基于回归分析法的区域货运需求预测模型建立外文翻译资料

 2022-05-29 23:02:51

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

基于回归分析法的区域货运需求预测模型建立

王东阳，渤海大学教育与体育学院，辽宁121013

摘要：本文研究了基于回归分析方法的不同预测模型，并成功实现了预测区域货运需求（RFTD）。RFTD在反映经济状况方面发挥着重要作用，如生产改进，经济结构调整和经济增长方式。因此，RFTD的预测模型已被广泛用于许多领域，如学术和工业领域。在这项工作中，基于不同的预测模型，已经通过使用多重线性回归（MLR），非线性回归（NLR）和简单线性回归（SLR）构建了几个区域货运需求预测模型（RFTDPM）。根据拟合效率，仿真结果表明，与其他回归模型相比，基于NLR的RFTDPM在预测RFTD方面具有优越的性能。但是，如果考虑到RFTDPM的验证率，基于SLR的模型将优于其他两种预测模型。

关键词：预测模型；区域货运要求；回归分析法

  1. 引言

近几十年来货运量大幅增加[1,2]。它必须迎接现代工业的挑战[3]。从货运生产的角度看，货运是由外部经济需求和交通供给系统组成的[4]。根据运距，货运需求可分为区域货运，区域间货运和中转货运三大类。区域货运是该地区社会生活的最基本层面，区域货运的发展与区域经济发展密切相关[5,6]。区域货运也侧重于现代工业应用。因此，区域计划，特别是后勤计划变得更加重要[7]。一般来说，运输需求被定义为货运量。货运量是由运输需求和运输供应的相互作用形成的。此外，运输需求应与现有运输能力相匹配[8]。区域货运需求的特点是区域性特征，对货运需求内涵的针对性，货运需求的阶段性发展，货运需求分布的不合理性以及货运需求物种的复杂性和多样性[9]。

在运输工程中，货运量预测是制定相关政策，制定交通发展规划和日常管理的基础[10-12]。作为反映货运需求的重要指标，对货运量的预测研究和分析既有实际意义也有理论意义[4]。货运需求的预测方法可以分为两类：定性预测方法和定量预测方法。定性预测方法包括专业预测方法，执行意见评审方法，市场调查方法和德尔菲法。专业预测方法是一种常用的方法，其时间效率更高，更简单，更容易[10]。尽管如此，定性预测方法不太准确，并且具有一致性。另一方面，定量预测方法包括时间序列平滑方法，回归预测方法和灰色预测方法等。另外，学者们在货运预测中引入了人工神经网络（ANN）和智能模糊回归算法[13-16]。此外，偏最小二乘回归（PLS）方法在预测中扮演重要角色[17]。在战术或运营规划应用中，提出了一种具有空间和时间相关误差结构的多项式概率模型用于货运需求分析[18]。

在本文中，回归预测方法用于根据货运量数据集，国内生产总值（GDP）数据集和固定投资数据集预测货运需求。回归分析方法适用于短期和中期预测。它们已应用于许多领域，如数据分析，估计和统计检验，影响因素与预测目标值之间关系的分析以及预测结果准确性的研究[19,9,20]。本文采用回归分析法建立了货运模型，并用此方法预测了未来货运量的变化趋势。我们对使用多元线性回归（MLR），非线性回归（NLR）和简单线性回归（SLR）建立的模型进行了比较，并选择了最佳模型，从而提高了模型的准确性。该方法在货运量预测方面优于定性预测方法。基于所提出的方法，通过分析变量之间的数学关系以及影响因素与预测目标值之间的关系，我们可以预测未来的数值和误差以及预测结果的准确性[7]。基于回归分析建立的模型可用于分析各种货运问题，它还为未来的货运需求研究提供建议。本文可以进行推广和扩展，以分析中国其他地区及其他地区的货运市场趋势。上海的货运对区域经济至关重要[21]。根据他们利用的数据，我们选择GDP和固定投资作为影响因素，然后建立模型。

这篇论文的组织如下。第二节综述了广义线性回归（MLR），非线性回归（NLR），简单线性回归（SLR）等广义预测方法。第三节介绍和分析了数据集。基于回归预测方法建立货运预测模型，对模型进行验证，然后对这些模型进行比较。最后，结论在最后一节中介绍。

  1. 建模算法

在本节中，回归分析方法[22]用于解决区域货运需求问题。 简单介绍SLR，MLP和NLR。 在统计学上，回归分析[23]是一个估计变量之间关系的统计过程[24]。 我们可以使用模型来模拟数据，然后分析模拟数据。 这可以帮助您设计更好的实验。 回归分析广泛用于预测[25,26]。 这些回归分析方法适用于短期和中期预测[27]。

    1. 多元线性回归（MLR）

多元线性回归[28]是考虑多个独立变量的线性回归的一种推广，以及通过将因变量的数量限制为一个而形成的一般线性模型的特例。 它将单个连续结果Y与预测变量Xk（k=1，2，hellip;p）之间的同时统计关系形式化:

yi=beta;0 beta;1xi1 beta;2xi2 ⋯ beta;pxip εi.

其中beta;0表示截距（当所有Xk = 0时Y的平均值），而每个beta;k表示与Xk相关的斜率（当Xk大于一个单位且所有预测变量保持不变时，Y的平均值的变化范围）.beta;k是有统计学意义的部分回归系数[29,30]。

步骤1：将所有观测值的所有响应值打包到称为响应向量的一个n维向量中：Y=[Y1,Y2,hellip;,Yn]T并将所有的预测变量包装到称为设计矩阵的ntimes;（p 1）矩阵中:

步骤2：为了估计beta;=[beta;0, beta;1,hellip;, beta;p]T，我们想要最小化误差ε的总和：

根据XTX的可逆性，beta;也可以由beta; =（XTX）-1XTY计算。

步骤3：使用ε和beta;来形成最终模型：Y=Xbeta; ε。

    1. 非线性回归（NLR）

非线性回归是将数据拟合到任何选定方程的过程。 与线性回归一样，非线性回归程序确定使数据点距离曲线的距离平方和最小的参数值。一般的非线性回归模型是Y =f(X,beta;) ε，Y=[Y1,Y2,hellip;,Yn]T，X=[X1X2,hellip;,Xn]T，beta;=[beta;1, beta;2,hellip;, beta;N]T和ε=[ε1, ε2,hellip;, εn]。但在本文中，由于抛物线回归模型，我们需要使用方程Y=beta;0 beta;1X beta;2X2 ε。

步骤1：收集响应变量和可测量变量，以Y=[Y1,Y2,hellip;,Yn]T和X=[X1X2,hellip;,Xn]T表示。

步骤2：为了估计beta;=[beta;0, beta;1,beta;2]，我们想要最小化误差ε的总和：

根据ATA的可逆性

beta;也可以通过beta;=(ATA)-1ATY来计算。

步骤3：使用ε和beta;形成最终模型：Y =ATbeta; ε。

    1. 简单的线性回归(SLR)

简单线性回归（SLR）是多元线性回归的基本形式。它分析了因变量和自变量之间的线性关系：Y =beta;0 beta;1X ε，Y是外生变量，X是外植变量，ε是随机误差，beta;0是常数项，beta;1是回归系数。最小二乘法可以帮助确定线路。

步骤1：收集响应变量和可测量变量，以Y =[y1;y2;hellip;;yn]T和X =[x1;x2;hellip;;xn]T表示。

步骤2：为了估计beta;=[beta;0, beta;1]，我们想要最小化误差ε的总和：

将x1; x2; ...; xn合称为设计矩阵的ntimes;2矩阵

根据的可逆性，beta;也可以由计算。

步骤3：使用ε和beta;形成最终模型：

  1. 结果与讨论

为了预测货运量，[7]提出了6种预测方法，包括时间序列法（TSM），回归方法（RM），灰色方法（GM），人工神经网络（ANN），分形方法（FM）和最大值 熵方法（MEM）。尽管如此，本文致力于比较不同的回归方法，然后预测货运量。

在本节中，利用简单线性回归（SLR），多元线性回归（MLR）和非线性回归（NLR）等回归分析预测方法建立区域经济指标与货运需求指数之间的模型。 通过相关的数据或指标比较这些方法的拟合效率。 这些方法经过测试后可以搜索最佳模型。

    1. 数据预处理

表1从国民经济和社会发布的上海统计公报收集了三组数据，包括货运量数据集，国内生产总值（GDP）数据集和固定投资数据集。 该数据集由本公告于2000年至2010年在上海提供的记录组成。 根据图1，我们可以得出结论：

  1. 很显然，随着GDP增长，货运量呈线性增长。
  2. 货运量与固定投资之间存在线性关系和二次曲线关系。

本文以国内生产总值和固定投资为解释变量，以货运量为解释变量建立多元线性回归模型。可根据货运量和GDP建立二次曲线模型和简单线性回归模型。

    1. 模型

回归分析方法可以分为一元回归分析和多元回归，也可以分为线性和非线性。为了确定变量之间的关系，让回归预测方法适用。 基本步骤如下所示：

①根据预测的目标，确定自变量和因变量；

②建立回归预测模型；

③进行相关分析；

④检查回归模型并计算预测误差；

⑤计算预测值。

在本文中，所有讨论的多元统计方法，如MLR，NLR和SLR已被用于构建相关模型。预测模型是基于解释变量建立的。 回归模型被用来发现回归系数。当用回归拟合数据时，我们的主要目标通常是区分不同的模型。 模型开发之后的逻辑步骤是模型验证。 验证的目的是找出三种模型中最好的模型。我们可以根据MLR，NLR和SLR获得拟合货运量，GDP和固定投资之间的关系表达式：

y=335.26-0.16x1 1:38x2,

y=200.89 0.77x1-0:00024;

y=421.82 0.2.6x1

其中y是拟合货运量，x1是GDP，x2是固定投资。基于MLR，NLR和SLR的合适货运量与实际货运量的关系如图2所示。但在[7]中，预测的运输数据与实际数据进行比较。 最后给出了多项式模型，证明了本文所建立的基于NLR多项式模型的模型。所以我们可以从表2得到MLR，NLR和SLR模型的校准均方根误差（RMSEC）：

其中yi是第i个样本的测量值，是第i个样本的方法响应值，N是校准样本的数量。

    1. 验证和比较

验证是模型应用的必要步骤[31]。 模型的验证是它产生了与重要问题相关的良好可检验假设。我们应该按照以下方式测试这些模型。 这里主要考虑三个常用指标，包括总偏差平方和（TSS），回归平方和（RSS）和误差平方和（ESS），以评估这些方法的拟合效率（R2）。 给定一个线性回归模型：yi=beta;0 beta;1xi1 ⋯ beta;pxip εi。包括基于样本的常数（yi;xi1;hellip;;xip），i=1，hellip;，n包含n个观察值。总平方数可以按如下分解为解释的平方和（ESS）和剩余平方和（RSS）：TSS=RSS ESS. RSS和ESS可以描述如下：

其中yi是第i个样本的测量值; 是观察值y1; y2; ..

全文共10622字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[11582]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章