港口集装箱吞吐量时间序列预测方法研究

发布时间：2017-04-12 23:03

  本文关键词：港口集装箱吞吐量时间序列预测方法研究，，由笔耕文化传播整理发布。

【摘要】：随着“一带一路”战略在国际范围内引起广泛关注,作为该战略构想中重要组成部分“21世纪海上丝绸之路”,使得中国海运业乃至国际海运业又进入新的发展阶段。近来,运输方式的集装箱化逐渐成为海洋运输的一种标志,因而准确的港口集装箱吞吐量预测对于港口决策者规划和管理港口起着举足轻重的作用。若一个港口的发展缺少对未来的准确预测,那么将会导致港口交通堵塞或资源闲置问题。所以,为了对我国口岸的长远发展做出合理规划并提供相应决策支持,论文研究了港口集装箱吞吐量时间序列的预测方法。首先,论文对港口集装箱时间序列的特征进行了分析,由于受多种因素影响,吞吐量时间序列是一个线性和非线性成分复杂交织的非平稳时间序列,同时该序列表现了四大趋势性:长期性趋势、季节性趋势、循环波动性趋势、不规则性趋势,这些趋势也构成了序列的非平稳性。然后,针对所分析出的特征以及依据线性和非线性框架建模,论文选取了对季节性趋势和线性特征具有较强描述性的线性模型季节性差分自回归滑动平均模型(Seasonal Autoregressive Integrated Moving Average,SARIMA)以及具有灵活的非线性映射能力的非线性模型人工神经网络(Artificial Neural Networks,ANNs)进行了组合,构成非同源的混合预测模型。然而,传统混合模型通常是建立在两种假设下:(1)时间序列最后预测结果是单一线性和非线性模型预测结果的加权平均;(2)时间序列的预测值可以通过对线性成分和非线性成分进行加法性分解而获得,论文论证了该假设的不合理性。因此,为了突破传统混合模型的假设前提的限制,论文提出了三种可选择的混合模型,可以根据吞吐量的线性和非线性成分间的关系,进行模型选取。该三种模型的建模过程分为如下两个阶段:第一阶段,基于SARIMA模型拟合出时间序列大部分线性特征。第二阶段,基于ANNs模型拟合出时间序列的非线性特征以及可能存在于线性预测值和原始数据间之间的残差中的线性关系。同时,论文提出了依据SARIMA建模过程中分析出的自相关性来构造ANNs输入层的结构,提高了预测结果的精确度,并应用于上海港集装箱吞吐量月度时间序列进行了实验验证。最后,分析比对了七种吞吐量预测模型的实验结果,证明了提出的混合5模型对该序列具有较好的预测表现,同时通过各模型的对比分析,验证了预测方法研究中的相关理论。
【关键词】：港口 集装箱吞吐量 时间序列 混合预测模型
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U691.71;O211.61
【目录】：

• 中文摘要3-5
• 英文摘要5-9
• 1 绪论9-17
• 1.1 论文的研究背景及意义9-10
• 1.2 国内外研究现状10-13
• 1.2.1 专家经验预测法11
• 1.2.2 单变量时间序列预测法11-12
• 1.2.3 多变量时间序列预测法12-13
• 1.3 课题的提出13-14
• 1.4 论文的主要内容及章节安排14-16
• 1.5 本章小结16-17
• 2 港口集装箱吞吐量时间序列的特征分析17-27
• 2.1 港口集装箱吞吐量17-19
• 2.1.1 港口集装箱吞吐量数据介绍17-18
• 2.1.2 港口集装箱吞吐量时间序列的定义18-19
• 2.2 港口集装箱吞吐量时间序列的非平稳性19-21
• 2.2.1 时间序列平稳性的定义19-20
• 2.2.2 时间序列平稳性分析的意义20
• 2.2.3 港口集装箱吞吐量时间序列非平稳性的验证20-21
• 2.3 港口集装箱吞吐量的线性和非线性21-23
• 2.3.1 时间序列线性和非线性的定义21-22
• 2.3.2 时间序列线性和非线性分析的意义22
• 2.3.3 港口集装箱吞吐量时间序列线性和非线性的验证22-23
• 2.4 港口集装箱吞吐量时间序列的趋势性23-26
• 2.4.1 时间序列的趋势性定义23-24
• 2.4.2 时间序列趋势性分析的意义24
• 2.4.3 港口集装箱吞吐量时间序列趋势性分析24-26
• 2.5 本章小结26-27
• 3 港口集装箱吞吐量时间序列预测方法建模27-42
• 3.1 港口集装箱吞吐量时间序列预测建模思想27-30
• 3.1.1 港口吞吐量预测模型框架27-29
• 3.1.2 吞吐量数据的预处理29-30
• 3.1.3 预测模型的评价标准30
• 3.2 线性预测模型SARIMA30-36
• 3.2.1 SARIMA模型的理论原理30-31
• 3.2.2 SARIMA模型的建模过程31-33
• 3.2.3 基于SARIMA的港口集装箱吞吐量时间序列预测33-36
• 3.3 非线性预测模型ANNs36-41
• 3.3.1 ANNs模型的理论原理36-38
• 3.3.2 ANNs模型的建模过程38-39
• 3.3.3 基于ANNs的港口集装箱吞吐量时间序列预测39-41
• 3.4 本章小结41-42
• 4 港口集装箱吞吐量时间序列混合预测模型研究42-55
• 4.1 混合预测模型构建思想42-43
• 4.1.1 混合模型的分类42
• 4.1.2 混合模型的优势42-43
• 4.1.3 传统混合模型的假设前提43
• 4.2 基于SARIMA和ANNs的传统混合预测模型43-45
• 4.3 基于SARIMA和ANNs的改进混合预测模型45-47
• 4.4 基于混合模型的港口集装箱吞吐量时间序列预测47-53
• 4.5 本章小结53-55
• 5 港口集装箱吞吐量时间序列预测模型比较55-62
• 5.1 港口集装箱吞吐量时间序列预测方法比较框架55-56
• 5.2 预测模型结果比较56-61
• 5.3 本章小结61-62
• 6 总结与展望62-64
• 6.1 总结62-63
• 6.2 展望63-64
• 致谢64-65
• 参考文献65-69
• 附录A. 攻读硕士学位期间发表的论文69

【相似文献】

中国期刊全文数据库 前10条

1 施久玉,杜金观;有限个状态时间序列的某些结果[J];应用数学学报;1990年01期

2 冯希杰;长江三峡及其邻区断裂活动时间序列[J];华南地震;1991年02期

3 王霞,郭嗣琮,刘淑娟;时间序列模糊滑动预测[J];辽宁工程技术大学学报(自然科学版);1999年03期

4 温品人;时间序列预测法的实际应用分析[J];江苏广播电视大学学报;2001年06期

5 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

6 程毛林;时间序列系统建模预测的一种新方法[J];数学的实践与认识;2004年08期

7 高洁;长记忆时间序列适应性预测的应用[J];江南大学学报;2004年05期

8 高洁;孙立新;;长记忆时间序列的适应性预测误差的谱密度[J];统计与决策;2006年13期

9 杨钟瑾;;浅谈时间序列的分析预测[J];中国科技信息;2006年14期

10 李健;孙广中;许胤龙;;基于时间序列的预测模型应用与异常检测[J];计算机辅助工程;2006年02期

中国重要会议论文全文数据库 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

中国重要报纸全文数据库 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

中国博士学位论文全文数据库 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年

7 原继东;时间序列分类算法研究[D];北京交通大学;2016年

8 卢伟;基于粒计算的时间序列分析与建模方法研究[D];大连理工大学;2015年

9 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

10 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

中国硕士学位论文全文数据库 前10条

1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年

2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年

3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年

4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年

10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年

  本文关键词：港口集装箱吞吐量时间序列预测方法研究，由笔耕文化传播整理发布。

本文编号：302240