基于多元线性回归模型的农村客运需求预测

　　摘要：采用多元线性回归模型分析了农村客运需求的影响因素，找到主要因素，利用这些因素建立回归预测模型，对中国农村客运需求进行了短期预测，为中国公路客运的发展规划提供参考。

　　关键词：多元线性回归;农村客运;需求预测;多元线性回归模型

　　中图分类号：U492.4

　　文献标识码：A

　　DOI： 10.15913/j.cnki.kjycx.2019.11.057

　　《中国农资》杂志作为一个高端传媒，整合了平面和网络2大资源，与中国农业生产资料集团公司、中国农资流通协会、中国市场学会、各省市农资公司、浩伦农科集团公司等有关单位构成强大的战略合作伙伴关系，形成一个农资业界的高端平台。其读者群涉及国家行业主管部门、行业协会以及生产经销企业。

　　农村公路客运量与地区生产总值、农林牧渔业总产值、公路通车里程、城乡人口、城乡收入相关性都较高，因此可以以这几个因素作为自变量，将农村公路客运量作为因变量，建立多元回归模型，用GM(1，1)模型预测自变量未来三年的数值，带人多元线性回归模型，则可以得到未来三年的农村公路客运量。

　　1 多元线性回归模型参数的确定

　　基于Excel数据分析工具箱的多元线性回归模型各项参数的计算非常复杂，目前可以通过Matlab工具箱或者Excel数据分析工具箱进行求解，这里运用Excel数据分析工具箱进行求解。首先确定旅客周转量为因变量y，Xl为地区生产总值，X2为农林牧渔业总产值，X3为公路通车里程，X4为城乡人口，x5为城乡收入.函数关系式为：

　　y=β0+β1x1l+β2x2+…+β5x5

　　(l)

　　某县历年客运量相关因素数据如表1所示。根据表1，运用Excel数据分析工具箱中的回归功能进行分析。

　　通过对表1进行回归分析，得到表2、表3、表4各項数据。表2中R Square表示R2，R2的计算值为0.999 998 71，非常接近1，说明回归平面拟合程度很高。

　　从表3可以看出，SignificanceF约为0.001 9，小于显著水平约束0.05，说明回归方程回归效果显著。

　　表4中Coefficients列表显示多元线性回归模型中各项参数值，最终得到的回归方程为：

　　y= - 344 488.404 9 - 0.010 569 154x1+0.037 768 105x2+73.758 442 36x3+2 022.070 026x4-0.895 088 77lxs (2)

　　将表1中2017年数据代人式(2)进行计算，得到2017年客运需求量预测值为67 281.200 04，对比实际值67 280，误差为0.001 783 612%，准确度较高。

　　2 利用GM(1，1)模型得到各影响因素的预测值

　　根据GM(1，1)模型利用表1中三年的地区生产总值、农林牧渔业总产值、公路通车里程、城乡人口、城乡收入数据进行预测。

　　通过Matlab程序进行计算，得到各影响因素的预测值如表5所示，数据拟合和预测曲线如图1所示。

　　3 结论

　　通过上述分析，确定影响农村公路客运量的主要因素有地区生产总值、农林牧渔业总产值、公路通车里程、城乡人口、城乡收入，确定的多元线性回归模型，计算得到该县2020年、2021年和2022年农村公路客运量的预测值分别为68 982万人千米、70 594万人千米、72 002万人千米，预测结果显示农村客运需求在未来五年呈逐年增长的趋势。

　　参考文献：

　　[1]王彬.基于灰色回归组合模型的铁路客运量预测研究[J].重庆理工大学学报(自然科学)，2017，31( 11)：231-234.

　　[2] MILOS Milenkovic， LIBOR Svadlenka， VLASTIMILMelichar.SARIMA modelling approach for railwaypassenger flow forecasting[J].Transport， 2015( 10)：1-8.

　　[3]王春辉，周生路，吴绍华，等.基于多元线性回归模型和灰色关联分析的江苏省粮食产量预测[J].南京师大学报(自然科学版)，2014，37 (4)： 105-109.