鐵路貨運(yùn)量的預(yù)測(cè)方法

鐵路貨運(yùn)量的預(yù)測(cè)方法鐵路貨運(yùn)量預(yù)測(cè)技術(shù)一般可以分為三大類，定性分析預(yù)測(cè)技術(shù)、定量分析預(yù)測(cè)技術(shù)以及兩者相結(jié)合的綜合預(yù)測(cè)技術(shù)。定性預(yù)測(cè)分析技術(shù)，通常指那些憑經(jīng)驗(yàn)判斷的預(yù)測(cè)，一般是在缺少進(jìn)行定量分析所必需的資料的情況下采用，側(cè)重于研究推斷預(yù)測(cè)對(duì)象未來發(fā)展的大體趨勢(shì)和性質(zhì)，其預(yù)測(cè)的精確度，主要取決于參與人員的專業(yè)知識(shí)和經(jīng)驗(yàn)。定量分析預(yù)測(cè)技術(shù)，是指以已經(jīng)掌握的歷史數(shù)據(jù)作為基礎(chǔ)，建立適當(dāng)?shù)慕?jīng)濟(jì)數(shù)學(xué)模型，對(duì)未來的運(yùn)量做出測(cè)算的技術(shù)。其特點(diǎn)是有明顯的數(shù)量概念，側(cè)重于研究測(cè)算對(duì)象的發(fā)展程度（包括數(shù)量、時(shí)間、相關(guān)因素的比值等）。定量預(yù)測(cè)和定性預(yù)測(cè)，各有其長(zhǎng)處和局限性，實(shí)際應(yīng)用中往往需要把定量預(yù)測(cè)和定性預(yù)測(cè)方法相結(jié)合，即在定性分析的基礎(chǔ)上進(jìn)行定量預(yù)測(cè)，而定性預(yù)測(cè)也采用一定的定量預(yù)測(cè)分析方法，以提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。因此，綜合預(yù)測(cè)技術(shù)是貨運(yùn)量預(yù)測(cè)經(jīng)常采用的方法。1貨運(yùn)量的定性預(yù)測(cè)定性預(yù)測(cè)方法主要以專家為索取信息的對(duì)象，組織各方面專家運(yùn)用專業(yè)方面的經(jīng)驗(yàn)和知識(shí)，通過對(duì)過去和現(xiàn)在發(fā)生的問題進(jìn)行綜合分析，從中找出規(guī)律，對(duì)未來作出判斷。主要為專家預(yù)測(cè)法，該預(yù)測(cè)方法在缺乏足夠的統(tǒng)計(jì)數(shù)據(jù)和原始資料的情況下，憑借專家的經(jīng)驗(yàn)和判斷能力，用系統(tǒng)的、邏輯的思維方法作出定量估價(jià)，從而預(yù)測(cè)未來。該方法需要的數(shù)據(jù)少，能考慮無法定量的因素，比較簡(jiǎn)單易行?；ㄙM(fèi)的時(shí)間少，是應(yīng)用歷史較久的一種方法，至今在各類預(yù)測(cè)方法中仍占重要地位。但這種方法在很大程度上取決于專家的實(shí)踐經(jīng)驗(yàn)和專業(yè)水平，存在片面性、準(zhǔn)確度不太高的缺點(diǎn)。只能作為貨運(yùn)量預(yù)測(cè)的一種輔助方法。專家個(gè)人判斷預(yù)測(cè)方法（個(gè)人頭腦風(fēng)暴法）專家個(gè)人判斷預(yù)測(cè)方法就是以“專家”的“微觀智能結(jié)構(gòu)”通過創(chuàng)造性思維來獲取未來信息。即依靠專家對(duì)預(yù)測(cè)對(duì)象未來的發(fā)展趨勢(shì)及狀況所做的個(gè)人判斷進(jìn)行預(yù)測(cè)。這是一種由來已久的預(yù)測(cè)方法，并在有關(guān)領(lǐng)域?qū)＜覀€(gè)人的實(shí)際工作中自發(fā)進(jìn)行。優(yōu)點(diǎn)是可以最大限度地利用個(gè)人的創(chuàng)造能力，不受外界環(huán)境的影響，沒有心理壓力，并且組織工作簡(jiǎn)單，預(yù)測(cè)成本低。缺點(diǎn)是預(yù)測(cè)的準(zhǔn)確度取決于專家的個(gè)人知識(shí)和經(jīng)驗(yàn)的廣度和深度，專家個(gè)人所占資料的多少，以及對(duì)預(yù)測(cè)對(duì)象興趣大小等，因此，預(yù)測(cè)難免有片面性。這里“智能結(jié)構(gòu)”包括人的智力和所擁有的知識(shí)、經(jīng)驗(yàn)和資料信息。頭腦風(fēng)暴法(2)頭腦風(fēng)暴法又稱智暴法，是由奧斯邦(A.F.Osborn)于1957年提出的頭腦風(fēng)暴法是以一組專家集體的“宏觀智能結(jié)構(gòu)”(通過專家“微觀智能結(jié)構(gòu)”之間的信息交流，互相啟發(fā)，引起“思維共振”，相互補(bǔ)充，產(chǎn)生組合效應(yīng)，形成宏觀智能結(jié)構(gòu))，通過創(chuàng)造性邏輯思維來獲取所要預(yù)測(cè)事件的未來信息，也可以分析清楚一些問題和影響，特別是一些交叉事件的相互影響。其優(yōu)點(diǎn)是：能最大限度地發(fā)揮若干專家組成的團(tuán)體的智能結(jié)構(gòu)效應(yīng)，且不受外界影響，沒有心理壓力，此效應(yīng)往往大于這個(gè)團(tuán)體中每個(gè)成員單獨(dú)創(chuàng)造的總合；通過信息交流，進(jìn)而激發(fā)創(chuàng)造性思維，并在短期內(nèi)取得成果；與“個(gè)人判斷”相比，專家會(huì)議的信息量大于個(gè)人占有的信息量：考慮的因素比個(gè)人考慮的多；提供的方案比個(gè)人提供的要具體全面。缺點(diǎn)是：有限的會(huì)議專家，代表不夠廣泛；易受個(gè)人自尊心的影響，不輕易改變自己已經(jīng)發(fā)表過的意見，易受勸說性的影響，易屈服于權(quán)威或大多數(shù)人的意見，多數(shù)壓服少數(shù)，忽略少數(shù)人的意見。頭腦風(fēng)暴可分為創(chuàng)業(yè)頭腦風(fēng)暴和質(zhì)疑頭腦風(fēng)暴兩種方法。創(chuàng)業(yè)頭腦風(fēng)暴就是組織專家對(duì)所要解決的問題，開會(huì)討論，各持己見地、自由地發(fā)表意見，集思廣益，提出所要解決問題的具體方案。質(zhì)疑頭腦風(fēng)暴就是對(duì)已制定的某種計(jì)劃方案，召開專家提出質(zhì)疑，去掉不合理的部分，補(bǔ)充不完善的部分，使計(jì)劃方案趨于完善。德爾菲法德爾菲是美國“蘭德”公司于1964年首先用于技術(shù)預(yù)測(cè)的。德爾菲法實(shí)質(zhì)上是函詢調(diào)查法，是專家會(huì)議預(yù)測(cè)法的一種發(fā)展。它以匿名方式將所需預(yù)測(cè)的問題和必要的背景材料通過函詢方式征求專家們的意見。預(yù)測(cè)組織者將收到的答復(fù)，經(jīng)過綜合、歸納和整理再反饋給函詢專家，這樣的反復(fù)幾次，直到得到較為滿意預(yù)測(cè)目標(biāo)結(jié)果為止。需要預(yù)測(cè)的問題經(jīng)過幾次反復(fù)征詢，通過專家們反復(fù)分析判斷，提出新的論征，專家們的意見日趨一致，結(jié)論的可靠性越來越大。德爾菲法是“系統(tǒng)分析”方法在意見和價(jià)值判斷領(lǐng)域內(nèi)的一種有益延伸。它突破了傳統(tǒng)的數(shù)量分析限制，為更合理地決策開闊了思路。由于對(duì)未來發(fā)展中的各種可能出現(xiàn)和期待出現(xiàn)的前景作出概率估價(jià)，因而為決策者提供了多方案選擇的可能性。對(duì)其他方法來說，一般難以獲得這樣重要的用概率表示的明確答案。2貨運(yùn)量的定量預(yù)測(cè)定量預(yù)測(cè)方法是在充分占有大量準(zhǔn)確、系統(tǒng)完備的數(shù)據(jù)資料基礎(chǔ)上，根據(jù)貨運(yùn)需求的規(guī)律和自身特點(diǎn)結(jié)合實(shí)際經(jīng)驗(yàn)和客觀條件，選擇或建立定量化的數(shù)學(xué)模型，通過分析和計(jì)算，推斷貨運(yùn)量的發(fā)展變化趨勢(shì)的一種預(yù)測(cè)方法。2.1時(shí)間序列平滑預(yù)測(cè)模型時(shí)間序列平滑預(yù)測(cè)法主要研究事物的自身發(fā)展規(guī)律，借以預(yù)測(cè)事物的未來發(fā)展趨勢(shì)。預(yù)測(cè)所依據(jù)的基本假定是：經(jīng)濟(jì)變量過去的發(fā)展變化規(guī)律，在未發(fā)生質(zhì)變的情況下，可以被延伸到未來時(shí)期。在預(yù)測(cè)期與觀測(cè)期的經(jīng)濟(jì)環(huán)境基本相同時(shí)，這一假定可以被接受。（一）移動(dòng)平滑法移動(dòng)平滑法是以假定預(yù)測(cè)值與預(yù)測(cè)期相鄰的若干觀察期限數(shù)據(jù)擁有密切關(guān)系為基礎(chǔ)的一種方法。是根據(jù)時(shí)間序列資料逐項(xiàng)推移，依次計(jì)算包含一定項(xiàng)數(shù)的時(shí)序平均數(shù)，以反映長(zhǎng)期趨勢(shì)的方法。當(dāng)時(shí)間序列的數(shù)值由于受周期變動(dòng)和不規(guī)則變動(dòng)的影響，起伏較大，不易顯示出發(fā)展趨勢(shì)時(shí)，可用移動(dòng)平滑法，消除這些因素的影響，分析預(yù)測(cè)序列的長(zhǎng)期趨勢(shì)。1.加權(quán)移動(dòng)平滑法此方法克服了簡(jiǎn)單移動(dòng)平滑法中的不足之處一每期數(shù)據(jù)在平均中的作用是等同的。實(shí)際上，每期數(shù)據(jù)包含的信息量并不一樣，近期數(shù)據(jù)通常有更多未來信息。我們可以考慮各期數(shù)據(jù)的重要性，對(duì)近期數(shù)據(jù)給予更大的權(quán)重，然后求運(yùn)量數(shù)與對(duì)應(yīng)權(quán)數(shù)之積，再求平均值，以加權(quán)平均值作為預(yù)測(cè)期的預(yù)測(cè)值。該方法較之簡(jiǎn)單移動(dòng)平均值法靈活，更能反映實(shí)際情況和發(fā)展趨勢(shì)。但權(quán)數(shù)到底取多大，則需要按照預(yù)測(cè)者對(duì)序列的了解和分析來確定。2.趨勢(shì)移動(dòng)平均法在時(shí)間序列沒有明顯趨勢(shì)變動(dòng)時(shí)，能夠較準(zhǔn)確地反映實(shí)際情況。但當(dāng)時(shí)間序列出現(xiàn)直線增加或減少變動(dòng)趨勢(shì)時(shí)，用加權(quán)移動(dòng)平滑法來預(yù)測(cè)就會(huì)出現(xiàn)滯后偏差。趨勢(shì)移動(dòng)平均法就是通過做兩次移動(dòng)平滑，利用移動(dòng)平滑滯后偏差的規(guī)律來建立直線趨勢(shì)的預(yù)測(cè)模型。也叫雙重移動(dòng)平滑法或二次移動(dòng)平滑法。（二）指數(shù)平滑法指數(shù)平滑法即指數(shù)滑動(dòng)平均法，也稱指數(shù)加權(quán)移動(dòng)平滑法。其運(yùn)用整個(gè)時(shí)間數(shù)列的全部資料，通過指數(shù)進(jìn)行加權(quán)平均，對(duì)未來趨勢(shì)進(jìn)行預(yù)測(cè)。這種方法的優(yōu)點(diǎn)是克服了移動(dòng)平均法需要數(shù)據(jù)存儲(chǔ)大的缺點(diǎn)，保持了移動(dòng)平均法的優(yōu)點(diǎn)，它只需要最近一期的運(yùn)量預(yù)測(cè)數(shù)實(shí)際運(yùn)量可預(yù)測(cè)下一期的數(shù)值。因此在實(shí)際工作中得到了廣泛應(yīng)用。指數(shù)平滑法通過使預(yù)測(cè)與以前的歷史資料全面地聯(lián)系，不僅消除了受期數(shù)限制的缺陷，而且各期權(quán)數(shù)由近至遠(yuǎn)表現(xiàn)為權(quán)數(shù)值依次減小，這樣，越接近近期的資料對(duì)預(yù)測(cè)值影響越大，反之，影響越小。指數(shù)平滑法預(yù)測(cè)趨勢(shì)線比實(shí)際變動(dòng)線平滑。這是因?yàn)橹笖?shù)是大于零的小數(shù)，用它作權(quán)數(shù)所計(jì)算的預(yù)測(cè)值其波動(dòng)范圍必然小于實(shí)際波動(dòng)范圍。用指數(shù)平滑法所求得的預(yù)測(cè)值中，消除了實(shí)際數(shù)中的某些偶然因素，能比較明確的反映長(zhǎng)期發(fā)展趨勢(shì)，這也是符合客觀經(jīng)濟(jì)變化規(guī)律的。指數(shù)平滑法和移動(dòng)平滑法不同的是，指數(shù)平滑使用以前全部的數(shù)據(jù)來決定某一特別時(shí)間序列的平滑值。指數(shù)平滑法是加權(quán)移動(dòng)平均法的進(jìn)一步完善和發(fā)展，是根據(jù)實(shí)際值，與預(yù)測(cè)值分別以不同權(quán)數(shù)計(jì)算加權(quán)平均數(shù)作為下期的預(yù)測(cè)值。指數(shù)平滑法可以分為一次指數(shù)平滑法、二次指數(shù)平滑法和多次指數(shù)平滑法。2.2ARMA模型自回歸移動(dòng)平均模型口ARMA模型□也稱博克斯一詹金斯口BoxJenkins□法□簡(jiǎn)寫作B-J方法。自回歸移動(dòng)平均模型通過從數(shù)據(jù)自身當(dāng)中提取各種因素來解釋序列的變化規(guī)律。這種方法一方面認(rèn)為序列可以由其自身的某些滯后序列進(jìn)行解釋，這樣形成AR模型；另一方面認(rèn)為時(shí)間序列是由若干白噪聲序列的某種組合，這樣形成MA模型，而將兩種模型進(jìn)行有機(jī)地結(jié)合形成ARMA模型。對(duì)于平穩(wěn)可逆的模型來說，它事實(shí)上是無限階的AR模型或MA模型的等價(jià)形式，因此有效的ARMA模型可以彌補(bǔ)單純應(yīng)用AR模型或MA模型導(dǎo)致參數(shù)過多的問題，從理論上來講，能夠較大地提高估計(jì)的精度并且節(jié)省計(jì)算量。這是一種典型的隨機(jī)型時(shí)間序列分析方法，常用于對(duì)隨機(jī)性波動(dòng)較頻繁序列的短期預(yù)測(cè)。自回歸移動(dòng)平均模型適用于平穩(wěn)序列的分析，對(duì)于非平穩(wěn)的序列，可以通過差分或季節(jié)差分以及各種變換進(jìn)行平穩(wěn)化處理后再采用，這樣處理過的模型被稱為ARIMA模型。運(yùn)用ARMA模型的前提條件是建立平穩(wěn)時(shí)間序列，如果時(shí)間序列不具備平穩(wěn)性，則需要差分處理，然后再建立ARMA模型，一般稱差分后再建立的模型為自回歸移動(dòng)積分模型，簡(jiǎn)稱ARIMA。ARIMA模型包含了B-J模型的各種模式，自回歸、移動(dòng)平均及回歸移動(dòng)平均模型都可以作為ARIMA的特例。由于自回歸模型不存在其他自變量，不受模型變量“相互獨(dú)立”假定條件的約束。因此，用AR模型及其原理可以構(gòu)成多種模型以消除或改進(jìn)普通回歸預(yù)測(cè)中由于自身變量選擇、多重共線性、序列相關(guān)等原因所造成的困難。此外，在AR模型中，各種因素對(duì)預(yù)測(cè)目標(biāo)的影響是通過它們?cè)跁r(shí)間序列過程中綜合體現(xiàn)被考慮的，是將序列歷史觀察值作為諸因素影響與作用的結(jié)果用于建立其本身的歷史序列線性回歸模型。（二）平穩(wěn)性檢驗(yàn)方法1.自相關(guān)圖法如果序列的自相關(guān)系數(shù)很快地（滯后階數(shù)k大于2或3時(shí)）趨于0,即落入隨機(jī)區(qū)間，時(shí)間序列是平穩(wěn)的，反之時(shí)間序列是非平穩(wěn)?若有更多的自相關(guān)系數(shù)落在隨機(jī)區(qū)間以外，即與零有顯著不同，時(shí)間序列就是不平穩(wěn)的。2.單位根檢驗(yàn)法時(shí)間序列的平穩(wěn)性還可以通過單位根檢驗(yàn)來判斷，單位根檢驗(yàn)?zāi)績(jī)煞N方法是DF和ADF。DF檢驗(yàn)法是Dickey和Fuller在70年代和80年代的一系列文章中建立的。（三）模型識(shí)別模型識(shí)別是根據(jù)時(shí)間序列的樣本自相關(guān)、偏相關(guān)函數(shù)的特點(diǎn)，選擇模型的類型，并初步判定時(shí)間序列所適合的模型階數(shù)。ft3-1時(shí)間序列摸塑性庾撫眄樓型類別血(p)AitMA(p,q)離型方程祕(mì)町叮耳*（片）耳■茴（加乎穗條件譏0）=0的根全在單札圓外無*件平是的tS全在單柱01外可逆衆(zhòng)件無豪禪可逆0（H）"的根全在單悅圉上的根全裡單盤凰外F嚴(yán)昇卩）瓦逆轉(zhuǎn)砸或自相關(guān)西數(shù)16尾帕相黃函數(shù)拖尾抵尾模型參數(shù)估計(jì)，就是模型確定后估計(jì)求解模型參數(shù)的過程，由于模型的結(jié)構(gòu)不同、統(tǒng)計(jì)特性不同和預(yù)測(cè)精度的要求不同，參數(shù)的估計(jì)有不同方法。常用的有矩估計(jì)、非線性最小二乘估計(jì)及廣義最小二乘方法。矩估計(jì)是用相關(guān)函數(shù)求得各參數(shù)得估計(jì)值，并不要求估計(jì)值滿足某種最優(yōu)化約束條件，故有時(shí)稱為粗估計(jì)。非線性最小二乘法計(jì)算復(fù)雜，有時(shí)估計(jì)往往需要選用多個(gè)初值反復(fù)進(jìn)行嘗試，經(jīng)常被廣義地最小二乘法替代，本論文是利用EVIEWS軟件求解參數(shù)估計(jì)。（四）模型檢驗(yàn)?zāi)Ｐ蜋z驗(yàn)的目的是檢驗(yàn)?zāi)Ｐ褪欠窈芎玫椒从硶r(shí)間序列演變的真實(shí)情況，必要時(shí)對(duì)建好的模型驚醒修正。通常模型檢驗(yàn)的內(nèi)容包括平穩(wěn)性檢驗(yàn)、殘差分析檢驗(yàn)及過擬合檢驗(yàn)3個(gè)方面。2.3灰色預(yù)測(cè)模型1982年，鄧聚龍教授首先提出了灰色系統(tǒng)預(yù)測(cè)的概念。灰色系統(tǒng)是指部分信息已知，部分信息未知的系統(tǒng)；灰色系統(tǒng)預(yù)測(cè)理論的基本思路是將已知的數(shù)據(jù)序列按照某種規(guī)則構(gòu)成動(dòng)態(tài)的或非動(dòng)態(tài)的白色模塊，再按某種變換或解法來求解未來的灰色模型，在灰色模塊中再按照某種準(zhǔn)則，逐步提高白度，從而確定系統(tǒng)在未來發(fā)展變化的趨勢(shì)，為事物的規(guī)劃決策、系統(tǒng)的控制與狀態(tài)的評(píng)估提供依據(jù)。GM（1,1）模型為一階線性微分方程，前面的T”表示階數(shù)；后面的T”代表變量數(shù)，在此表示時(shí)間變量。階數(shù)越大，內(nèi)涵也就越豐富，但計(jì)算復(fù)雜，微分方程求解也比較困難，更重要的是精度并不一定提高。取GM（1，1）模型時(shí)，計(jì)算相對(duì)簡(jiǎn)單，編程求解也較容易。為保證模型的精度與可信度，需對(duì)模型的精度進(jìn)行檢驗(yàn)。如模型不能達(dá)到精度要求，則需對(duì)模型進(jìn)行校正。常用的模型檢驗(yàn)方法有殘差檢驗(yàn)，關(guān)聯(lián)度檢驗(yàn)，后驗(yàn)差檢驗(yàn)。馬爾柯夫預(yù)測(cè)模型馬爾可夫（也稱馬氏）預(yù)測(cè)方法是建立在系統(tǒng)“狀態(tài)”和“狀態(tài)轉(zhuǎn)移”的概念上，它是一種動(dòng)態(tài)的隨機(jī)數(shù)學(xué)模型，即馬氏鏈的概念基礎(chǔ)上。這種方法將被預(yù)測(cè)的目標(biāo)劃分為某種狀態(tài)，和某個(gè)狀態(tài)的關(guān)系就是系統(tǒng)處于這種狀態(tài)或?qū)⒁_(dá)到某個(gè)狀態(tài)的概率數(shù)字。馬氏預(yù)測(cè)的原理就是根據(jù)各狀態(tài)原來的狀態(tài)數(shù)字，用馬氏鏈的理論得到系統(tǒng)未來將可能達(dá)到某些狀態(tài)的概率。因此經(jīng)濟(jì)數(shù)據(jù)背景分析就是經(jīng)濟(jì)系統(tǒng)個(gè)狀態(tài)的轉(zhuǎn)移概率和正確的轉(zhuǎn)移概率，這是馬氏預(yù)測(cè)的關(guān)鍵。回歸預(yù)測(cè)模型回歸預(yù)測(cè)是基于事物之間這種相關(guān)關(guān)系的一種數(shù)理統(tǒng)計(jì)預(yù)測(cè)方法。對(duì)這種相關(guān)關(guān)系定量描述的數(shù)學(xué)模型為回歸模型。根據(jù)因變量和自變量之間的函數(shù)形式的不同，回歸模型可以分為線性回歸模型與非線性回歸模型兩種。根據(jù)自變量的多少，線性回歸又可以分為一元線性回歸和多元線性回歸?；貧w預(yù)測(cè)的基本思路：①分析一組統(tǒng)計(jì)數(shù)據(jù)，確定幾個(gè)特定的變量之間的數(shù)學(xué)關(guān)系式的形式。②對(duì)變量關(guān)系式中的參數(shù)進(jìn)行估計(jì)和統(tǒng)計(jì)檢驗(yàn)，分析影響因素與預(yù)測(cè)目標(biāo)之間關(guān)系強(qiáng)弱和影響程度，確定各個(gè)變量哪些是主要因素哪些是次要因素以及它們的關(guān)系。③根據(jù)所得到的回歸方程和自變量的值預(yù)測(cè)因變量未來的值，并且分析和研究預(yù)測(cè)結(jié)果的誤差范圍和精度?；貧w預(yù)測(cè)法在鐵路貨運(yùn)量預(yù)測(cè)中應(yīng)用較為普遍，它是從事物變化的相關(guān)關(guān)系出發(fā)進(jìn)行預(yù)測(cè)的一種方法，其可靠性高，實(shí)用價(jià)值大。組合預(yù)測(cè)模型組合預(yù)測(cè)理論認(rèn)為：對(duì)同一預(yù)測(cè)問題而言，多個(gè)不同預(yù)測(cè)模型的某種組合，在一定條件下能夠有效的改善模型的擬合能力和提高預(yù)測(cè)精度。組合預(yù)測(cè)是將幾種預(yù)測(cè)方法所得的預(yù)測(cè)結(jié)果，選取適當(dāng)?shù)臋?quán)重進(jìn)行組合的一種預(yù)測(cè)方法。組合預(yù)測(cè)相對(duì)于單項(xiàng)預(yù)測(cè)具有更高的預(yù)測(cè)性能和出現(xiàn)極端預(yù)測(cè)誤差的更小風(fēng)險(xiǎn)。對(duì)于傳統(tǒng)的做法，組合預(yù)測(cè)更強(qiáng)調(diào)來源于不同信息的各種預(yù)測(cè)（包括時(shí)間序列模型、回歸預(yù)測(cè)、灰色模型等），而非構(gòu)造復(fù)雜的單項(xiàng)預(yù)測(cè)。此外，組合預(yù)測(cè)的思想與傳統(tǒng)精神并非完全不相容。組合權(quán)重可以解釋為模型符合真實(shí)的可能性，增加參與組合的預(yù)測(cè)數(shù)目也可