运用指数平滑法预测太原北站调车机调动辆数的可行性分析

朱灿

摘 要：本文整理了近一年来太原北站各调车机调动辆数的数据，希望通过指数平滑法，能够对未来太原北站调车机调动辆数进行预测。以便合理配置运输资源和设备，挖掘运输潜力以及制定更加合理的运输计划等。

关键词：调车机；调动辆数；指数平滑法

中图分类号：U292.6 文献标识码：A 文章编号：1671-2064（2018）22-0184-02

1 引言

随着我国铁路运输企业改革的不断深入，如何提升工作效率、挖掘运输潜力已成为提质增效的重要手段。调车机作为车站调车工作的动力，其合理配置不但可以提高调车效率，加速车辆移动，而且可以取得经济效益。调动辆数作为调车机工作量的一个重要指标，本文尝试运用指数平滑法对其未来的增减趋势做一个预测，如果合理，接下来会计划对其他方面的数据进行下一步预测并综合分析，为调车机的合理配置提供数据支持。

2 指数平滑法介绍

指数平滑法是由布朗（Robert G..Brown）所提出的，他认为时间序列的态势具有稳定性或规则性，时间序列可以被合理地顺势推延，并认为最近的过去态势，在某种程度上会持续到最近的未来。指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测。它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。指数平滑法公式如下：

3 运用指数平滑法的实证分析

3.1 太原北站各调车机调动辆数数据分析说明

运用指数平滑法进行分析时，要先对数据进行分析，以判断数据能否使用指数平滑法进行分析。由于只有2017年7月至2018年6月的数据量，样本数目偏少，因此只能预测到下一个月的调动辆数。为了验证预测的准确性，作者决定将2018年6月作为预测的月份，通过模型给出的预测调动辆数与实际调动辆数进行对比，如果偏差值较低，则说明该方法适合对调车机调动辆数未来增减趋势进行预测。太北调车机模型拟合表1所示，模型的拟合情况R方越低，越适合做时间序列分析。

如图1所示，该图为残差的相关函数序列图，包括自相关（ACF）和偏相关（PACF）的序列图，可以看出并没有显著趋势特征，可以使用该模型进行预测分析。现分别对各个太北调车机进行时间序列预测表2所示。

太北1调6月份，太北1调实际调动车辆1024辆，预测值838.18辆，偏差值18%。偏差值比较大。太北2调6月份，太北2调实际调动辆数515辆，预测值520.77辆，偏差值1.1%。偏差值较低，结果比较理想。太北3调6月份，太北3调实际调动车辆528辆，预测值567.95辆，偏差值7.5%。偏差值合理，基本正常。太北4调6月份，太北4调实际调动辆数396辆，预测值370辆，偏差值6.6%。偏差值合理，基本正常。太北5调6月份，太北5调实际调动辆数371辆，预测值452.34辆，偏差值21.9%。由于偏差值较大，作者询问了相关科室负责人太北5调6月份调动辆数下降的原因，得到回复如下：

本月新增加STP设备。受STP设备约束，如：牵引或推进运行时由于STP设备原因，距离信号机50米处时自动停车，需要联系信号楼开放信号后方可继续作业，严重影响作业效率。

玉门沟调六月份，玉门沟调实际调动辆数300辆，预测值276.38辆，偏差值7.9%。偏差值略微偏高，基本合理。三给专调六月份，三给专调实际调动辆数317辆，预测值361.03辆，偏差值13.9%。偏差值较高，不是很理想。皇调六月份，皇调实际调动辆数194辆，预测值393.9辆，偏差值103%。由于皇调偏差值过与失常，作者就六月份皇后园站调车辆数下降的原因询问相关科室负责人，得到回复如下：

非生产时间大，主要等工及等信号时间长，站内保留车多，导致调车穿正作业较多，调车人员对穿正天窗时间不掌握，导致穿正天窗时间不能及时完成调车作业任务，造成等信号、等工时间。

调车机变更（取消）计划较多，调车区长在编制调车作业计划前未能积极与车站调度员联系，调车作业计划执行时间、作业进度情况等，导致几批计划未按原计划完成，造成调车机等工时间较多；利用到发线调车作业未能同车站值班员沟通，原计划执行股道有列车占用造成变更计划。

3.2 小结

根据太北5调和皇调偏差值较大的问题可以得出，运用指数平滑法时，需要考虑到非正常因素对调车辆数的影响。在今后的预测中应加以注意。另外，太北1调、三给专调偏差值较大，考虑到样本数目较少，以及其他因素的变化（例如：太原西站調车机调整对西山支线区域调车机作业的变化），模拟结果基本可以接受。太北2调、太北3调、太北4调、玉门沟调的偏差值都能保持在10%以下，结果满意。

4 结语

合理地运用大数据进行分析，对铁路今后的发展具有重要意义。通过本次模拟，可以得出运用指数平滑法对调车机调动辆数的预测是可行的。虽然个别偏差值较大，但是如果能够得到更多的样本数据支持，同时在模拟时结合生产时间、辅助生产时间、非生产时间等诸多因素的话，相信最后得到的预测值能够更加精准，预测月份能够更加长远，为合理配置运输资源和设备，挖掘运输潜力以及制定更加合理的运输计划等多方面工作提供有力的数据支持。