1 国外研究现状
(1) 时间序列分析法研究
现代时间序列研究方法不单简单的纯描述性时间序列分析，从1970年开始，人们主要研究的是基于概率论与数理统计的时间序列分析方法。一般认为其起源于 1927年Yule提出的自回归（Auto Regressive, AR）模型；随后，英国的Walker将其扩展为一般模型，而Slutzky创建了移动平均（Moving Average, MA）模型；在此基础上，Wold于1938年提出了著名的Wold分解（Wold decomposition）和自回归移动平均（Auto Regressive Moving Average, ARMA）模型[1]。1970年博克斯和詹金斯出版了一部综合介绍时间序列分析的书《时间序列分析：预测与控制》，在经验方面补充了这些模型，并且细致的介绍了求和自回归移动平均（Autoregressive Integrated Moving Average, ARIMA）模型和非平稳自回归移动平均ARIMA模型，至此时间序列预测的理论与实践得到了飞速的发展[2]。现阶段时间序列的发展日益成熟并被应用到天文地理、生物医药、旅游业、心理学等领域。2003年美国经济学家Engle在研究时间序列变量的处理方法上获得了重要成果，并因此荣获了诺贝尔经济学奖 。在数据库的顶级期刊 Energy、Expert Systems with Applications 等近年来也时常发表跟时间序列相关的最新研究成果和科研论文[3]。
(2) 运量研究
Wuhan建立了基于GM(0,N)的货物运输量灰色预测模型，并提出了确定模型中相关因素变量的方法，最后在实际算例中证明了GM(0,N)模型相对于GM(1,1)具有更高的精确度和可靠性[4]。
秦华容通过对中美高速公路运输量比较研究，详细阐述了美国以商品流动调查（Commodity Flow Survey，CFS）为基础的公路货物运输量统计和以全国家庭出行调查（NHTS）为基础的客运运输量统计[5]。
Gopalakrishnan，Subramanian研究智能交通系统中短期交通量的预测，采用多元回归分析法和神经网络技术，对加拿大阿尔伯塔的卡尔加里与埃德蒙顿之间的加拿大2号公路的客运量进行预测，预测未来一小时运输量。Smith，Brian Lee通过分别用历史平均值，时间序列，神经网络，非参数回归模型预测货运量，解决了北弗吉尼亚州首都环线发展货运流量预测问题[6]。
Wilson，Jeffrey Paul分析现有的OD客运数据，寻求与未来OD客运量之间的关系，预测当前及未来的客运量，为运输规划提供支撑[7]。
2 国内研究现状
- 时间序列分析法研究
在我国，从70年代开始非平稳序列、非线性模型等得到广泛研究，其中ARIMA模型成为时序分析的重点研究对象。一般情况下，Box-Jenkins方法涵盖了AR模型，MA模型和ARMA模型，并合称为ARIMA 模型体系，它是一个重要的预测工具，是时间序列分析中许多基本思想的基础。此外，一些国外已有的预测方法和技术，也是我国研究的重点。包括回归预测、定性预测、时间序列预测、神经网络方法、支持向量机方法以及近来出现的灰色预测等[8]。
(2) 运量研究
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
