تحليل تقاضاي مسافر ريلي و پيش بيني آن با الگوريتم سري زماني

Analyzing and Forecasting Railway Passenger Demand with Time Series Algorithm

با توجه به اهميت مديريت عرضه امكانات حمل و نقل در وضع موجود و تخصيص اين منابع در بخش حمل و نقل ريلي، پيش بيني تعداد مسافرين از اولويت بالايي برخوردار است. در اين تحقيق با استفاده از مدل‌هاي سري زماني، تقاضاي مسافرت در شبكه راه آهن جمهوري اسلامي ايران پيش بيني شده است. سري هاي زماني ايستا و ناايستاي تقاضاي مسافر ريلي با آزمايش وجود ريشه واحد و ريشه واحد فصلي قبل از مراحل تخمين، انتخاب مدل و پيش بيني مورد تحليل قرار مي گيرند. براي مدلسازي تقاضا از روش باكس- جنكينز استفاده شده است كه دلايل فراواني براي انتخاب اين روش ها وجود دارد. بيشتر اين دلايل، وابسته يا همبسته بودن تقاضاي سفر در فصل ها و ماه‌هاي مختلف سال و همچنين تكرار رفتاري منظم در دوره هاي زماني با طول ثابت مي باشد. براي ارزيابي عملكرد مدل‌ها از درصد ميانگين خطاي مطلق (MAPE) و ميانگين ريشه مربعات خطا (RMSE) استفاده شده است. تاييد و بازبيني مدل‌ها، توسط آزمون‌هاي زيادي صورت پذيرفته كه تمامي اين آزمون‌ها تاييدي براي عملكرد مناسب مدل‌ها و اطمينان بخش بودن آنها مي باشند. مدل‌هاي برازش شده پاياني از الگوي فصلي ARIMA پيروي كرده و حداقل 92% دقت در پيش بيني را دارا مي باشند.

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