تحلیل تقاضای مسافر ریلی و پیش بینی آن با الگوریتم سری زمانی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 نویسنده مسئول و دانشیار دانشکده مهندسی عمران؛ دانشگاه علم و صنعت ایران

2 استادیار گروه عمران؛ دانشکده مهندسی؛ دانشگاه زنجان

3 کارشناس ارشد مهندسی صنایع؛ دانش آموخته مؤسسه آموزش عالی الغدیر تبریز

4 دانشجوی دکتری مهندسی صنایع؛ دانشگاه علم و صنعت ایران

چکیده

با توجه به اهمیت مدیریت عرضه امکاناتحمل و نقل در وضع موجود و تخصیص این منابع در بخش حمل و نقل ریلی، پیش­بینی تعداد مسافرین از اولویت بالایی برخوردار است. در این تحقیق با استفاده از مدل‌های سری زمانی، تقاضای مسافرت در شبکه راه­آهن جمهوری اسلامی ایران پیش­بینی شده است. سری­های زمانی ایستا و ناایستای تقاضای مسافر ریلی با آزمایش وجود ریشه واحد و ریشه واحد فصلی قبل از مراحل تخمین، انتخاب مدل و پیش­بینی مورد تحلیل قرار می­گیرند. برای مدلسازی تقاضا از روش باکس- جنکینز استفاده شده است که دلایل فراوانی برای انتخاب این روش­ها وجود دارد. بیشتر این دلایل، وابسته یا همبسته بودن تقاضای سفر در فصل­ها و ماه‌های مختلف سال و همچنین تکرار رفتاری منظم در دوره­های زمانی با طول ثابت می­باشد. برای ارزیابی عملکرد مدل‌ها از درصد میانگین خطای مطلق (MAPE) و میانگین ریشه مربعات خطا (RMSE) استفاده شده است. تأیید و بازبینی مدل‌ها، توسط آزمون‌های زیادی صورت پذیرفته که تمامی این آزمون‌ها تأییدی برای عملکرد مناسب مدل‌ها و اطمینان­بخش بودن آنها می­باشند. مدل‌های برازش شده پایانی از الگوی فصلی ARIMA پیروی کرده و حداقل 92% دقت در پیش­بینی را دارا می­باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Analyzing and Forecasting Railway Passenger Demand with Time Series Algorithm

نویسندگان [English]

  • Shahriar Afandi Zade 1
  • Amir Masoud Rahimi 2
  • Ali Asghar Talaei 3
  • Ehram Safari 4
چکیده [English]

Regarding the importance of the supply management for existing transportation facilities and allocating these resources in the rail transportation, travel demand forecasting has a very important role. In this paper the time series models are used to forecast passenger demand in Iranian railway network.
Before estimation, model selection and forecasting, the stationary and non-stationary time series models of railway passenger demand are analyzed with the tests of unit root and seasonal unit root. In the modeling part the Box-Jenkins method are used that the main reason for using them was the strong correlation between the data in several months and seasons and repeating exact trends in the fixed basis of time. The Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) criteria are used in order to evaluate the performance of models. The final fitted models are in conformity with family of seasonally ARIMA, and have at least 92 percent accuracy in the forecasting.

کلیدواژه‌ها [English]

  • Passenger Demand Forecasting
  • Railway Network
  • Time Series

مراجع

[1]Kimes, S. E.,” Restaurant revenue management: could it work?”, Journal of Revenue and Pricing Management, Vol. 4, No. 1, 2005, pp. 95-97.
[2]Dail, U. A., Yoriyasu, S.,” Simultaneous demand model for passenger travel-A case study of Indonesia”, proceeding of the eastern Asia society for transportation studies, Vol. 4, 2003, pp. 869-884.
[3]Varagouli, E. G., Sios, T. E., Xeidakis, G. S.,” Fitting a multiple regression line to travel demand forecasting of xanthi, northen Greece”,mathematical and computer modeling, Vol. 42,2005, pp. 817-836.
[4]Song, H., Witt, S. F.,” Forecasting international tourist flows to Macau”. Tourism Management, Vol. 27, 2006, pp. 214–224.
[5]Botzoris, G. N., Profillidis, V. A.,” Econometric models for forecast of passenger demand in Greece”, journal of statistics management system,Vol. 9, No.1, 2006, pp. 37-54.
[6]Chen, N.,” Modelling demand for rail transport with dynamic econometric approaches”,international review of business research papers,Vol.3, No.2, 2007, pp. 85-96.
[7]Athanasopoulos, G., Hyndman, R.,” Modeling and forecasting Australia domestic tourism”, Tourism Management, Vol. 29, 2008, pp. 19–31.
[8]Tsai, T. H., Lee, C. K., Wei, C. H.,” Neural network based temporal feature models for shortterm railway passenger demand forecasting”,Expert System with Applications, 2008.
[9]Tavana, H., Mahamassani. H. S.,” Estimation an application of dynamic speed-density relation by using transfer function models”, Transportation Research Record, 1710, 2000, 47-57.
[10]Lim, C., McAleer, M.” Time series forecasts of international travel demand for Australia”. Tourism Management, Vol. 23, 2002, pp. 389–396.
[11]Williams, B. N., Hoel, L. A.,” Modeling and forecasting vehicular traffic flow as seasonal ARIMA process: Theoretical basis and empirical result”, Journal of Transportation Engineering,Vol. 129, 2003, 664-672.
[12]Gil-Alana, L. A.,” Modeling international monthly arrivals using seasonal univariate long-memory processes”, Tourism Management, Vol. 26, 2005,pp. 867–878.
[13]Chen, K., Wang. C.,” Support vector regression with genetic algorithms in forecasting tourism demand”, Tourism Management, Vol. 28, 2007,pp. 515–526.
[14]Wong, K. F., Song, H., Witt, S. F., Wu, D.,” Tourism forecasting: To combine or not to combine”, Tourism Management, Vol. 28, No.4,2007, pp. 1068–1078.
[15]  گجراتی، دامودار؛ ابریشمی، حمید؛ مبانیاقتصادسنجی)جلد دوم(  انتشارات دانشگاه تهران، تهران، چاپ . چهارم، ۱۳۸۵
[16]EViews 5 User’s Guide, Quantitative Micro Software, LLC, Printed in the United States of America, 2004.
[17]Lewis, C. D., Industrial and Business Forecasting, Method, Butterworth, London, (1982).
[18] ابریشمی، حمید؛ مهرآرا، محسن؛ اقتصادسنجی  کاربردی، انتشارات دانشگاه تهران، تهران، چاپ اول،.۱۳۸۱

فایل ها

هم رسانی

ارجاع به این مقاله

آمار