Венедиктов Геннадий Львович, канд. техн. наук, генеральный директор
Санкт-Петербург, 194291
Gennadiy L. Venediktov, Cand. Sci. (Eng.), General Director
St. Petersburg, 194291
Кочетков Валерий Михайлович, канд. физ.-мат. наук, руководитель проекта
Санкт-Петербург, 194291
Valeriy M. Kochetkov, Cand. Sci. (Phys.-Math.), Head of the Project
St. Petersburg, 194291
В связи с тем, что автокорреляция временных рядов пассажирского спроса в обычных условиях является, как правило, практически непроявленной, традиционные методы прогнозирования, основанные на учете автокорреляционных зависимостей, оказываются недостаточно эффективными. В статье предлагается непосредственный учет основного фактора, влияющего на точность прогнозирования, а именно фактора сезонной неоднородности спроса. Этот учет производится на основе полиномиальной регрессии для временной зависимости спроса. На конкретном расчетном примере демонстрируются сравнительные преимущества такого подхода к оценке прогноза спроса на железнодорожном транспорте.Регрессионный подход применяется к недельно-усредненным показателям спроса для временной области, где эти показатели считаются известными по истории продаж. При наличии в зоне прогноза недельной неоднородности спроса предлагается алгоритм восстановления такой неоднородности по исходным данным.Точность прогноза на основе предлагаемого метода сравнивается с результатами, достигаемыми на базе модели ARIMA, обнаруживающей, согласно проведенным предварительным оценкам, достаточно высокие точностные параметры. На расчетных примерах показано, что для рядов спроса, которые могут считаться характерными для сферы пассажирского сообщения, регрессионный подход дает точность прогноза более высокую, чем модель ARIMA. Рассмотрены причины, в силу которых для типичных рядов пассажирского спроса регрессионный подход может рассматриваться как более перспективный, чем методы, включающие учет автокорреляционности.
Due to the fact that the autocorrelation of time series of passenger demand under normal conditions is, as a rule, practically undeveloped, traditional forecasting methods based on taking into account autocorrelation dependences are not effective enough. The article proposes a direct accounting of the main factor affecting the accuracy of forecasting, namely the factor of seasonal heterogeneity of demand. This accounting is made on the basis of polynomial regression for the time dependence of demand. A specific design example demonstrates the comparative advantages of this approach to assessing the forecast of demand for rail transport.The regression approach is applied to the weekly averaged demand metrics for the time domain, where these metrics are considered known from the sales history. If there is a weekly demand heterogeneity in the forecast zone, an algorithm is proposed to restore such heterogeneity from the initial data.The forecast accuracy based on the proposed method is compared with the results achieved on the basis of the ARIMA model, which reveals, according to preliminary estimates, fairly high accuracy parameters. It is shown on the calculated examples that for the series of demand, which can be considered typical for the sphere of passenger traffic, the regression approach gives the forecast accuracy higher than the ARIMA model. The reasons are considered, due to which, for typical series of passenger demand, the regression approach can be considered as more promising than methods that include taking into account autocorrelation.
The authors declare that there are no conflicts of interest present.