基于回归分析的公路货运量预测
基于多种回归模型的区域物流需求预测实证分析
基于多种回归模型的区域物流需求预测实证分析作者：万玉龙胡田田章艳华来源：《物流科技》2017年第10期摘要：根据淮安市清河区域历年货运量、GDP和产业结构比例以及它们之间相关关系，分别采用线性、对数和乘幂等多种回归模型，对淮安市清江浦区域的货物运输需求总量进行预测，综合分析比较不同拟合模型的预测结果，确定货物运输量。
在规划目的预测和分析过程中，采用定性分析与定量预测相结合的方法，以历史数据为依据，根据国民经济发展与货物运输量之间的关系，利用多种回归模型进行综合预测与分析。
关键词：回归模型；物流需求预测；电子商务；互联网+；物流金融中图分类号：F259.27 文献标识码：AAbstract： According to the freight， GDP， industrial structure ratio and the correlation between them， the linearity， logarithm and multiplication were used to forecast the total quantity of cargo transportation demand in Qingjiangpu area of Huai'an city， the results of different fitting models are compared and analyzed to determine the volume of cargo traffic. Based on the historical data， this paper uses the method of qualitative analysis and quantitative forecasting to analyze and analyze the comprehensive regression model based on the relationship between national economic development and cargo transportation.Key words： regression model； logistics demand forecast； E-commerce； internet+；logistics finance0 引言物流需求作为社会经济活动的一种派生需求，它与经济总量、产业结构、区域分工、技术进步、国际贸易和价格等因素之间存在直接或间接关系[1]。
基于大数据分析的货运需求预测与优化研究
基于大数据分析的货运需求预测与优化研究货运需求预测与优化研究是基于大数据分析的重要领域，通过对大量历史数据的分析和建模，可以预测货运需求的变化趋势，并在此基础上进行运输资源的优化配置，提高运输效率和降低成本。
本文将从需求预测和优化两个方面，介绍基于大数据分析的货运需求预测与优化研究的方法和技术。
一、货运需求预测货运需求预测是通过对历史数据的分析和建模，预测未来货运需求的变化趋势。
在大数据时代，我们可以利用海量的货运数据进行需求预测，包括物流运输流量、货物类型、运输距离等各种数据。
以下是几种常用的需求预测方法：1. 时间序列分析时间序列分析是一种常用的货运需求预测方法，通过对时间序列数据进行建模和预测，可以揭示出周期性和趋势性等规律。
常用的时间序列分析方法包括移动平均法、指数平滑法和ARIMA模型等。
2. 回归分析回归分析是建立因变量与自变量之间的数学关系模型，通过对自变量的观察和测量，预测因变量的变化。
货运需求的回归分析可以考虑多个影响因素，如工业产值、人口数量、交通网络等因素，通过分析这些因素与货运需求的关系，建立回归模型进行需求预测。
3. 人工智能技术人工智能技术包括神经网络、支持向量机和随机森林等，可以通过对大数据的训练和学习，建立模型进行货运需求的预测。
人工智能技术具有较强的非线性拟合能力和自适应性，可以更准确地预测货运需求。
二、货运优化货运优化是指在预测的货运需求基础上，通过合理配置运输资源，实现运输效率最大化和成本最小化。
以下是几种常用的货运优化方法：1. 路线优化路线优化是指通过合理选择运输路线，使得货物的运输时间和成本最小化。
在大数据分析的帮助下，可以综合考虑路线的距离、交通状况、货物种类等因素，利用优化算法，寻找最优的运输路线。
2. 车辆调度优化车辆调度优化是指通过合理分配运输车辆，使得运输效率最大化。
通过对货运需求的预测和对车辆状态的监测，可以实时调整车辆的调度计划，降低运输时间和成本。
公路货运量预测
提高公路运输行业的管理水 平，为设计、修建货运场站 或现代物流主要以 定性预测方法为主，如 专家调查法、专家预测 法、德尔菲法等
定量预测方法 定量预测方法主要是基 于数理统计、微积分以 及人工智能等理论的较 为复杂的、精度较高的 预测方法，如回归分析 法、时间序列预测法、 灰色理论预测、人工神 经网络以及组合预测模 型等
定性预测方法
定量预测方法
偏重于数量方面的分析，重视预测对象的变化 程度，能作出变化程度在数量上的准确描述； 它主要把历史统计数据和客观实际资料作为预 测的依据，运用数学方法进行处理分析，受主 观因素的影响较少；它可以利用现代化的计算 方法，来进行大量的计算工作和数据处理，求 出适应工程进展的最佳数据曲线。缺点是比较 机械，不易灵活掌握，对信息资料质量要求较 高。
公路货运量预测的意义
根据国民经济和社会发展对 运输的需求，就未来的旅客 和货物运输量作定性和定量 的计算和分析。它是研究分 析未来运输业需要担负的任 务，寻求发展运输能力的目 标和途径，研究各种运输方 式之间运输量的合理分配和 综合运输网建设，以形成合 理的运输业结构的依据。做 好运输量预测对于保证运输 业适应国民经济的发展和人 民物质文化生活水平的提高 有重要意义。
采用通常的预测理论与方法得到的预测结果可信 度仍偏低， 究其原因主要是： （1） 过去货运量统计资料缺乏， 而高等级道路 要求货运量预测期又较长（中远期）； （2） 当以国民经济增长作货运量预测的相关依 据时， 对国民经济指标缺少深入的分解和相关性 分析； （3） 对诱增货运量的增长缺乏经验， 难以准确 判断； （4） 货运量调查资料的可靠性存在疑问等。
公路货运量预测
小组成员 ：
多元回归时间序列方法在货运市场预测中的应用
的时间序列方法是没有考虑 的，用这 种模 型必将对预测 数据 造成较大的偏差【１ ３。 ． ４
回归分析方法就是在大量实验观察 数据的基础上 ，找出
量， 为物流发 展提供决 策依据 ， 尤其对 于制定发 展规划 ， 具有
深远的意义。
这些 变量之间的规律性 ，从而定量地 建立一个变量 和另 外多 个变量之间的统计关系 的熟悉表 达式 。但应用多元 回归分析
要】 了解决制定某地区货运行业发展规划 中的区域货运发展规模的分析和预测问题 。提出一种以统计数据 为依据 ， 为 为
货运行业需求 量建立预测模型 ， 并应用 Ｓ Ｓ （ｔ ｉ ｉ ｌ Ｐｏｕｔ ｅ ｉ Ｓｌ ｉ ） Ｐ Ｓ Ｓ ｔｔ ａ ｒ ｃ ａ ｓｃ ｄ Ｓ ｒ ｃ ｏ ｔ ｎ 分析软件 ， 预测结 果进行评估检验 的方法 。 ｖｅ ｕｏ 对
Ａ ｓｒｃ： Ｂ ｓｄｏ ｅｓ ｔ ｔ ａ ｄｔ ｆｒｉｈ ｄ ｓ ｙ ｔｅｐｐ ｒ ｓｂｉ ｅ ｅｇｔ ｅ ａ ｄｆｒｃ ｔ ｄｌｕｅ Ｐ Ｓ（ ｆ — ｂ ｔａｔ ａｅ ｎｔ ｔ ｉｉｌ ａ ｏ ｅ ｔｎ ｕｔ ，ｈ ａｅ ｔ ｌｈ ｓａｆ ｉ ｍ ｎ ｏｅａ ｅ， ｓｓＳ Ｓ ｓ ｓ ｈ ａ ｓｃ ａ ｆ ｇ ｉ ｒ ｅａ ｓ ｒ ｈｄ ｓ ｍｏ ａ ｔ
时间序列翻 就是将某一 个指标在不 同时刻上 的数 值 ， 照 按
时间先后顺序排列 的数列 。这种数列 由于受到各种 因素的影
响， 往往 表现 出某 种随机性 ， 但各个元 素存在统计上 的依赖关 系， 时间序列分析就是 找出这种依赖关系 ， 根据 已知数值 对未 知的数值进行预测而产生 的一种数理 统计方法 。这种模 型最
Ａｐ ｌ ａ ｉ ｎ ｏ ｕ ｔ－ ａ ｉ ｂ ｅ Ｒｅ ｒ ｓ ｉ ｎ Ｔｉ ｅ ｉｓＡｎ ｌ ｓｓｉ ｅｇ ｔＭ ａ ｋ ｔＰｒ ｄ ｃ ｉ ｎ ｐ ｉ ｔ ｆＭ ｌｉ ｖ ｒ ａ ｌ ｇ ｅ ｓｏ ｍｅ Ｓ ｒｅ ａ ｙ ｉ Ｆｒ ｉ ｈ ｒ ｅ ｅ ｉｔｏ ｃ ｏ ｎ
线性回归和灰色预测模型案例
预测未来2015年到2020年的货运量灰色预测模型是通过少量的、不完全的信息,建立数学模型并做出预测的一种预测方法.当我们应用运筹学的思想方法解决实际问题,制定发展战略和政策、进行重大问题的决策时,都必须对未来进行科学的预测. 预测是根据客观事物的过去和现在的发展规律,借助于科学的方法对其未来的发展趋势和状况进行描述和分析,并形成科学的假设和判断.灰色系统的定义灰色系统是黑箱概念的一种推广;我们把既含有已知信息又含有未知信息的系统称为灰色系统.作为两个极端,我们将称信息完全未确定的系统为黑色系统；称信息完全确定的系统为白色系统.区别白色系统与黑色系统的重要标志是系统各因素之间是否具有确定的关系;建模原理模型的求解原始序列为：)16909 15781 13902 12987 12495 11067 101499926 9329 10923 7691())6(),...1(()0()0()0(==x x x构造累加生成序列)131159,114250,98469,84567,71580,59085,48018,37869,27943,18614,7691())6(),...1(()1()1()1(==x x x归纳上面的式子可写为称此式所表示的数据列为原始数据列的一次累加生成,简称为一次累加生成.对(1)X 作紧邻均值生成,....2))1()((21)()1()1()1(=-+=k k z k z k zMATLAB 代码如下：x=7691 18614 27943 37869 48018 590857 71580 84567 98469 114250 131159; z1=x1; for i=2:6 zi=xi+xi-1; endformat long g z z =Columns 1 through 37691Columns 4 through 632906Columns 7 through 991518Columns 10 through 11因此)53551.5 42943.5 3290623278.5 13152.5 ())5(),...1(()1()1()1(==z z z构造B 矩阵和Y 矩阵；对参数ˆα进行最小二乘估计,采用matlab 编程完成解答如下：B= -32906 -91518 ',ones10,1;Y=18614 27943 37869 48018 59085 71580 84567 98469 114250 131159'; format long g a=invB'BB'Y结果如下：a =即∂=,u=59277∂u = 则GM1,1白化方程为59277x 085.0)1(=-dtdx 预测模型为：697376.471-471.705067)1(ˆk *0.085)1(e k x =+再次通过线性回归模型对货运量进行预测：线性回归预测模型：一、定义一元线性回归预测是处理因变量y与自变量x 之间线性关系的回归预测法.二、模型的建立：1,设年份y, 货运量x y随x的变化函数,建立一元线性回归方程：Y=β0 + β1x其中β0、β1称为回归系数;散点图如下：首先根据x、y的现有统计数据,在直角坐标系中作散点图,观察y随x而变是否为近似的线性关系;若是,则求出的β0、β1值,就可确定其数学模型,然后由x的未来变化去求相应的y 值;,2,确定方法—最小二乘法使拟合的数值与实际值的总方差为最小,即拟合程度最好,则得两者之差e i根据极值原理,式对a、b分别求偏导,并令其=0,得z)()(()()222iiiiQiia aa b aaa ba bxyy xy x∂∂=∂∂∂=---∂=-----∑∑∑三,模型的求解：运用MATLAB 软件对数据进行一元线性回归分析：代码如下：x=1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 '; x=ones11,1 x;y=7691 10923 9329 9926 10149 11067 12495 12987 13902 15781 16909'; plotx,y, '+';b,bint,r,rint,stats=regressy,x b,bint ,stats ,rcoplotr,rint;()()()()()()()()222i i i i i i i Q y b x x y i b b y b x b x b y b x xy x x y x x ∂∂⎡⎤=---∑⎣⎦∂∂∂⎡⎤⎡⎤=-----⎣⎦⎣⎦∂⎡⎤=-----⎣⎦∑∑()()()()()()2002(7.4.8)i i i i xy xxx x y y b x x ix x y y b x xiS S =---=---==-∑∑∑∑令其，即所以结果：b =+006bint =+006stats =+005注：+006 为110^6 后同理因为,p<,所以可知回归方程为y=-1579600 + 800x 先观察观察模型残差：如图所示,应该剔除第2组数据;MATLAB代码为：x=1991 1993 1994 1995 1996 1997 1998 1999 2000 2001 ';x=ones10,1 x;y=7691 9329 9926 10149 11067 12495 12987 13902 15781 16909'; plotx,y, '+';b,bint,r,rint,stats=regressy,xb,bint ,stats ,rcoplotr,rint;结果为：b =+006bint =+006stats =+005其中：+006 为110^6同理+005 为110^5剔除之后结果如下：回归系数回归系数估计值回归系数置信区间β0+006 +006 +005β1+006 +006 +006R2= F= +005 p< s2 = +005将异常数据去除后,再次对去除异常点的数据进行最小二乘法拟合一个多元回归模型,残差图如下：因为,p<, 无异常数据可剔除因此,可知最终回归方程为y=-1787900 + 900x,对ployfit拟合的函数进行评价与估计;运用polyconf函数对多项式评价和置信区间估计,matlab代码如下：x=1991 1993 1994 1995 1996 1997 1998 1999 2000 2001 ;y=7691 9329 9926 10149 11067 12495 12987 13902 15781 16909;p,S=polyfitx,y,1结果为：p =+006S =R: 2x2 doubledf: 8normr: +003对2015年的货运量预测,即y=polyconfp,2015y =+004DELTA =+003其中所以预测区间为：+004-+003, +004++003即,2015年的货运量在之间;同理对2016年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004-+003, +004++003即,2016年的货运量在之间;对2017年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004- +003, +004++003 即,2017年的货运量在之间;对2018年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004- +003, +004+ +003 即,2018年的货运量在之间;对2019年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004-+003, +004+ +003即,2019年的货运量在之间;对2020年的货运量预测,即y =+004DELTA =+003所以预测区间为：+004-+003, +004++003即,2020年的货运量在之间;附：MATLAB代码：1, x=1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 ';x=ones11,1 x;y=7691 10923 9329 9926 10149 11067 12495 12987 13902 15781 16909'; plotx,y, '+';b,bint,r,rint,stats=regressy,xb,bint ,stats ,rcoplotr,rint;2,x=1991 1993 1994 1995 1996 1997 1998 1999 2000 2001 ';x=ones10,1 x;y=7691 9329 9926 10149 11067 12495 12987 13902 15781 16909'; plotx,y, '+';b,bint,r,rint,stats=regressy,xb,bint ,stats ,rcoplotr,rint;3,x=1991 1993 1994 1995 1996 1997 1998 1999 2000 2001 ;y=7691 9329 9926 10149 11067 12495 12987 13902 15781 16909;p,S=polyfitx,y,1y=polyconfp,2015。
多元线性回归分析预测法
多元线性回归分析预测法(重定向自多元线性回归预测法)多元线性回归分析预测法（Multi factor line regression method，多元线性回归分析法）[编辑]多元线性回归分析预测法概述在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。
而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。
例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。
这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。
多元回归分析预测法，是指通过对两上或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。
当自变量与因变量之间存在线性关系时，称为多元线性回归分析。
[编辑]多元线性回归的计算模型[1]一元线性回归是一个主要影响因素作为自变量来解释因变量的变化，在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归。
当多个自变量与因变量之间是线性关系时，所进行的回归分析就是多元性回归。
设y为因变量，为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为：其中，b0为常数项，为回归系数，b1为固定时，x1每增加一个单位对y的效应，即x1对y的偏回归系数；同理b2为固定时，x2每增加一个单位对y的效应，即，x2对y的偏回归系数，等等。
如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为：其中，b0为常数项，为回归系数，b1为固定时，x2每增加一个单位对y的效应，即x2对y的偏回归系数，等等。
如果两个自变量x1,x2同一个因变量y呈线相关时，可用二元线性回归模型描述为：y = b0 + b1x1 + b2x2 + e建立多元性回归模型时，为了保证回归模型具有优良的解释能力和预测效果，应首先注意自变量的选择，其准则是：(1)自变量对因变量必须有显著的影响，并呈密切的线性相关；(2)自变量与因变量之间的线性相关必须是真实的，而不是形式上的；(3)自变量之彰应具有一定的互斥性，即自变量之彰的相关程度不应高于自变量与因变量之因的相关程度；(4)自变量应具有完整的统计数据，其预测值容易确定。
基于时间序列及回归分析模型的物流量预测实证研究
基于时间序列及回归分析模型的物流量预测实证研究作者：李万春来源：《商业时代》2014年第20期内容摘要：本文运用spss19中的指数平滑模型、ARIMA模型、指数模型和回归分析模型对四川省内江市历年物流量和经济数据进行建模和预测。
对四种方法的预测结果进行比较、分析、检验，最后得到内江市未来的物流量最有可能的发展情况，给出平均误差，并针对物流产业的发展提出相关对策。
关键词：指数平滑模型 ARIMA模型回归分析模型物流量实证研究商品的流通离不开物流，物流的发展对商品生产的规模、产业结构的变化以及经济发展速度都具有制约作用。
随着近年来国家、地方对物流发展的重视不断加强，物流业总体规模快速增长，服务水平显著提高。
一个地区的物流能力对经济发展的贡献情况衡量指标是物流需求，经济因素和环境因素两类因素影响着物流需求。
为了研究物流量增长的内在发展，本文根据影响因素的和时间序列模型及回归预测模型的特点，采用多种预测模型对历史数据进行拟合，并结合内江市的实际发展情况对预测结果进行比较、分析、检验，最后得到内江市未来的物流量最有可能的发展情况。
内江市的物流能力内江位于四川的东南部，东连重庆，西接成都，南靠自贡、宜宾、泸州，北通遂宁，是四川省距重庆直辖市最近的地级市，是成渝经济区内连接成渝双核的区域性中心城市，是川东南乃至西南各省交通的重要交汇点，是川南地区重要的客、货运中转站，较大的物流企业有永宏物流、凌丰物流等。
永宏物流公司自有办公楼1300多平方米，汽修厂房2000平方米，拥有员工200余人。
其中安排下岗工人40余人、进城务工人员120余人，专业驾驶员及维修人员50余人，自有货车30余台。
公司在成都、重庆及川南各市县（区）设有货运站30多个，承接整车零担货物运输和信息，每年货运量达到200多万吨，总产值1000多万元。
2010年，内江市全社会货运总量达到0.77亿吨，其中公路货运量7412万吨，2012年的全社会货物周转量达57.31亿吨，平均年增长近24%，如表1所示。
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。
基于线性回归模型的铁路货运量预测
基于线性回归模型的铁路货运量预测作者：代玲虹李瑞欣来源：《科教导刊·电子版》2020年第13期摘要：铁路货运量是铁路基础设施建设的重要依据，准确的铁路货运量预测对未来铁路建设发展有着重大意义。
本文结合铁路货运量现状，分析影响铁路货运量的主要因子，在传统的回归预测模型基础上，利用最小二乘法进行参数标定，构建铁路货运量预测的五元线性回归模型，并对2020年铁路货运量进行预测。
关键词：多元线性回归;铁路货运量;预测中图分类号：U491.13 ;;;;;;;;文献标识码：A0引言预测方法可分为定性与定量两种。
定性预测法包括经济调查法、特尔菲法等;定量预测法包括时间序列法、影响因素分析法等。
为保证预测的准确度，应根据实际情况采用合适的方法。
本文采用回归分析法进行预测。
回归分析预测法，是在分析自变量和因变量之间的相关关系基础上，建立变量间回归方程，并将此作为预测模型。
根据模型中自变量个数的多少，将回归模型分为一元回归模型和多元回归模型;根据模型是否呈线性，分为线性回归模型和非线性回归模型。
1模型介绍1.1一元回归模型一元线性回归是分析只有一个自变量x与因变量y线性相關关系的方法。
理论模型为：，其中y为因变量，x为自变量，;为回归常数，;为回归系数，;表示随机误差。
用最小二乘法求解;，;的估计值，得：，其中，1.2多元回归模型多元回归分析是研究因变量对两个或两个以上自变量的统计依赖关系。
给定数据集，存在，使得，则：用最小二乘法求解;和b得：;令，得多元回归模型为：2建立铁路货运量预测模型2.1 影响因素通过国家统计局查询2010年-2019年铁路货运量，绘表如下（表1）。
由数据可知，铁路货运量在2013年至2016年出现急剧下滑。
除此之外，货运量基本呈现上升趋势。
即货运量变化是一条折线，用一条直线或曲线描述不准确，因此需要考虑采用多变量预测模型。
经研究分析，影响货运量并可以查询到的因子如表2。
2.2 相关性分析根据表1与表2数据，绘制货运量随各个因素变化的散点图（如图1所示），明确货运量随自变量变化的大致趋势，选择相应的回归模型。
运输需求预测模型研究与应用
运输需求预测模型研究与应用运输需求的准确预测对于物流行业的发展和运营决策至关重要。
随着全球贸易的不断发展和物流需求的不断增加，运输公司和供应链管理者需要一种可靠的方法来预测未来的运输需求，以便为客户提供高效的物流服务。
运输需求预测模型可以帮助物流公司根据历史数据和相关因素来预测未来的需求量。
这种模型可以使用各种数据分析和预测技术，如回归分析、时间序列分析和机器学习方法。
以下是一些常用的运输需求预测模型的介绍。
1. 回归分析模型：回归分析模型是一种常见的运输需求预测方法，它通过建立运输需求与各种影响因素之间的关系来进行预测。
这些影响因素可以包括季节性变化、经济指标和市场趋势等。
通过回归分析，可以确定各个因素的权重和影响程度，从而预测未来的需求量。
2. 时间序列分析模型：时间序列分析是一种基于历史数据的预测方法，它通过观察和分析时间序列数据中的趋势、季节性和周期性等特征来进行预测。
在运输需求预测中，可以使用各种时间序列模型，如移动平均法、指数平滑法和ARIMA模型等。
这些模型可以帮助运输公司捕捉到运输需求的周期性和季节性变化，从而提供准确的预测结果。
3. 机器学习模型：机器学习是一种基于数据和模式识别的预测方法，它通过训练模型来学习和预测未来的需求。
在运输需求预测中，可以使用各种机器学习算法，如决策树、随机森林和神经网络等。
通过输入历史数据和其他影响因素，机器学习模型可以自动学习运输需求的规律和模式，并给出准确的预测结果。
运输需求预测模型的应用可以在各个层面上实现，包括运输公司的运营决策、供应链管理者的需求规划和资源配置等。
以下是一些典型的应用场景：1. 运力调度优化：通过运输需求预测模型，运输公司可以更准确地预测未来的货运量，从而优化运力的调度和资源的配置。
这样可以避免运力的浪费和过剩，提高运输效率和成本效益。
2. 场地规划和货物配送：在城市物流和快递行业中，准确预测未来的运输需求对于场地规划和货物配送至关重要。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
前言
公路货运量反应了国民经济水平，同时也是重卡销量的 基石。国内很多学者都对公路货运量进行过相关的分析，可 概括为：（1）基于公路货运量统计方法的研究：梁仁鸿、仵 思燃研究了公路货物运输量统计新试行方案问题及完善思路
作者简介：薛方（1989-），女，硕士，工程师，就职于陕西重型汽 车有限公司，研究方向：数据挖掘，数字图像处理，机器学习。
[4]；张忠民做了公路货物运输量统计方案完善与应用研究[5]； 孙磊磊、李琼提出了公路运输量统计中的计量误差分析[6]； 刘拥华等人提出了高速公路货物运输量统计方法[7]。（2）基 于调查方法的研究：于丹阳等人提出了北京市公路货物运输 量抽样调查分析与建议[8]；郭红霞、栗庆耀提出了公路货运 量统计调查方法的改进[9]；张志俊、周娅提出了满足多层次 需要的公路运输量抽样调查方法[10]。（3）基于公路货运量预 测的研究：王俊波提出了组合预测方法在公路运输量预测中
65
汽车实用技术
的应用研究[11]；吴凤山、范林业做了中国公路货物运输量的 长期预测[12]；瞿尔仁等人做了公路运输量预测的综合时序分 析[13]。
公路货运量预测是制定公路运输业发展规划和重卡销量 研究的基础。本文从宏观上影响公路货运量的因子出发，首 先利用散点图分析各因子和公路货运量之间的关系，然后用逐 步回归法剔除掉对公路货运量不显著的因子，建立了多元线性 回归方程对货运量进行预测。经检验预测模型拟合效果好。
仓储和邮政业增加值，第一产业增加值，第二产业增加值， 第三产业增加值这 10 种数据。
表 3 2010-2017 第三产业增加值、人均国内生产总值、 工业增加值、建筑业增加值
1 公路货运量预测模型分析
公路货运量，如下图所示。货运量数据呈现上升趋势， 且跌宕起伏，是一条折线，用一条直线或者曲线是描述不清 楚的。因此highway freight transport volume based on regression analysis
Xue Fang, Su Ruifeng, Yang Sheng, Yao Yuanzheng, Zhang Jun ( Shaanxi Heavy Duty Automobile Co., Ltd, Shaanxi Xi'an 710200 )
10.16638/ki.1671-7988.2019.15.024
基于回归分析的公路货运量预测
薛方，苏芮锋，杨升，姚远征，张俊
（陕西重型汽车有限公司，陕西 西安 710200）
摘 要：为了预测公路货运量，文章先从影响公路货运量的 10 个因子出发，分析各因子和公路货运量的关系，并使 用多元逐步回归法做最优回归方程的选择，挑选出对公路货运量影响显著的 6 个因子，然后建立公路货运量预测的 6 元线性回归模型，使用最小二乘法求解模型参数。经检验，公路货运量预测模型的显著水平 p=0.02137＜0.05， 样本可决系数 R2=0.9998，接近于 1，模型拟合效果较好。最后对各因子建立一元线性回归模型，得到 2018 年各因 子的预测值，代入公路货运量预测模型，得到 2018 年的公路货运量预测值。 关键词：公路货运量；多元线性回归模型；逐步回归；显著水平 中图分类号：F54 文献标识码：A 文章编号：1671-7988(2019)15-65-05