运输统计与分析课程设计-上海公路客运量需求预测与分析

运输统计与分析课程设计-上海公路客运量需求预测与分析 设计 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 目: 上海公路客运量需求预测与分析 课程名称: 运输统计与分析 学 院: 交通运输工程学院 专 业: 交通运输 班 级: 学生姓名: 学 号: 指导教师: ==== 2011 /2012学年第二学期==== 1 课程设计(学年 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 )任务书 课程名称:运输统计与分析 适用对象:交通运输工程 一、 课程设计(论文)目的 《运输统计与分析》课程设计作为独立的教学环节，是交通运输本科专业的必修课。其目的是，通过本课程设计实践，培养学生理论联系实际思想，加深统计分析基本理论与基本知识的理解，学会收集或调查行业统计数据，切实掌握各种统计分析方法，并能灵活运用统计软件在计算机上实现，正确解释和分析运行结果，培养运用各种统计分析方法解决交通运输领域内实际问题的能力。 二、 课程设计(论文)题目与内容 本课程设计(论文)主要任务为:针对交通运输领域内某一主题，设计调查表调查或查询相关统计数据，根据本课程讲授内容选择一种或多种合适的统计分析方法，运用SPSS建立模型分析问题。题目自拟，但题名一般要包含主题与统计方法。且必须与交通运输相关，选题主题主要包括: 1. 运输市场定位研究 2. 运输需求分析与预测 3. 政策或技术方法实施效果评价 交通行为选择 4. 5. 影响因素分析 6. 聚类分析 7. 服务质量评价 8. 自选 三、 课程设计(论文)基本要求 2 报告内容原则上不少于8000字，其正文至少包括如下几个方面的内容: 1. 问题背景(问题的提出、必要性与意义，该问题目前常用的分析手段与 方法，本设计采用的方法) 2. 数据采集 (含数据采集方式、描述性分析、统计图表) 说明:调查分析则必须包含调查 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 ，其它数据原则上必须说明出处。 3. 统计模型与分析 (包含模型原理、SPSS操作步骤、输出结果及分析) 4. 总结 5. 附录 数据清单 四、 课程设计(论文)时间及进度安排 1. 时间:两周:2011-2012学年第二学期第十九、二十周 进度安排: 2. 确定主题;调查、收集数据:2天 数据分析与预处理、描述性统计分析:2天 分析方法原理及选择:3天 SPSS操作及结果分析:4天 解决实际问题或建议:2天 撰写报告、总结:1天 (此部分同学们可以按照自己设计具体内容，详细安排) 3. 成果提交: 要求独立完成，每人需提交1份打印的设计报告(A4)、word电子文档、数据文件(sav格式)。电子文档文件名为:学号后四位+姓名+题目，先发电子文档给指导老师，经许可后方可打印。最终成果(打印稿1份、电子文档1份)统一交班长汇总并转交指导老师;最终成果提交截止时间为第20周周五。 五、 成绩评定 3 平时考勤20%，报告撰写 规范 编程规范下载gsp规范下载钢格栅规范下载警徽规范下载建设厅规范下载 20%,内容(选题合理、方案可行、分析正确、有创新)60%。 成绩评定实行优秀、良好、中等、及格和不及格五个等级。优秀者人数一般不得超过总人数的20%。 六、 报告格式 课程设计报告装订顺序依次为:封面、课程设计(学年论文)任务书、目录、正文、参考文献、成绩评定表。报告中所有图表应按“章号-图表序号-图表名”(例:图1-1-***频数图)进行编号。具体格式参看实验报告样本。 七、 主要参考资料 1.罗应婷等主编.SPSS统计分析从基础到实践.北京:电子工业出版社，2007年6月; 2.章文波 陈红艳编著.《实用数据统计分析及SPSS12.0应用》.人民出版社，2006年; 3.张文彤.SPSS.11.0统计分析教程.(高级篇).北京希望电子出版社.2002年6月; 4.郝黎仁等.SPSS实用统计分析.中国水利水电出版社.2003年1月。4 目 录 1概述 .............................................................. 1 1.1 研究背景 ................................................. 1 1.2 常用分析方法 ............................................. 2 1.3 本设计采用的分析方法 ..................................... 3 2 数据采集 .......................................................... 4 2.1 数据来源 ................................................. 4 2.2 数据处理 ................................................. 4 2.3 现状分析 ................................................. 7 3统计模型与分析 .................................................... 9 3.1 一元线性回归预测........................................ 9 3.2 多元线性回归预测 ....................................... 14 3.3 时间序列法: ........................................... 17 3.4 曲线拟合 ............................................... 19 4总结 ............................................................. 23 4.1 本设计的主要工作 ....................................... 23 4.2 存在的不足 ............................................. 23 ................................. 24 4.3 下阶段研究需解决的问题 4.4 个人感悟 ............................................... 24 附录 数据清单................................................ 25 5 1 概述 1.1 研究背景 随着社会经济的发展，人民生活水平日渐提高，公路基础设施建设取得了跨越式发展，公路客运日益增加。对于经济相当发达的上海市，公路交通是其居民出行的重要交通方式。改革开放以来，特别是进入“八五”以来，随着我国公路状况的不断改善，公路客运以其快速、灵活、方便的优势快速发展。据统计，“八五”期间全国客运量比“七五”增长51(8%，年均递增9(8%，同期公路客运年均递增率达11(1%。自1991年以来，在全国新增旅客运量中，公路客运量占99%。公路客运除在运量上大大高于铁路等其他运输方式外，自1995年起，其旅客周转量占全国旅客周转量的比重也已超过50%。 导致公路客运量持续增长的主要原因:一是公路对铁路继续保持在中、短途客运上的分流优势;二是公路客运因高速公路和其他高等级公路的发展而在中、长途客运上逐步获得了市场竞争优势;三是场站及车辆等服务设施和装备水平不断提高;四是公路客运的整体服务质量与水平在逐步改善，使公路客运对旅客的吸引力在提高。 研究公路交通客运的需求有重大意义。一个高效运行的客运系统有利于交通的通畅，方便人们出行，减少环境污染。分析公路客运量的发展变化规律，研究公路客运量的预测技术，并应用于公路客运管理工作中，对提高公路交通的管理水平和公路营运效率具有非常重要的实际意义，从而促进公路交通事业的持续发展，缓解交通压力。 预测未来若干年后上海市公路客运量及其发展趋势,可以为投资、规划、优化配置资源及其相关问题的科学决策提供可靠依据,同时提高公路客运的经济效益和社会效益，也对公路管理水平和建立高效公路客运交通系统具有重要作用。 1 在预先掌握公路线路客运量发展变化的情况下，公路客运企业才能科学的制定调度计划，合理地调配人、车资源。从而改变以往车辆管理调度中缺乏实用的分析预测手段，大多依靠经验和直觉来判断客运量变化的传统方式。因此，上海市公路客运量预测为上海市的公共交通规划提供有力的支持。 1.2 常用分析方法 研究公路客运量需求预测这类问题涉及到统计学、运筹学、交通经济学等学科，常用的预测方法有回归分析法、灰色模型、组合预测法。 1(2.1回归分析法: 回归分析法是指根据预测的相关性原则，找出影响预测目标的各因素，并用数学方法找出这些因素与预测目标之间的函数关系的近似表达，再利用样本数据对其模型估计参数及对模型进行误差检验，一旦模型确定，就可利用模型，根据因素的变化值进行预测。 回归分析预测法的步骤: a.根据预测目标，确定自变量和因变量; b.建立回归预测模型; c.进行相关分析; d.检验回归预测模型，计算预测误差; c.计算并确定预测值。 1.2.2灰色模型预测: 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。 灰色系统的特点: a.用灰色数学处理不确定量，使之量化; 2 b.充分利用已知信息寻求系统的运动规律; c.灰色系统理论能处理贫信息系统. 1.2.3组合预测: 组合预测方法是对同一个问题，采用两种以上不同预测方法的预测。它既可是几种定量方法的组合，也可是几种定性的方法的组合，但实践中更多的则是利用定性方法与定量方法的组合。组合的主要目的是综合利用各种方法所提供的信息，尽可能地提高预测精度。 1.2.4时间序列法: 时间序列回归模型，是考虑事物发展的变化规律，以时间为自变量建立的一种相关模型，它既考虑了事物发展的延续性，又充分考虑到事物的发展受偶然因素的作用而产生的随机变化。 1.2.5多元回归方法: 多元回归分析预测法是通过对两个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。它是研究一个随机变量与两个或两个以上一般变量之间相依关系的统计分析方法。 1.3 本设计采用的分析方法 本课程设计将采用一元线性回归预测法、多元回归预测方法，时间序列法，S曲线分析进行分析与预测。 3 2 数据采集 2.1 数据来源 本设计所需的数据，(总人口、生产总值、旅客周转率等经济指标的)来源是2011年中国统计年鉴()。: 表2-1:上海市2006-2010年统计年鉴 公路客运量 生产总值 旅客周转量 年度 总人口(万人) (万人) (亿元) (亿人公里) 2006 2784181510572.24 86.8 2007 2872185812494.01 94.0 2008 2934188814069.86 94.1 2009 2995192115046.45 99.6 2010 3634230217165.98 115.4 2.2 数据处理 本课程设计选取上海市总人口数量、生产总值、旅客周转量作为主要指标。 a.总人口数量。针对此模型中被解释变量为公路客运量，其主要消费者为上海市民，总人口数量是一个重要的影响因素。 b.生产总值。交通运输的发展离不开国家宏观经济的密切影响，因此选取地区生产总值(GDP)作为解释变量之一，分析其对公路客运量的影响。 c.旅客周转量。反映交通部门一定时期内旅客运输工作量的指标。指旅客人数与运送距离的乘积，旅客周转量是制订运输计划和考核运输任务完成情况的主要依据之一。因此旅客周转量也是一个重要的影响因素。 2.2.1数据描述性分析 4 处理过程:打开spss软件，在菜单栏中找到“分析—描述统计—频率”，单击出现一个对话框，在对话框中输入变量和数据，点击确定，即可得到最终数据。 表2—1:各指标描述性统计表 描述统计量 N 极小值 极大值 均值 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 差 公路客运量(万人: 5 2784 3634 3043.80 339.037 总人口:万人: 5 1815 2302 1956.80 196.880 生产总值:亿元: 5 10572.24 17165.98 13869.7080 2502.80002 旅客周转量:亿人公里: 5 86.8 115.4 97.980 10.7467 有效的 N :列表状态: 5 图2—1:公路客运量与总人口茎叶图 5 图2—2:公路客运量与生产总值茎叶图 图2—3:公路客运量与旅客周转量茎叶图 6 表2—3:各指标相互相关性 相关性 公路客运量总人口(万人) 生产总值(亿旅客周转量 (万人) 元) (亿人公里) ****Pearson 相关性 1 .999 .872 .975 公路客运量(万人) 显著性(双侧) .000 .054 .005 N 5 5 5 5 ****Pearson 相关性 .999 1 .855 .969 总人口(万人) 显著性(双侧) .000 .065 .007 N 5 5 5 5 *Pearson 相关性 .872 .855 1 .938 生产总值(亿元) 显著性(双侧) .054 .065 .018 N 5 5 5 5 *****Pearson 相关性 .975 .969 .938 1 旅客周转量(亿人公里) 显著性(双侧) .005 .007 .018 N 5 5 5 5 **. 在 .01 水平(双侧)上显著相关。 *. 在 0.05 水平(双侧)上显著相关。 2.3 现状分析 经过对以上图表的数据分析可以得出: ?根据公路客运量与其他各指标的茎叶图，可以看出公路客运量的数量随着各指标的增长而增长，呈正相关关系。 ?根据各指标相互相关性表，可以看出公路客运量与总人口、旅客周转量的pearson相关性较强;总人口与公路客运量、旅客周转量的pearson相关性较强;生产总值与旅客周转量的pearson相关性较强;旅客周转量与总人口、公路客运量和生产总值的pearson相关性较强。 ?根据各指标相互相关性表，可以看出公路客运量与总人口、旅客周转量显 7 著相关;总人口与公路客运量显著相关;生产总值与各指标不显著相关;旅客周 转量与共路客运量显著相关。 8 3统计模型与分析 3.1一元线性回归预测 3.1.1一元线性回归预测原理 一元线性回归预测法是分析一个因变量与一个自变量之间的线性关系的预测方法。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，则一元线性回归预测的基本思想:确定直线的方法是最小二乘法。最小二乘法的基本思想:最有代表性的直线应该是直线到各点的距离最近。然后用这条直线进行预测。 3.1.2操作步骤及结果分析 影响上海市公路客运量的3个因素:总人口，生产总值，旅客周转量。以年度为自变量，各因素为因变量建立模型预测结果如下。 (1)以年度为自变量，总人口为因变量建立预测模型 A(SPSS操作步骤如下: ?按分析—回归—线性，打开对话框; ?将自变量输入年度，因变量输入总人口，单击确定。如图所示。 9 图3-1-1 :spss操作步骤截图 B.输出结果: 3-1-1:总人口为因变量时的输出结果 表 a输入,移去的变量 模型 输入的变移去的变方法 量 量 b1 年度 . 输入 a. 因变量: 总人口(万人) b. 已输入所有请求的变量。 10 模型汇总 模型 R R 方 调整 R 方 标准 估计的误更改统计量 差 R 方更改 F 更改 df1 df2 Sig. F 更 改 a1 .833 .694 .591 125.844 .694 6.790 1 3 .080 a. 预测变量: (常量), 年度。 a系数 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误差 试用版 下限 上限 (常量) -206272.800 79908.917 -2.581 .082 -460578.639 48033.039 1 年度 103.700 39.795 .833 2.606 .080 -22.946 230.346 a. 因变量: 总人口(万人) C.结果分析: ?依据上述表格得到模型的拟合优度R^2=0.694，说明拟合程度较好; 得到回归方程:Y=?-206272.800+103.700X1.(Y:总人口，X1:年度) 表3-1-1:2011—2015年上海总人口的预测结果(单位:万人) 年份 2011 2012 2013 2014 2015 预测量 2267.9 2371.6 2475.3 2579 2682.7 (2)以年度为自变量，生产总值为因变量建立预测模型 A(SPSS操作步骤: 如上所述(略) B. 输出结果: 表3-1-2 :生产总值为因变量时的输出结果 a输入,移去的变量 模型 输入的变移去的变方法 量 量 11 b1 年度 . 输入 a. 因变量: 生产总值(亿元) b. 已输入所有请求的变量。 模型汇总 模型 R R 方 调整 R 方 标准 估计的误更改统计量 差 R 方更改 F 更改 df1 df2 Sig. F 更 改 a1 .994 .989 .985 306.33516 .989 264.005 1 3 .001 a. 预测变量: (常量), 年度。 aAnova 模型 平方和 df 均方 F Sig. b回归 24774508.161 1 24774508.161 264.005 .001 1 残差 281523.693 3 93841.231 总计 25056031.854 4 a. 因变量: 生产总值(亿元) b. 预测变量: (常量), 年度。 a系数 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误差 试用版 下限 上限 (常量) -3146706.228 194518.389 -16.177 .001 -3765750.557 -2527661.899 1 年度 1573.992 96.872 .994 16.248 .001 1265.703 1882.281 a. 因变量: 生产总值(亿元) C.结果分析: ?依据上述表格得到模型的拟合优度R^2=0.989，所以拟合程度很好; ?得到回归方程:Y=-3146706.228+1573.992X1。 (Y:生产总值，X1:年度) 表3-1-3上海2011-2015年生产总值预测结果(单位:亿元) 12 年份 2011 2012 2013 2014 2015 预测量 18591.68 20165.68 21739.67 23313.66 24887.65 (3)以年度为自变量，旅客周转量为因变量建立预测模型 A(SPSS操作步骤: 如上所述(略) B. 输出结果: 表3-1-4:旅客周转量为因变量时的输出结果 a输入,移去的变量 模型 输入的变移去的变方法 量 量 b1 年度 . 输入 a. 因变量: 旅客周转量(亿人公里) b. 已输入所有请求的变量。 模型汇总 模型 R R 方 调整 R 方 标准 估计的误更改统计量 差 R 方更改 F 更改 df1 df2 Sig. F 更 改 a1 .924 .854 .805 4.7464 .854 17.506 1 3 .025 a. 预测变量: (常量), 年度。 aAnova 模型 平方和 df 均方 F Sig. b回归 394.384 1 394.384 17.506 .025 1 残差 67.584 3 22.528 总计 461.968 4 a. 因变量: 旅客周转量(亿人公里) b. 预测变量: (常量), 年度。 a系数 13 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误试用版 下限 上限 差 (常 -12512.260 3013.874 -4.152 .025 -22103.753 -2920.767 量) 1 年度 6.280 1.501 .924 4.184 .025 1.503 11.057 a. 因变量: 旅客周转量(亿人公里) C.结果分析: ?依据上述表格得到模型的拟合优度R^2=0.854，所以拟合程度很好; ?得到回归方程 Y=-12512.260+6.280X1。(Y:旅客周转量，X1:年度) 表3-1-5:上海2011-2015年旅客周转量预测结果(单位:亿人公里) 年份 2011 2012 2013 2014 2015 预测量 116.82 123.1 129.38 135.66 141.94 3.2多元线性回归预测 3.2.1多元线性回归预测原理 多元回归分析是研究多个变量之间关系的回归分析方法, 按因变量和自变量的数量对应关系可划分为一个因变量对多个自变量的回归分析(简称为“一对多”回归分析)及多个因变量对多个自变量的回归分析(简称为“多对多”回归分析), 按回归模型类型可划分为线性回归分析和非线性回归分析。 利用二元线性回归方程，以旅客周转量，GDP,总人口为自变量，公路客运量为因变量，建立模型预测分析，结果如下: 3.2.2 SPSS操作步骤: ?按分析—回归—线性，打开对话框; 14 ?将自变量输入总人口、生产总值、旅客周转量，因变量输入公路客运量， 单击确定。如图所示。 图3-2-1:spss操作步骤截图 3.2.3输出结果分析 表3-2-1:多元线性回归输出结果 a输入,移去的变量 模型 输入的变量 移去的变方法 量 旅客周转量 (亿人公里), 1 生产总值(亿. 输入 元), 总人口 b(万人) a. 因变量: 公路客运量(万人) b. 已输入所有请求的变量。 模型汇总 15 模型 R R 方 调整 R 方 标准 估计的误更改统计量 差 R 方更改 F 更改 df1 df2 Sig. F 更 改 a1 1.000 1.000 1.000 1.308 1.000 89625.769 3 1 .002 a. 预测变量: (常量), 旅客周转量(亿人公里), 生产总值(亿元), 总人口(万人)。 aAnova 模型 平方和 df 均方 F Sig. b回归 459783.090 3 153261.030 89625.769 .002 1 残差 1.710 1 1.710 总计 459784.800 4 a. 因变量: 公路客运量(万人) b. 预测变量: (常量), 旅客周转量(亿人公里), 生产总值(亿元), 总人 口(万人)。 a系数 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区 间 B 标准 误试用版 下限 上限 差 (常量) -260.559 8.281 -31.466 .020 -365.774 -155.344 总人口(万人) 1.625 .017 .944 94.443 .007 1.406 1.844 1 生产总值(亿元) .009 .001 .063 8.858 .072 -.004 .021 旅客周转量(亿人公里) .066 .471 .002 .140 .912 -5.913 6.044 a. 因变量: 公路客运量(万人) 可得回归方程Y=1.625X1+0.009X2+0.066X3-260.559。(Y:公路客运量，X1:总人口，X2:生产总值，X3:旅客周转量。)将2011-2015年上海总人口，生产总值，旅客周转量预测值代入方程得到2011-2015年上海公路客运量结果如下: 表3-2-2:2011-2015年上海公路客运量(单位:万人) 16 年份 2011 2012 2013 2014 2015 预测量 3599.814 3782.907 3966 4149.093 4332.185 3.3时间序列法: 3.3.1时间序列原理 时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。 3.3.2 SPSS操作步骤 ?按分析—回归—线性，打开对话框; ?将自变量输入年度，因变量输入公路客运量，单击确定。如图所示。 图3-3-1:spss操作步骤截图 17 3.3.3输出结果分析 表3-3-1:时间序列法输出结果 a输入,移去的变量 模型 输入的变量 移去的变量 方法 b1 年度 . 输入 a. 因变量: 公路客运量(万人) b. 已输入所有请求的变量。 模型汇总 模型 R R 方 调整 R 方 标准 估计的误更改统计量 差 R 方更改 F 更改 df1 df2 Sig. F 更 改 a .723 .630 206.116 .723 7.823 1 3 .068 1 .850 a. 预测变量: (常量), 年度。 aAnova 模型 平方和 df 均方 F Sig. b回归 332332.900 1 332332.900 7.823 .068 1 残差 127451.900 3 42483.967 总计 459784.800 4 a. 因变量: 公路客运量(万人) b. 预测变量: (常量), 年度。 a系数 模型 非标准化系数 标准系数 t Sig. B 的 95.0% 置信区间 B 标准 误差 试用版 下限 上限 (常量) -363014.600 130880.922 -2.774 .069 -779536.107 53506.907 1 年度 182.300 65.180 .850 2.797 .068 -25.131 389.731 a. 因变量: 公路客运量(万人) 18 可得回归方程:Y=-363014.600+182.300X1。(Y:公路客运量，X1:年度) 表3-3-2:2011-2015年上海公路客运量预测结果(单位:万人) 年份 2011 2012 2013 2014 2015 预测量 3590.7 3773 3955.3 4137.6 4319.9 3.4曲线拟合 3.4.1曲线拟合原理 曲线拟合(curve fitting)是指在因变量与自变量与一个已知或未知的的曲线或者非线性函数关系相联系的情况下，在很多情况下有两个相关的变量，用户希望用其中一个变量对另一个变量进行预测，但是又不能马上根据记录数据确定一种最佳模型，此时可以用曲线估计在众多回归模型中建立一个既简单又比较适合的模型. 3.4.2 SPSS操作步骤 ?按分析—回归—曲线估计，打开对话框; ?将因变量输入公路客运量，变量输入总人口，单击确定。如图所示。 19 图3-4-1:spss操作步骤截图 3.4.3输出结果分析 表3-4-1:曲线拟合输出结果 模型描述 模型名称 MOD_1 因变量 1 公路客运量(万人) 1 线性 2 二次 方程 a3 幂 a4 S 自变量 总人口(万人) 常数 包含 其值在图中标记为观测值的变 未指定 量 用于在方程中输入项的容差 .0001 a. 该模型要求所有非缺失值为正数。 个案处理摘要 20 N 个案总数 5 a已排除的个案 0 已预测的个案 0 新创建的个案 0 a. 从分析中排除任何变量中带 有缺失值的个案。 变量处理摘要 变量 因变量 自变量 公路客运量总人口(万人) (万人) 正值数 5 5 零的个数 0 0 负值数 0 0 用户自定义缺 0 0 失 缺失值数 系统缺失 0 0 模型汇总和参数估计值 因变量: 公路客运量(万人) 方程 模型汇总 参数估计值 R 方 F df1 df2 Sig. 常数 b1 b2 线性 .999 2729.088 1 3 .000 -324.058 1.721 二次 1.000 75302.742 2 2 .000 -3181.525 4.503 -.001 幂 .998 1949.792 1 3 .000 .710 1.103 S 1.000 11308.385 1 3 .000 9.186 -2271.547 自变量为 总人口(万人)。 21 图3-4-2:各方程拟合曲线图 ?根据以上图表，可以看出线性方程、二次方程、幂方程、S方程的R^2接近于1或者等于1，因此拟合程度都很好，尤其是二次方程和S方程的R^2=1。 ?由于S型曲线的拟合度R^2=1;sig=0，说明拟合度非常好，故选取S型曲线进行拟合，得到S曲线方程为: ln(y)=9.186-2271.547/x(y为公路客运量,x为总人口) 表3-4-2:2011-2015年上海公路客运量预测结 年份 2011 2012 2013 2014 2015 预测量 3584.563 3745.041 3898.373 4044.908 4184.995 22 4总结 4.1本设计的主要工作 本课程设计选取了上海市总人口数量、生产总值、旅客周转量3个因素作为 主要指标进行研究，对2006-2010年这5年上海市公路客运量、总人口、生产总值和旅客周转量等数据进行了一系列分析，并预测了未来2011-2015年的上海市公路客运量。本课程设计主要采用了一元线性回归法、多元回归方法，时间序列法，S曲线分析进行分析与预测，找出了公路客运量的显著影响因素，得到了公路客运量曲线拟合方程，从而能够预测未来任意年份的公路客运量。这为上海市的投资、规划、优化配置资源及其相关问题的科学决策提供可靠依据,同时为上海市公路客运量预测为上海市的公共交通规划提供有力的支持。 另外，由以上的分析成果可以看出:时间序列分析方法的预测效果最好，给出了自变量与因变量相应的拟合曲线，且拟合优度均较高，因此具有很高的实用性和科学性;曲线估计的预测准度次之;多元线性回归的预测效果较差，预测的数据跟实际有较大的差异。 4.2存在的不足 ? 在选取影响公路交通客运量的主要因素时，应尽量多选取几个指标， 本课程设计只选取了3个指标，范围不够广，导致研究领域较为狭隘; ? 在自变量的选取中，应对多个变量进行相关性分析，并选择相关度较 高的进行实验; ? 在三个预测的方法中未进行残差分析，同时也可以采用组合分析的方 法，以后需要加强检验，使预测的结果最优化; ? 由于时间有限、获取资料的不便以及本人自身学术水平有限等原因， 23 在排版及逻辑思维等方面还存在许多问题。 4.3下阶段研究需解决的问题 关于上海市公路客运需求的问题仍然存在着可以进一步研究的地方，主要由以下几点: ? 寻找最新的统计数据，以便得到更多相关资料来进行分析预测。 ? 将采用更多方法进行分析与预测，比如残差分析、组合分析，对数据 结果加强检验，使预测结果最优化。 ?在进行因素分析时，应更多地考虑与需求直接相关的因素以及因素间 的交互影响，将在这方面进行深入研究。 4.4个人感悟 24 附录 数据清单 25 26 ※※※※※※※※※※※※※※※※※※※※※※※※※※※※※ 成绩评定表 指导教师评语: 成绩: 指导教师签名: 27