中国快递包裹总量的预测-基于SARIMA模型

国家邮政局发布的数据显示,2015年4月底,快递业务量完成15亿件,同比增长50.9%。目前,快递业务量增速已连续50个月超过50%,尤其是网购旺季(双十一、双十二等),我国快递包裹在当月的总量在世界范围内没有任何国家可以相比。 电子商务的兴盛有效带动快递行业的高速发展,反之,快递行业的提升也为电子商务的增长提供配套支撑。

不过,快递业在迅猛发展的同时,也让行业“亚健康”的现状越发凸显。业内人士表示,虽然国内快递行业仍在高速增长,但目前运营“压力山大”,比如人员、车辆、场地等问题。

国家统计局网站公布的快递包裹量数据可以看作是标准的时序数据,但与普通时序数据不同的是,它的数值变化存在明显的季节性波动。处理季节性时间序列只用ARMA方法是不够的。描述这类序列的模型之一是季节时间序列模型(Seasona ARIMA Model),用SARIMA表示。

本文旨在通过SARMA模型研究中国快递包裹总量变化情况,并测算合理参数构建模型用于预测,以帮助有关部门提前了解快递量需求,做好相应对策。从国家统计局网站下载2003年1月至2014年12月的快递量-当期值(万件),首先,通过时间序列图对快递包裹量变化情况作一个直观判断。

上代码,R语言实现:

install.packages("forecast")

library(tseries)

#加载时间序列程序包

library(forecast)

require(graphics)

#快递包裹量(国家统计局数据)

ts.plot(exp)

#作这个时间序列的图,通过图作一个直观判断

从上图可以看出,从2008年开始,我国快递包裹量呈级数增长,并且存在明显的周期性变化,快递行业在此期间飞速发展。这种周期是由于季节性变化(包括季度、月度、周度等变化)或其他一些固有因素引起的。这类序列称为季节性序列。在快递包裹运输领域中,季节性影响是不可避免的。处理季节性时间序列只用ARMA方法是不够的。描述这类序列的模型之一是季节时间序列模型(Seasonal ARIMA Model),用SARIMA表示。

par(mfrow=c(1,2))

acf(exp)

#查看自相关图

pacf(exp)

#查看偏相关图

经过图形观察,可以初步判断出:

1.我国快递包裹量有明显呈级数增长趁势;

2.包裹量的变化存在季节性因素;

3.通过自相关-偏自相关图可以看出,应该使用MA()模型来拟合。

接下来使用R软件时间序列包的decompose函数对包括时序数据进行分解,分别为随机、趋势、季节。

x<-decompose(exp)

#通过decompose 进行分解:随机、趋势、季节

plot(x)#作图查看

通过随机、趋势、季节三张图可以看出,我国快递包裹量呈级数增长;包裹量的变化存在季节性因素;时序随机性变化平稳。

plot(x$seasonal)

通过以上分析,选择ARIMA(0,1,1)(0,1,1)[12]模型拟合数据效果最好,下面进行模型定阶检验:

exp.fit <- arima(exp,order=c(0,1,1), seasonal=list(order=c(0,1,2), period=12))nobs(exp.fit)

## [1] 131

tsdiag(exp.fit)

模型预测

arimafit<-auto.arima(exp)

plot(forecast(arimafit,h=20))

exp.forecast <- forecast(exp,4)

#给出80%,95%置信度下的置信区间,向前预测12期,默认情况下24期

plot.forecast(exp.forecast)

b=exp.forecast$mean #2015年预测值

a=c(144570.40,81779.50,142537.80,151483.90)

#2015年真实值

(b-a)/a

#误差

## Jan Feb Mar Apr

## 2015 0.7768333 1.3146107 0.8487638 0.6584730

除了二月份,其余三个月的预测值可以说非常准。二月份之所以不准,主要原因是赶上春节假期,全国休假,包裹量骤降是必然的。

综上所诉,针对带有季节波动性的时序数据,SARIMA模型明显优于ARIMA模型。通过SARIMA模型的预测结果可以看出,今后几年,我国快递行业将保持持续快速发展态势。

全国还有将近一半的乡镇不通快递。在这些乡镇,人们网购还不像北上广等大城市居民那样方便。还有很多农民盼望着快递企业可以帮助他们利用网络打开市场。因此,中国快递市场增长空间仍然十分巨大。


原文发布于微信公众号 - 大数据挖掘DT数据分析(datadw)

原文发表时间:2016-09-17

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏量子位

CMU科学家们带一群机器人开房,并收集了28,000种不同的姿势

来自卡耐基梅隆大学 (CMU) 的四个科学家,在一篇论文里说,他们带着一群机器人去住Airbnb了。

610
来自专栏AI科技大本营的专栏

怼完Sophia怼深度学习!细数完大神Yann LeCun 这些年怼过的N件事,原来顶级高手是这样怼人的...

图片来源:PCmag.com 十多个小时前,深度学习大神Yann LeCun语出惊人,他宣布放弃“深度学习”这个词。因为媒体对这个词的炒作言过其实,混淆了大家真...

34116
来自专栏PPV课数据科学社区

【职业】以什么姿势进入DataMining会少走弯路?

前言:大数据时代早已经来临,很多年轻人急着闹着想要跻身于大数据行业,不免也有一些不得志的中年人。自然而然的会报各种培训班,理所当然认为付出总有一天会赚回来的。但...

3035
来自专栏大数据文摘

Keras作者François Chollet:一位“网红”科学家的自我修养

1452
来自专栏机器之心

中科视拓获数千万pre-A轮融资,机器之心专访山世光

2766
来自专栏数据派THU

【独家】微软郑宇:大数据驱动智能城市讲座精华(附PPT)

[导读]本文整理自微软亚洲研究院“城市计算”领域负责人郑宇博士近期在清华大数据讲座上的分享内容。郑宇主持研发的Urban Air首次利用大数据来监测和预报细粒度...

2368
来自专栏量子位

深度学习get新技能:能分辨48种野生动物,准确率92%

李杉 编译自 NewScientist 量子位 报道 | 公众号 QbitAI 春天来了,万物复苏。在坦桑尼亚西北部的塞伦盖蒂大草原上,计算机们正在履行它们的职...

4067
来自专栏CSDN技术头条

数据挖掘历史中的重要里程碑

数据挖掘现在随处可见,而它的故事在《点球成金》出版和“棱镜门”事件发生之前就已经开始了。下文叙述的就是数据挖掘的主要里程碑,历史上的第一次,它是怎样发展以及怎样...

2007
来自专栏新智元

首发:人脸识别世界杯榜单出炉,微软百万名人识别竞赛冠军分享

【新智元导读】业界公认人脸识别“世界杯”的微软百万名人识别竞赛 MS-Celeb-1M 结果出炉:百万名人识别子命题,Panasonic-新加坡国立大学合作夺得...

3226
来自专栏新智元

Science专访谷歌Magenta负责人:AI创作焦点是机器学习算法

【新智元导读】Science 专访了 Magenta 项目负责人 Douglas Eck ,谈到了谷歌大脑正在进行的包括 AI 音乐、绘画、笑话生成在内的多个项...

3417

扫码关注云+社区