； (0) x 的方差：134.7355S ==； 残差的均值：5 2 1()0.181651k E E k ===-∑； 残差的方差：2 6.3519S ==； 后验差比值 2 1 S C S = = 0.1829； 现在0.67451S =0.6745X34.7355=23.4291，而所有的|()|E k E -都小于23.4291，故小误差概率 {}1|()|0.67451P P E k E S =-<= 根据0.95P ≥，0.18290.35C =≤，表示预测的等级好，由此可知预测方程
回归分析预测法
什么是回归分析预测法 回归分析预测法，是在分析市场现象自变量和因变量之间相关关系的基础上，建立变量之间的回归方程，并将回归方程作为预测模型，根据自变量在预测期的数量变化来预测因变量关系大多表现为相关关系，因此，回归分析预测法是一种重要的市场预测方法，当我们在对市场现象未来发展状况和水平进行预测时，如果能将影响市场预测对象的主要因素找到，并且能够取得其数量资料，就可以采用回归分析预测法进行预测。它是一种具体的、行之有效的、实用价值很高的常用市场预测方法。 ［编辑］ 回归分析预测法的分类 回归分析预测法有多种类型。依据相关关系中自变量的个数不同分类，可分为一元回归分析预测法和多元回归分析预测法。在一元回归分析预测法中，自变量只有一个，而在多元回归分析预测法中，自变量有两个以上。依据自变量和因变量之间的相关关系不同，可分为线性回归预测和非线性回归预测。 ［编辑］ 回归分析预测法的步骤 1．根据预测目标，确定自变量和因变量 明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。 2．建立回归预测模型
依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。 3．进行相关分析 回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。 4．检验回归预测模型，计算预测误差 回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。 5．计算并确定预测值 利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。［编辑］ 应用回归预测法时应注意的问题 应用回归预测法时应首先确定变量之间是否存在相关关系。如果变量之间不存在相关关系，对这些变量应用回归预测法就会得出错误的结果。 正确应用回归分析预测时应注意： ①用定性分析判断现象之间的依存关系； ②避免回归预测的任意外推；
Excel在经济预测与决策模型分析中的应用-定性预测方法[1]
第2章定性预测方法 定性预测，是预测人员根据自己的经验，理论水平和掌握的实际情况，对经济发展前景性质、程度做出判断。但有时可以提出数量估计，其特点为：需要的数据少，能考虑无法定量的因素，比较简便可行。它是一种不可缺少的灵活的经济预测方法。在掌握的数据不多，不够准确或无法用数字描述进行定量分析时，定性预测是一种行之有效的预测方法。如新企业，新产品生产经营的发展前景，由于缺少生产资料，以采用定性预测方法为宜。又如党和国家方针政策的变化，消费者心理的变化对市场供需变化的影响，均无法定量描述，只能通过判断方法，进行定性预测。通过定性预测，提出有预见性的建议，可以为政府和企业进行经济决策，及管理提供依据，在我国得到广泛应用。 由于定性预测主要靠预测人员经验和判断能力，易受主观因素的影响，为了提高定性预测的准确程度，应注意以下几个问题： 1）应加强经济调查，掌握各种情况，对目标分析预测更加接近实际。 2）进行有数据有情况的分析判断，使定性分析数量化，提高说服力。 3）应将定性预测和定量预测相结合，提高预测质量。 §专家调查法——德尔菲法 专家调查法是经济预测组织者通过向专家作调查，收集专家对预测意见的方法。 德尔菲法，是上世纪四十年代末期由美国兰德公司研究员赫尔默和达尔奇设计的。一九五零年就已开始使用。早期主要应用于科学技术预测方面，从六十年代中期以来，逐渐被广泛应用于预测商业和整个国民经济的发展方面。特别是在缺乏详细的充分的统计资料，无法采用其它更精确的预测方法时，这种方法具有独特优势。一般常用它和其它方法相互配合进行长期预测。 德尔菲法是由预测机构或人员采用通讯的方式和各个专家单独联系，征询对预测问题的答案，并把各专家的答案进行汇总整理，再反馈给专家征询意见。如此反复多次，最后由预测组织者综合专家意见，做出预测结论。 德尔菲法的主要过程是： 1）确定预测题目 预测题目是预测所要研究和解决的课题，即是预测的中心和目的。预测题目应根据党和国家的经济政策和经济任务来确定。应该选择那些有研究价值的或者对本单位、本地区今后发展有重要影响的课题。题目要具体明确。
基于回归分析和弹性系数法的运量预测
基于回归分析和弹性系数法的运量预测 摘要：运量预测是列车开行方案确定、车流组织、车辆运用计划和列车生产计 划编制的基础，也是铁路技术标准、站场布置、通信和信号设计的依据[1]。本文 以黑龙江省客运量为基础数据，采用回归分析和弹性系数两种方法进行运量预测。深入分析了回归模型建立、函数拟合、趋势外推等统计方法的计算过程，为统计 学方法在设计项目的应用提供参考。 关键词：运量预测；回归分析；趋势外推；弹性系数 1.引言：运量预测是对未来一定时期内经济社会发展对交通运输需求的测算 和判定。准确的运量预测对国家资源配置、投资结构调整、工程项目的经济评价、运输组织等具有非常重要的作用。根据预测的对象、层次不同预测可分为客运量 预测、货运量预测、全社会运量预测、分行业运量预测。本文主要以地区的全社 会客运量预测为案例，但其预测方法也同时适用于分行业的客货运量预测。 2.综述：运量预测是市场预测，属于经济预测的范畴，大多为中长期预测。 传统的预测方法按技术特性可分为经验推断法、产销平衡法和经济数学预测法[2]。经验推断法主要根据预测者的经验对未来做出判断，计算简单，应用广泛，主要 包括调查法、指标法、弹性系数法等。产销平衡法主要应用于煤炭、矿石、钢铁 等大宗品类货物的预测。经济数学法又称数理统计法，主要通过建立模型进行推 导运算，对预测者的数学及计算机应用能力有很高要求，主要方法有指数平滑、 趋势外推、回归分析、重力模型等。本文主要采用弹性系数、回归分析、趋势外 推三种方法。 3.基于回归分析法的客运量预测 3.1回归分析法 回归分析法是利用数据统计原理，对大量统计数据进行数学处理，并确定因 变量与某些自变量的相关关系，建立一个相关性较好的回归方程（函数表达式），并加以外推，用于预测今后的因变量变化的分析方法。根据自变量数量可将回归 模型分为一元回归和多元回归。根据回归趋势，可分为线性回归和非线性回归。 预测公式为： 由统计数据建立的回归模型是否适用，因变量与自变量间相关性是否密切， 需要通过相关性系数R判定。在实际分析中当R>0.7时，称强相关；R=0.3~0.7时，称为相关；R<0.3时，称为弱相关，或可认为不相关。 3.2回归模型建立 客运量是人民出行需求和意愿的数值体现，客运量的大小与地区生产力水平 和基础设施的完善程度等均有很大关系。本文以黑龙江省近30年（1987年-2016年）的统计数据为基础，选取国民生产总值（GDP），人均生产总值、人口、固 定资产投资为自变量，客运量为因变量，进行回归分析，建立回归模型。回归分 析结果如表3-1、3-2、3-3所示： 表3-1 模型摘要 a.因变量：客运量（万人） b.预测值：（常数），全社会固定资产投资（亿元），人口（万人），国民生产总值 （亿元） 表3-2 变异数分析 表3-3 模型系数
维修备件需求预测方法研究
维修备件需求预测方法研究 [摘要] 本文简要介绍了维修用备件需求预测的几种方法：灰色GM(1，1)、神经网络、二次指数平滑法、时间序列法回归分析法等并对各种方法进行了分析比较，最后介绍了备件需求预测研究的未来发展趋势。 [关键词]备件需求预测方法 一、常用方法简介 （一）灰色系统法 灰色系统理论（Grey System Theory）的创立源于20世纪80年代，我国学者邓聚龙教授在1981年上海中美控制系统学术会议上所作的“含未知数系统的控制问题”的学术报告中首次使用了“灰色系统”一词。1982年，邓聚龙教授发表了“参数不完全系统的最小信息正定”、“灰色系统的控制问题”等一系列论文，奠定了灰色系统理论的基础。灰色系统是指既含有已知信息、又含有未知或非确知信息的系统，灰色系统是通过对原始数据的收集与整理来寻求其发展变化的规律，这是因为，客观系统所体现出来的现象尽管纷繁复杂，但其发展变化有着自己的客观逻辑规律，是系统整体各功能简单协调统一，因此，如何通过散乱的数据系列去寻找其内在的发展规律就显得特别重要。灰色系统理论认为，一切灰色系列都能通过某种生成弱化随其随机性而呈现本来的规律，也就是通过灰色数据序列建立系统反应模型，并通过该模型预测系统的可能变化状态[1]。 灰色预测是近年来颇受重视的预测方法[2]。灰色预测是灰色系统理论的一个重要方面，它利用这些信息，建立灰色预测模型，从而确定系统未来的变化趋势。灰色预测把预测数据序列看作随时间变化的灰色量或灰色过程，先对原始数据进行整理和处理，通过累加生成和相关生成逐步使灰色量白化，使之呈现一定的规律性，从而建立相应于微分方程解的动态模型并作出预报。由于灰色预测模型能够根据现有的少量信息进行计算和推测，因而在人口、经济、能源、气象等许多领域得到了广泛的应用，取得了较好的效果。目前最常用的灰色预测模型是GM（1，1）模型，它是一种系统综合模型，将某一系统中的动态关系找出，建立模型。 建立GM（1，1）模型的基本步骤[3]： 6.计算与 7.模型诊断及应用模型进行预报
模型预测控制
云南大学信息学院学生实验报告 课程名称：现代控制理论 实验题目：预测控制 小组成员：李博（12018000748） 金蒋彪（12018000747） 专业：2018级检测技术与自动化专业
1、实验目的 (3) 2、实验原理 (3) 2.1、预测控制特点 (3) 2.2、预测控制模型 (4) 2.3、在线滚动优化 (5) 2.4、反馈校正 (5) 2.5、预测控制分类 (6) 2.6、动态矩阵控制 (7) 3、MATLAB仿真实现 (9) 3.1、对比预测控制与PID控制效果 (9) 3.2、P的变化对控制效果的影响 (12) 3.3、M的变化对控制效果的影响 (13) 3.4、模型失配与未失配时的控制效果对比 (14) 4、总结 (15) 5、附录 (16) 5.1、预测控制与PID控制对比仿真代码 (16) 5.1.1、预测控制代码 (16) 5.1.2、PID控制代码 (17) 5.2、不同P值对比控制效果代码 (19) 5.3、不同M值对比控制效果代码 (20) 5.4、模型失配与未失配对比代码 (20)
1、实验目的 （1）、通过对预测控制原理的学习，掌握预测控制的知识点。 （2）、通过对动态矩阵控制（DMC）的MATLAB仿真，发现其对直接处理具有纯滞后、大惯性的对象，有良好的跟踪性和较强的鲁棒性，输入已 知的控制模型，通过对参数的选择，来获得较好的控制效果。 （3）、了解matlab编程。 2、实验原理 模型预测控制(Model Predictive Control，MPC)是20世纪70年代提出的一种计算机控制算法，最早应用于工业过程控制领域。预测控制的优点是对数学模型要求不高，能直接处理具有纯滞后的过程，具有良好的跟踪性能和较强的抗干扰能力，对模型误差具有较强的鲁棒性。因此，预测控制目前已在多个行业得以应用，如炼油、石化、造纸、冶金、汽车制造、航空和食品加工等，尤其是在复杂工业过程中得到了广泛的应用。在分类上，模型预测控制(MPC)属于先进过程控制，其基本出发点与传统PID控制不同。传统PID控制，是根据过程当前的和过去的输出测量值与设定值之间的偏差来确定当前的控制输入，以达到所要求的性能指标。而预测控制不但利用当前时刻的和过去时刻的偏差值，而且还利用预测模型来预估过程未来的偏差值，以滚动优化确定当前的最优输入策略。因此，从基本思想看，预测控制优于PID控制。 2.1、预测控制特点 首先，对于复杂的工业对象。由于辨识其最小化模型要花费很大的代价，往往给基于传递函数或状态方程的控制算法带来困难，多变量高维度复杂系统难以建立精确的数学模型工业过程的结构、参数以及环境具有不确定性、时变性、非线性、强耦合，最优控制难以实现。而预测控制所需要的模型只强调其预测功能，不苛求其结构形式，从而为系统建模带来了方便。在许多场合下，只需测定对象的阶跃或脉冲响应，便可直接得到预测模型，而不必进一步导出其传递函数或状
需求预测与模型总结
需求预测与模型总结-标准化文件发布号：（9556-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
需求预测方法及模型总结 学院：交通运输工程学院 专业：交通工程 班级学号： 071412127 学生姓名：刘学鹏 指导教师：秦丹丹 完成时间： 2015-11-26
需求预测方法及模型总结 交通需求预测是交通规划中的核心内容之一。交通发展政策的制定、交通网络设计以及方案评价都与交通需求预测有密切的关系。现代交通规划理论中的交通需求预测习惯上被分为四个阶段，即交通产生预测、交通分布预测、交通方式分担预测及交通网络分配。下面就对交通需求预测的四阶段法以及其各自的模型进行总结。 一、交通生成预测 Ⅰ、增长率法 增长率法是根据预测对象（如客货运量、经济指标等）的预计增长速度进行预测的方法。 预测模型的一般形式为： Q t=Q0（1+α）t 增长率法的关键在于确定增长率，但增长率随着选择年限及计算方法的不同而存在较大的差异。所以增长率法一般仅适用于增长率变化不大且增长趋势稳定的情况，其特点是计算简单，但预测结果粗略，较适用于近期预测。 Ⅱ、乘车系数法 乘车系数法又称为原单位发生率法，类似于城市交通预测中的类别发生率法，它用区域总人口与平均每人年度乘车次数来预测客运量。模型的形式为： Q t =P t β 乘车系数可以根据指标的历年资料和今后变化趋势确定，但是乘车系数本身的变动有时难以预测，各种偶然因素会使其发生较大波动。此外，人口、职业、年龄的变化也使系数很难符合一定规律。 Ⅲ、产值系数法
产值系数法是根据预测期国民经济指标值（如工农业总产值、社会总产值、国民收入等）和确定的每单位指标值所引起的货运量或客运量进行预测的方法。模型的形式为： Q t =M t β Ⅳ、弹性系数法 弹性系数法是通过研究单位社会经济指标产生的小区交通出行量，预测将来吸引、发生量的一种方法。此法是综合考虑我国经济发展水平和产业结构和发展趋势，参考O、D调查区域社会经济有关文献资料，确定弹性系数的大致范围，结合所得出的历史弹性系数及所处区域位置及相关运网历史交通量与直接影响区历史经济量的回归分析作为进一步的分析手段，确定出项目影响区的交通增长弹性系数，依此进行发生、吸引交通量预测。根据项目影响区经济发展速度预测结果和运输弹性系数，按下式计算交通量增长率： 交通量增长率=GDP增长率×运输弹性系数 Ⅴ、时间序列预测法 又称时间序列预测法，是收集和整理过去的交通量资料，从中找出交通量随时间而变化的规律，并用数学模型来表示这种规律，然后按此模型进行预测。 该类模型包括： ①趋势外推法； ②指数平滑法； ③灰色系统法； ④人工神经网络法、小波分析法等。
预测模型与案例
预测模型 最近几年，在全国大学生数学建模竞赛常常出现预测模型或是与预测有关的题目，例如疾病的传播，雨量的预报等。什么是预测模型？如何预测？有那些方法？对此下面作些介绍。 预测作为一种探索未来的活动早在古代已经出现，但作为一门科学的预测学，是在科学技术高度发达的当今才产生的。“预测”是来自古希腊的术语。我国也有两句古语：“凡事预则立，不预则废”，“人无远虑，必有近忧”。卜卦、算命都是一种预测。中国古代著名著作“易经”就是一种专门研究预测的书，现在研究易经的人也不少。古代的预测主要靠预言家，即先知们的直观判断，或是借助于某些先兆，缺乏科学根据。预测技术的发展源于社会的需求和实践。20世纪初期风行一时的巴布生图表就是早期的市场预测资料，哈佛大学的每月指数图表为商品市场、证券市场和货币市场预测提供了依据。然而这些预测都未能揭示1929－1930年经济危期的突然暴发，使工商界深感失望。尔后，经济学家们从挫折中吸取了教训，采用趋势和循环技术对商业进行分析和预测，科学预测也因此开始萌生。20世纪30年代凯思斯提出政府干预和市场机制相结合的经济模型，1937年诺依曼又提出了扩展经济模型，对近代经济模型产生重要的影响，科学的经济和商业预测也就步入发展阶段。 技术预测开始于二次世界大战后的20世纪40年代，直到20世纪50年代未才广泛应用于工农业和军事部门。由于社会、科学技术
和经济的大量需求，预测技求才成为一门真正的科学，预测未来是当代科学的重要任务。 20世纪以来，预测技术所以得以长足进步，一方面，与社会需求有很大关系，另一方面通过社会实践和长期历史验证，表明事物的发展是可以预测的。而且借助可靠的数据和科学的方法，以及预测技术人员的努力，预测结果的可靠性和准确性可以达到很高的程度，这也是预测技术迅速发展的另一个重要原因。 科学技术、经济和社会预测的应验率也是很高的。维聂尔曾预言20世纪是电子时代，法国思想家迈希尔18世纪末到19世纪初对巴黎未来几百年的发展进行了预测。从1950年的实际情况分析，他的预测中有36％得到证实，28％接近实现，只有36％是错误的。法国哲学家和数学家冠道塞在法国大革命时期曾采用外推法进行了一系列社会预测，其中75％得到证实。沙杰尔莱特1901年在《二十世纪的发明》一书中的一些预测，其中64％得到证实。凯木弗尔特在1910年和1915年公布的25项预测中，到1941年只有3项未被证实，3项是错误的。我国明朝开国功臣刘基就预测将来是天上铁鸟飞，地上铁马跑，那时还没有火车、飞机。 预测的目的在于认识自然和社会发展规律，以及在不同历史条件下各种规律的相互作用，揭示事物发展的方向和趋势，分析事物发展的途径和条件，使人们尽早地预知未来的状况和将要发生的事情，并能动地控制其发展，使其为人类和社会进步服务。因而预测是决策的重要的前期工作。决策是指导未来的，未来既是决策的依据，又是决
模型预测控制快速求解算法
模型预测控制快速求解算法 模型预测控制（Model Predictive Control，MPC）是一种基于在线计算的控制优化算法，能够统一处理带约束的多参数优化控制问题。当被控对象结构和环境相对复杂时，模型预测控制需选择较大的预测时域和控制时域，因此大大增加了在线求解的计算时间，同时降低了控制效果。从现有的算法来看，模型预测控制通常只适用于采样时间较大、动态过程变化较慢的系统中。因此，研究快速模型预测控制算法具有一定的理论意义和应用价值。 虽然MPC方法为适应当今复杂的工业环境已经发展出各种智能预测控制方法，在工业领域中也得到了一定应用，但是算法的理论分析和实际应用之间仍然存在着一定差距，尤其在多输入多输出系统、非线性特性及参数时变的系统和结果不确定的系统中。预测控制方法发展至今，仍然存在一些问题，具体如下： ①模型难以建立。模型是预测控制方法的基础，因此建立的模型越精确，预测控制效果越好。尽管模型辨识技术已经在预测控制方法的建模过程中得以应用，但是仍无法建立非常精确的系统模型。 ②在线计算过程不够优化。预测控制方法的一大特征是在线优化，即根据系统当前状态、性能指标和约束条件进行在线计算得到当前状态的控制律。在在线优化过程中，当前的优化算法主要有线性规划、二次规划和非线性规划等。在线性系统中，预测控制的在线计算过程大多数采用二次规划方法进行求解，但若被控对象的输入输出个数较多或预测时域较大时，该优化方法的在线计算效率也会无法满足系统快速性需求。而在非线性系统中，在线优化过程通常采用序列二次优化算法，但该方法的在线计算成本相对较高且不能完全保证系统稳定，因此也需要不断改进。 ③误差问题。由于系统建模往往不够精确，且被控系统中往往存在各种干扰，预测控制方法的预测值和实际值之间一定会产生误差。虽然建模误差可以通过补偿进行校正，干扰误差可以通过反馈进行校正，但是当系统更复杂时，上述两种校正结合起来也无法将误差控制在一定范围内。 模型预测控制区别于其它算法的最大特征是处理多变量多约束线性系统的能力，但随着被控对象的输入输出个数的增多，预测控制方法为保证控制输出的精确性，往往会选取较大的预测步长和控制步长，但这样会大大增加在线优化过程的计算量，从而需要更多的计算时间。因此，预测控制方法只能适用于采样周
预测与决策试卷及答案
预测与决策试卷及答案 总分：100分一、单选题1*15=15分 1、经济预测的第一步是（）A A、确定预测目的，制定计划 B、搜集审核资料 C、建立预测模型 D、评价预测成果 2、对一年以上五年以下的经济发展前景的预测称为（）B A、长期经济预测 B、中期经济预测 C、短期经济预测 D、近期经济预测 3、（）回归模型中，因变量与自变量的关系是呈直线型的。C A、多元 B、非线性 C、线性 D、虚拟变量 4、以下哪种检验方法的零假设为：B1=B2=…=Bm=0？ B A、r检验
B、F检验 C、t检验 D、DW检验 5、以数年为周期，涨落相间的波浪式起伏变动称为（）D A、长期趋势 B、季节变动 C、不规则变动 D、循环变动 6、一组数据中出现次数最多的变量值，称为（）A A、众数 B、中位数 C、算术平均数 D、调和平均数 7、通过一组专家共同开会讨论，进行信息交流和相互启发，从而诱发专家们发挥其创造性思维，促进他们产生“思维共振”，达到相互补充并产生“组合效应”的预测方法为（）A A、头脑风暴法 B、德尔菲法 C、PERT预测法 D、趋势判断预测法 8、（）起源于英国生物学家高尔登对人类身高的研究。B A、定性预测法
B、回归分析法 C、马尔科夫预测法 D、判别分析预测法 9、抽样调查的特点不包括（）D A、经济性 B、时效性 C、适应性 D、全面性 10、下图是哪种多项式增长曲线（）B A、常数多项式 B、一次多项式 C、二次多项式 D、三次多项式 11、根据历年各月的历史资料，逐期计算环比加以平均，求出季节指数进行预测的方法称为（）C A、平均数趋势整理法 B、趋势比率法 C、环比法 D、温特斯法 12、经济决策按照目标的性质和行动时间的不同，分为（）D A、宏观经济决策和微观经济决策 B、高层、中层和基层决策