基于EEMD和相空间重构的到锚货运量预测研究

发布时间：2020-08-14 11:13

【摘要】：随着长江水路运输货运量的快速增长,三峡船闸设计通过能力有限的问题愈发突出,已远不能满足长江航运的需要,从而给长江水路运输业及其周边经济的发展带来了不利的影响。船闸的建设规模决定其通过能力,而建设规模又取决于未来货运量。因此,通过科学有效的方法来提高货运量的预测精度,对船闸的建设和管理规划有着重要意义。本文将最小二乘支持向量机(LSSVM)、相空间重构(PSR)理论和集成经验模态分解(EEMD)技术结合起来探讨三峡船闸日到锚货运量时间序列预测建模问题。主要研究内容如下:(1)针对三峡船闸日到锚货运量时间序列的混沌性特征,建立了基于相空间重构的最小二乘支持向量机(PSR-LSSVM)的三峡船闸日到锚货运量预测模型;对于模型的参数,提出了一种非线性递减惯性权重的粒子群算法对其进行寻优。此模型避免了根据经验确定LSSVM模型的输入集模式的盲目性和随意性,从而有效地提高了LSSVM模型的预测精度。(2)由于三峡船闸日到锚货运量时间序列具有非平稳性等特征,直接采用LSSVM模型进行预测,难以取得较好的预测效果;而集成经验模态分解是一种自适应的非平稳、非线性处理方法,可以将原始时间序列分解成一系列相对比较平稳的分量,鉴于此,建立了基于集成经验模态分解的相空间重构-最小二乘支持向量机(EEMD-PSR-LSSVM)混合预测模型;通过实证分析对EEMD-PSR-LSSVM混合预测模型的有效性进行验证,并将EEMD-PSR-LSSVM混合预测模型的预测结果与PSR-LSSVM预测模型的预测结果进行比较。结果表明:EEMD-PSR-LSSVM混合预测模型的预测值和原始值的拟合效果更好,从而验证了EEMD-PSR-LSSVM混合预测模型的有效性;对比预测结果,EEMD-PSR-LSSVM混合预测模型较PSR-LSSVM模型有更高的预测精度。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：C81
【图文】：

时间序列,货运量,三峡船闸

（3）分别针对三峡船闸上行日到锚货运量和下行日到锚货运量建立LS模型，得到最终的预测值；其中，模型参数采用改进的 PSO 算法进行实证分析在本章中，为了对 PSR-LSSVM 预测模型进行充分的验证，采用实际的日到锚货运量数据进行研究，并对模型的预测性能进行分析。逡逡.1 三峡船闸日到锚货运量数据本文采用三峡船闸上行日到锚货运量和下行日到锚货运量（简称上行和下行日货运量，单位均为吨）作为实验样本数据，包括 2012 年 1 月014 年 11 月 30 日共 1065 天的样本数据。图 3-2、3-3 分别表示的是上量和下行日货运量时间序列图。逡

运量,货运量,稳性,原假设

图 3-3 下行日到锚货运量对上行日货运量和下行日货运量进行描述性统计分析和平稳性检验， 3-1。表 3-1 样本数据的描述性统计情况及平稳性检验最大值最小值均值标准差ADF 检验t 统计量 p行日货运量 369458 18534 160064.8 46810.8 1.2104 0.行日货运量 247493 9800 106393.2 34511.0 0.9105 0.由表 3-1 可以得出，对上行日货运量时间序列来说，ADF 检验的 p06> 0.1，不能拒绝原假设，故认为上行日货运量是非平稳的；对下行时间序列来说，ADF 检验的 p 值为 0. 3218> 0.1，不能拒绝原假设，故日货运量也是非平稳的。.2 预测性能评价标准

互信息,延迟时间,运量

互信息法求延迟时间（上行日货运量）

【参考文献】