1、设计铁路能力的依据。  客运量是选定铁路主要技术标准的依据，而主要技术标准又决定着运输装备的能力，它不应小于调查或预测的客运量，以满足国家要求的运输任务；

2、是评价铁路经济效益的基础。  客运量决定铁路的运营收入、运输成本等经济效益指标。客运量大，则收入多、成本低；

3、是影响线路方案取舍的重要因素。  铁路选线中，出现大量的线路方案比较。若运量大，则投资大的方案中选，运营支出小。

总之，若调查或预测的客运量偏大，则铁路标准偏高，技术装备能力也偏高，因而投资较大。但运营后发现实际运量偏小，则会造成铁路能力闲置，投资浪费，由于运营收入少，铁路的经济效益必然降低；若调查或预测的客运量偏小，虽初期投资省，但运营后能力很快就会饱和，从而过早的引起铁路改扩建，追加投资增大，也不经济。

二、影响客运量的因素

直通吸引范围：等距离原则划定（“哪边近走哪边”），上下行分别勾画；

地方吸引范围：运价最低（运距最低）原则确定（“哪边花钱少走哪边”）。

随着社会经济的不断发展，客运量也在不断增加，因此，只有把握住影响客运量增长的因素，才能更好地预测出客运量的大小。影响因素主要有：

1、国家的政治、经济形势，国民经济的增长速度与发展战略，运价和旅客对运费的承受能力，这些因素，在预测远期运量时需加以考虑；

2、设计线在路网中的地位和作用，以及邻接铁路的布局和能力，都将影响直通客运量；

3、设计线沿线的资源情况，工矿、电力等大型企业的发展规划，农林牧副渔和乡镇企业的发展情况，以及城乡人口、人均收入的增长情况，也将影响地方客运量；

4、设计线沿线的公路、水运等交通状况和发展规划，将影响设计线分担客运量的比重；

5、突发事件的影响：疾病、自然灾害等。

三、客运量预测方法

定性预测方法是主要以预测人员的经验判断为依据而进行的预测。预测者根据自己掌握的实际情况、实践经验、专业水平，对未来货运发展前景的性质、方向和程度做出判断。其特点为:需要的数据少，能考虑无法定量的因素，比较简便可行。

定性预测方法：经济调查法（直接估算法：根据规划线吸引范围内的经济、人口、人均收入等情况，比照邻接铁路每天开行的旅客列车对数，直接估计规划线运营初期每天需要开行的列车对数，远期可按每隔若干年增加一对估算）、德尔菲法（专家调查法）、类推法（时间类推和局部类推）、头脑风暴法等。但这种方法往往在很大程度上取决于参加预测的人员的经验、专业理论水平以及所掌握的实际情况，因此存在片面性，准确性不高的缺点。

定量预测方法则是以历史统计资料和有关信息为依据，运用各种数学方法来预测未来客运市场需求情况，即未来的运量。定量预测方法最大的优点就是客观性，这类方法的预测精度和可靠性在很大程度上取决于数据的准确性和预测方法的科学性。

定量预测方法：时间序列法（移动平均法、指数平滑法、季节指数法、自回归分析、趋势外推法、灰色预测法）、影响因素分析法（回归分析法、系数法：乘车系数和产值系数）、四阶段法（交通生成、交通分布、交通方式划分、交通流分配）。

时间序列分析预测法是一种依据客运量的历史变化趋势，找出其随时间变化的规律，并通过数学模型来表示，然后根据模型来进行预测的方法。这种方法的主要优点是需要数据少、简便，只要所研究的运量时间序列的趋势没有大的波动，预测效果较好。这类方法的缺点是无法反映出运量变化的原因，对于影响运量变化的外部因素变化，如调整经济和发展速度而引起的运输需求的变动无法反映。

影响总运输需求的主要因素有很多，但具体的预测目标类型、范围是不同的，必须细致地分析其最主要的影响因素，设法将其用量化指标反映出来。通过对过去和现在的指标数据进行分析研究，可以找出运输需求与相关经济量的关系，用于对运量进行预测。这类预测方法在数据量足够多的情况下，常可获得较好的精度，并提供运量变化原因方面的信息。其缺点是自变量、外在变量指标未来值的选择，本身就带有预测性（比如：乘车系数法中未来人口的预测），影响预测的准确程度。

新建铁路预测方法：没有统计资料，只有在调查研究的基础上，借助预测者的丰富经验，并和与规划线条件相近的既有线类比来进行预测。

目前，对新的预测方法的研究已取得了一些成果，如将灰色系统理论、神经网络理论、遗传算法理论及组合方法引入到客运量预测中。

现在应用的预测方法：客运量是非线性系统

2、BP（Back Propagation）神经网络（按误差逆传播算法的非循环多级前馈神经网络）模型：信息的正向传播和误差的反向传播。误差是否收敛、误差可接受程度或预设次数。 合理选用传递函数。具有预测精度高、收敛速度快等特点。

3、遗传算法(GA)是一种基于自然选择（达尔文进化论）和基因遗传学（孟德尔）原理的优化搜索方法。遗传算法在计算机上模拟生物的进化过程和基因的操作，并不需要对象的特定知识，也不需要对象的搜索空间是连续可微的，它具有全局寻优的能力。

四、灰色模型与线性回归模型组合的预测方法

灰色系统认为一切随机量都是在一定范围内、一定时段上变化的灰色量和灰过程。对于灰色量的处理不是寻求它的统计规律和概率分布，而是将杂乱无章的原始数据列，通过一定的方法处理，变成比较有规律的时间序列数据。即以数找数的规律，再建立动态模型。这就弥补了概率统计方法的不足。

铁路运量的增长，受国民经济各部门多层次多因素的影响。这些因素有可知的，有未知的，因而可用灰色模型寻求运量增长与时间序列的规律。

不需要大量的统计数据就可以建立数学模型，利用有限的统计数据推导系统本身的发展规律；不需要统计数据具有典型的分布规律，数据的波动可经过累加处理，弱化其影响。

但适用于单一的指数增长数据序列，对于出现的异常数据无法处理，因此与线性回归模型结合起来，处理这些异常数据。

建模过程：

（1）数据处理

如图，某省历年统计数据，用表示，很明显，2003年的运量突降，属于变异数据，因此需要对其进行调整。

取原始数据序列，用公式计算数据级比，然后求出级比平均值，得到调整后的2003年的客运量为5344万人，从而调整后的数据序列，将各年度统计量逐年累加，得。

（2）用微分方程拟合数据序列

一阶微分方程的形式为，该微分方程的解为，

式中 —参数，可由最小二乘法求得，即  

 ，，求出参数后便建立起灰色预测模型。

（3）预测值的还原

模型计算出来的是预测的累加值，记为，因此还要进行真正预测值的还原，即预测值。

（4）精度检验

方差比c：c=S2/S1

小误差概率p：

式中  S1—原始数据列的均方差，，

S2—残差的均方差，，。    

（5）残差修正

灰色理论中灰色预测方法的优点是算法简单，易于掌握，运算速度快，模型的拟合精度较高，对于短期预测能给出很好的预测效果，缺点是对于具有波动性的系统预测的效果不是很理想。交通流本身具有很多不确定性的因素，受环境因素、突发事件的影响比较大，具有很强的波动性，因此在短期交通流预测中预测的精度往往不高。下载本文