基于EMD-ESN-AdaBoost.TSF组合模型的港口集装箱吞吐量预测

发布时间：2024-02-18 00:13

　　准确的港口集装箱吞吐量预测是提高港口管理水平、港口设施利用率和经济发展质量的重要手段。因此,本文针对这一问题,选取了上海港口2010年10月到2019年12月的港口集装箱吞吐量数据进行了预测分析,提出了分解集成模型EMD-ESN-AdaBoost.TSF。该模型首先对原始数据进行分解得到了7个分量和残差,由于第一个分量包含了太多噪声,对于预测没有太大的意义。因而在预测的过程中,剔除了第一个分量和残差。接下来对于剩余的数据采用回声状态的神经网络进行预测分析。最后,为了消除单个神经网络预测的不稳定性,本文采用了集成方法对预测结果进行了集成。实证研究表明,组合分解模型EMD-ESN-AdaBoost.TSF相比于其他预测模型具有较好的预测准确性和稳定性,各项误差评价指标均表明本文的主模型具有最好的预测效果,预测的MAPE、MAE、RMSE均是这几种模型的最小值。因而,本文所提出的预测方法在实际工作中可以为港口运输、管理提供参考。

【文章页数】：39 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 定性预测方法
        1.2.2 定量预测方法
        1.2.3 组合预测方法
    1.3 本文研究内容及章节安排
    1.4 本文的创新之处
    1.5 本文研究的线路图
第二章 理论概述
    2.1 回声状态神经状网络(ESN)
        2.1.1 ESN的基本结构
        2.1.2 储备池特点
        2.1.3 回声状态神经网络的优点
        2.1.4 回声状态神经网络参数与公式
        2.1.5 回声状态神经网络的构造过程
    2.2 AdaBoost算法
    2.3 AdaBoos.RT算法
    2.4 AdaBoost.TSF算法
    2.5 时间序列数据的嵌套交叉验证
        2.5.1 交叉验证
        2.5.2 嵌套交叉验证
    2.6 经验模态分解(EMD)
        2.6.1 本征模函数
        2.6.2 EMD分解过程
    2.7 EMD-ESN-AdaBoost.TSF
    2.8 回归预测性能评价指标
第三章 实证分析
    3.1 数据来源
    3.2 数据走势
    3.3 EMD分解数据
    3.4 寻找模型最优参数
    3.5 预测模型的比较
        3.5.1 模型的预测结果
        3.5.2 预测模型结果分析
第四章 结论
    4.1 主要结论
    4.2 研究展望
参考文献
致谢



本文编号：3901561