發(fā)布時間：2024-02-18 00:13

　　準確的港口集裝箱吞吐量預(yù)測是提高港口管理水平、港口設(shè)施利用率和經(jīng)濟發(fā)展質(zhì)量的重要手段。因此,本文針對這一問題,選取了上海港口2010年10月到2019年12月的港口集裝箱吞吐量數(shù)據(jù)進行了預(yù)測分析,提出了分解集成模型EMD-ESN-AdaBoost.TSF。該模型首先對原始數(shù)據(jù)進行分解得到了7個分量和殘差,由于第一個分量包含了太多噪聲,對于預(yù)測沒有太大的意義。因而在預(yù)測的過程中,剔除了第一個分量和殘差。接下來對于剩余的數(shù)據(jù)采用回聲狀態(tài)的神經(jīng)網(wǎng)絡(luò)進行預(yù)測分析。最后,為了消除單個神經(jīng)網(wǎng)絡(luò)預(yù)測的不穩(wěn)定性,本文采用了集成方法對預(yù)測結(jié)果進行了集成。實證研究表明,組合分解模型EMD-ESN-AdaBoost.TSF相比于其他預(yù)測模型具有較好的預(yù)測準確性和穩(wěn)定性,各項誤差評價指標(biāo)均表明本文的主模型具有最好的預(yù)測效果,預(yù)測的MAPE、MAE、RMSE均是這幾種模型的最小值。因而,本文所提出的預(yù)測方法在實際工作中可以為港口運輸、管理提供參考。

【文章頁數(shù)】：39 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 定性預(yù)測方法
        1.2.2 定量預(yù)測方法
        1.2.3 組合預(yù)測方法
    1.3 本文研究內(nèi)容及章節(jié)安排
    1.4 本文的創(chuàng)新之處
    1.5 本文研究的線路圖
第二章 理論概述
    2.1 回聲狀態(tài)神經(jīng)狀網(wǎng)絡(luò)(ESN)
        2.1.1 ESN的基本結(jié)構(gòu)
        2.1.2 儲備池特點
        2.1.3 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的優(yōu)點
        2.1.4 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)參數(shù)與公式
        2.1.5 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的構(gòu)造過程
    2.2 AdaBoost算法
    2.3 AdaBoos.RT算法
    2.4 AdaBoost.TSF算法
    2.5 時間序列數(shù)據(jù)的嵌套交叉驗證
        2.5.1 交叉驗證
        2.5.2 嵌套交叉驗證
    2.6 經(jīng)驗?zāi)B(tài)分解(EMD)
        2.6.1 本征模函數(shù)
        2.6.2 EMD分解過程
    2.7 EMD-ESN-AdaBoost.TSF
    2.8 回歸預(yù)測性能評價指標(biāo)
第三章 實證分析
    3.1 數(shù)據(jù)來源
    3.2 數(shù)據(jù)走勢
    3.3 EMD分解數(shù)據(jù)
    3.4 尋找模型最優(yōu)參數(shù)
    3.5 預(yù)測模型的比較
        3.5.1 模型的預(yù)測結(jié)果
        3.5.2 預(yù)測模型結(jié)果分析
第四章 結(jié)論
    4.1 主要結(jié)論
    4.2 研究展望
參考文獻
致謝



本文編號：3901561