發(fā)布時(shí)間：2020-07-07 16:16

【摘要】：當(dāng)今全球經(jīng)濟(jì)高度一體化,海洋運(yùn)輸已經(jīng)成為全球經(jīng)濟(jì)貿(mào)易鏈中最重要的環(huán)節(jié)之一。海港作為吞吐貨物的聚集地,其建設(shè)往往伴隨著巨額的、不可逆轉(zhuǎn)的投資,因此,如何更加合理的建設(shè)海港逐漸得到了人們的高度重視。港口集裝箱吞吐量預(yù)測(cè)有助于確定合理的投資規(guī)模、優(yōu)化布局、降低運(yùn)營(yíng)成本、制定發(fā)展戰(zhàn)略,從而實(shí)現(xiàn)最大的投資效益。因此,準(zhǔn)確預(yù)測(cè)港口集裝箱吞吐量已經(jīng)成為當(dāng)今的一個(gè)研究熱點(diǎn)�；诖�,本文構(gòu)建了一個(gè)新的分解-集成組合模型VMD-ARIMA-HGWOSVR(VAHS),以期對(duì)港口的集裝箱吞吐量實(shí)現(xiàn)較高精度的預(yù)測(cè)。首先,該模型采用最新的變分模態(tài)分解算法(VMD)將原始序列分解為若干模態(tài)(分量);其次,通過(guò)建立差分自回歸滑動(dòng)平均模型(ARIMA)預(yù)測(cè)波動(dòng)性較小的低頻分量;再次,利用最近提出的混合灰狼優(yōu)化(HGWO)群體智能算法進(jìn)行參數(shù)優(yōu)化后的支持向量回歸模型(SVR)對(duì)波動(dòng)性較大的高頻分量進(jìn)行預(yù)測(cè);最后,集成所有模態(tài)的預(yù)測(cè)結(jié)果得到最終結(jié)果。本文選取目前全球最大的兩個(gè)港口的月度集裝箱吞吐量數(shù)據(jù),即2001年1月至2016年5月上海港口和1995年1月至2016年5月新加坡港口的歷史數(shù)據(jù)進(jìn)行實(shí)證研究。通過(guò)MSE,MAE,MAPE,CDFR和FVD誤差分析指標(biāo)評(píng)價(jià)和DM檢驗(yàn),對(duì)本文提出的VMD-ARIMA-HGWO-SVR模型和其他基準(zhǔn)模型的預(yù)測(cè)效果進(jìn)行比較,對(duì)比結(jié)果表明,VMD算法比CEEMD和WD等其他分解方法更有效,采用ARIMA模型預(yù)測(cè)低頻分量比使用SVR模型預(yù)測(cè)所有分量產(chǎn)生更好的結(jié)果,VAHS模型預(yù)測(cè)結(jié)果較其他模型與實(shí)際數(shù)據(jù)更為相近,實(shí)現(xiàn)了最高的預(yù)測(cè)精度。因此,該模型有望用于實(shí)際工作中,為港口的規(guī)劃、建設(shè)、運(yùn)營(yíng)管理及科學(xué)發(fā)展提供參考。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：U652.14;U695.22
【圖文】：

圖 1-1 本文研究路線圖1.3.3 章節(jié)安排本文共分為四章，具體框架及結(jié)構(gòu)安排如下：第一章，緒論。該部分介紹了集裝箱吞吐量預(yù)測(cè)的背景及意義，指出港口集裝箱吞吐量預(yù)測(cè)是港口發(fā)展戰(zhàn)略研究的重要內(nèi)容, 是正確制定港口規(guī)劃的基礎(chǔ)，對(duì)港口運(yùn)輸系統(tǒng)的各個(gè)方面都有著關(guān)鍵的作用，有助于確定合理的港口發(fā)展方向和投資規(guī)模、進(jìn)行科學(xué)的港口布局、優(yōu)化港口的體系結(jié)構(gòu)、制定港口未來(lái)的運(yùn)營(yíng)和發(fā)展戰(zhàn)略、有效提高港口的運(yùn)營(yíng)管理效率，降低運(yùn)營(yíng)成本等。接著對(duì)當(dāng)前國(guó)內(nèi)外關(guān)于港口集裝箱吞吐量預(yù)測(cè)的研究文獻(xiàn)進(jìn)行綜合分析，在總結(jié)前人工作和全球港口發(fā)展情況的基礎(chǔ)上，確定了以上海港和新加坡港的港口集裝箱吞吐量短期預(yù)測(cè)為實(shí)證研究對(duì)象，提出了建立 VMD-ARIMA-HGWO-SVR 分解合成組合模型的研究思路，并歸納總結(jié)本文的創(chuàng)新之處。第二章，模型概述。該部分簡(jiǎn)要介紹了 VMD，ARIMA，SVR 和 HGWO 算法模型，并列出了本文所提出的 VMD-ARIMA-HGWO-SVR 組合模型的建立過(guò)

（HGWO）法（GWO）到灰狼的社會(huì)領(lǐng)導(dǎo)和群體狩獵行為的啟WO）[29]�；依谴蠖嗳壕�，如圖 2-2 所次。群體的領(lǐng)導(dǎo)者（頭狼）被稱為 Allpha 的決定會(huì)被傳送到整個(gè)種群并且被它幫助 Alpha 制定決策并給予 Alpha 反們服從 Alpha 和 Beta 并對(duì)其負(fù)責(zé)，主種群的安全。最低排名的灰狼是 Omeg驟可概括如下[29-30]：近獵物。擾獵物，直到它停止移動(dòng)。

州大學(xué)碩士學(xué)位論文 基于 VMD-ARIMA-HGWO-SVR 組合模型的港口集裝箱吞吐量預(yù)3.2 數(shù)據(jù)走勢(shì)本部分對(duì)于所選取的上海港和新加坡港的月度集裝箱吞吐量歷史數(shù)據(jù)進(jìn)圖分析如下：

【參考文獻(xiàn)】

相關(guān)期刊論文 前8條

1 孔琳琳;劉瀾;許文秀;吳金卓;;基于時(shí)間序列分析的港口集裝箱吞吐量預(yù)測(cè)分析[J];森林工程;2016年05期

2 陳昌源;戴冉;楊婷婷;吳祖新;黎泉;;基于改進(jìn)GM(1,1)模型的上海港集裝箱吞吐量預(yù)測(cè)[J];船海工程;2016年04期

3 張樹(shù)奎;肖英杰;魯子愛(ài);;基于灰色神經(jīng)網(wǎng)絡(luò)的港口集裝箱吞吐量預(yù)測(cè)模型研究[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年05期

4 HUANG Anqiang;LAI Kinkeung;LI Yinhua;WANG Shouyang;;Forecasting Container Throughput of Qingdao Port with a Hybrid Model[J];Journal of Systems Science & Complexity;2015年01期

5 唐賢倫;李洋;李鵬;劉念慈;;多智能體粒子群優(yōu)化的SVR模型預(yù)測(cè)控制[J];控制與決策;2014年04期

6 祝建;;我國(guó)港口吞吐量預(yù)測(cè)方法研究綜述[J];中國(guó)水運(yùn);2010年11期

7 劉志杰;季令;葉玉玲;耿志民;;基于徑向基神經(jīng)網(wǎng)絡(luò)的集裝箱吞吐量組合預(yù)測(cè)[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年06期

8 丁淑富,李波;組合預(yù)測(cè)模型在港口貨物吞吐量預(yù)測(cè)的應(yīng)用[J];集裝箱化;2004年09期

相關(guān)博士學(xué)位論文 前1條

1 李明偉;混沌云粒子群混合優(yōu)化算法及其在港口管理中的應(yīng)用研究[D];大連理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前1條

1 王斌;我國(guó)集裝箱港口吞吐量預(yù)測(cè)及發(fā)展研究[D];大連海事大學(xué);2007年

本文編號(hào)：2745328