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

来自专栏新智元

DeepMind后继有人,图式网络通用性完胜AlphaGo?

【新智元导读】一家名为 Vicarious 的初创公司开发出了一个新的具有突破意义的 AI,名为“图式网络”(Schema Network)。这一网络被用来和 ...

3218
来自专栏大数据文摘

各大宗教如何看待奇点来临?

2699
来自专栏新智元

全球十五年脑神经研究并未作废,人工智能大国竞争继续

【新智元导读】日前有媒体报道,一篇PNAS论文的发现让“15年的脑神经科学研究作废”。脑科学正是大国竞争之地,相关研究也与人工智能发展联系紧密,该结果真的具有这...

3996
来自专栏华章科技

22岁大学生获谷歌天价offer,年薪百万!

导读:在印度各地的顶级工程学院中,通过院校的安排获得一个高薪的工作是十分常见的,但如果你能一个世界顶级科技企业的offer,而且年薪千万,你会有怎样的心情呢?

552
来自专栏量子位

史上规模最大的无人车道德研究:人们更倾向牺牲乘客而非行人

今天的故事发生在麻省理工大学(MIT)Media Lab,一项有史以来规模最大的无人车道德研究首次透露成果。

782
来自专栏数据猿

大数据告诉你80、90辣妈们手机里的秘密

<数据猿导读> 80、90后辣妈作为这个时代的新新人类,既玩的了文艺小清新,也能剽悍敬业成为职场女强人,那她们究竟关注什么领域,爱用哪些APP你造吗?今天大数据...

3184
来自专栏新智元

【热点】谷歌腾讯FACEBOOK最新必争之地:神经网络翻译NMT

【新智元导读】 5月10日,Facebook发布了一项新的机器翻译技术,使用CNN技术而非传统的RNN,在翻译准确度超越了此前被认为是2016年10大AI突破技...

57726
来自专栏华章科技

用 Python分析胡歌的《猎场》到底值不值得看?

首页总评分评分两级分化严重,“差评”占主 在目前11463个评价中两级分化严重,“1星”占比最高为28.6%,其次为“5星”的25.4%。“好评”(5星、4星)...

563
来自专栏机器之心

ICML 2018 | 腾讯张潼中8篇论文,清华排名国内居首:大会论文接收情况一览

第 35 届机器学习技术国际会议(ICML)于 7 月 10 日在瑞典首都斯德哥尔摩举行。ICML 是 AI 领域最负盛名的学术会议之一,也是很多研究人员发表研...

722
来自专栏邱翔的终身学习

Stay foolish, Stay hungry

外行人思维更利于创新 “我想要这样”,而不是“能不能实现” 就是要像外行人一样找创意,然后用专家的方法去实现它 懒惰是预测未来发展趋势的最佳方式

2983

扫描关注云+社区