1. 研究目的与意义
互联网信息技术已经发展得相对成熟，并已渐渐深入到社会生活的各个领域，新时期人们已经感受到数据分析的重要性和其在生活中的重要意义，从大数据中挖掘出对其有利的信息进行统计决策已成为一种趋势。而随着我国经济的发展以及人民生活水平的提高，中国客运市场需求更是呈现快速增长的形势，与此同时我国的公铁水民航公司及相关企业有了更大的发展空间。客运行业中的大数据就是对运输量进行定量分析的基础，是数据挖掘应用的重要分支之一。通过对这些数据的分析，能够使客运行业经营者们知晓当前市场动态，掌握竞争者的信息，做出准确的运输量预测。其中，时间序列的数据就是重要来源之一，但并不是所有原始数据都是可以直接得到有用信息的，这就需要对原始数据进行重要信息的提取。本文的研究目的就是将时间序列分析法应用到交通运输量的预测中去，通过对公铁水民航这四种运输方式36个月的运输量数据的分析与预测，提出适合这个数据的时间序列模型，并将该模型应用到度旅客运输量的预测当中去。采用时间序列的方法进行预测，实际上就是根据一个随时间变化而变化的变量进行时序分析，找到其中的规律，并用之前的数据构建时间序列模型，进而预测未来数据，这种时间序列预测方法精确度较好，被广泛应用。通过分析归纳数据包含的有效信息，能够将事物发展变化的规律揭示出来，对发现不同的事物之间的相互联系有重要意义。对旅客的运输量做出准确的预测是相关企业和部门准确把握运输业发展趋势、做出合理决策和调度的前提。
2. 国内外研究现状分析
国外研究概况：(1) 关于时间序列分析法的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。
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。
3. 研究的基本内容与计划
本文将采用时间序列分析法，对我国月度旅客运输量及公铁水民航月度货运量36个月的数据进行分析与预测。
主要研究内容：1.关于时间序列分析法的主要应用实践；2.月度旅客运输量及公、铁、水、民航阅读旅客运输量预测分析的背景及意义；3.我国旅客运输业发展现状及分析；4.建立基于时间序列的预测模型，对现有的历史数据进行预测；5.根据预测的数据和历史数据进行对比和检验，同时进一步优化模型；6.利用优化的模型对未来的数据进行预测分析，提供可靠的预测数据。
研究计划：时间 任务2018.12.17-2019.1.1确定研究方向，收集资料，制定研究计划和方案的撰写；2019.1.2-2019.2.28收集有关时间序列与国内外旅客运输量预测的研究；2019.3.1-2019.3.10对现有的时间序列模型进行优化，并对历史数据进行预处理； 2019.3.11-2019.4.20利用历史数据对模型进行检测，同时对模型进行进一步优化；2019.4.21-2019.5.21利用优化的模型对未来数据进行预测处理以提供有效的预测结果；2019.5.22-2019.6.10完成总体研究，进行总结，撰写并完善论文。
4. 研究创新点
本文的主要创新点是在对我国月度旅客运输量及公铁水民航月度货运量36个月的数据分析的基础上，结合时间序列分析法，提出基于时间序列的月度旅客运输量预测模型。
本文将选取前24个月作为分析对象，并使用后12个月的数据验证其预测模型的准确性。
最后得出偏差率，观察是否满足交通运输部颁发《公路水路运输量抽样调查方案（2015）》中 5%~10%的相对极限误差精度要求。
