本文關鍵詞：港口集裝箱吞吐量時間序列預測方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著“一帶一路”戰(zhàn)略在國際范圍內(nèi)引起廣泛關注,作為該戰(zhàn)略構想中重要組成部分“21世紀海上絲綢之路”,使得中國海運業(yè)乃至國際海運業(yè)又進入新的發(fā)展階段。近來,運輸方式的集裝箱化逐漸成為海洋運輸?shù)囊环N標志,因而準確的港口集裝箱吞吐量預測對于港口決策者規(guī)劃和管理港口起著舉足輕重的作用。若一個港口的發(fā)展缺少對未來的準確預測,那么將會導致港口交通堵塞或資源閑置問題。所以,為了對我國口岸的長遠發(fā)展做出合理規(guī)劃并提供相應決策支持,論文研究了港口集裝箱吞吐量時間序列的預測方法。首先,論文對港口集裝箱時間序列的特征進行了分析,由于受多種因素影響,吞吐量時間序列是一個線性和非線性成分復雜交織的非平穩(wěn)時間序列,同時該序列表現(xiàn)了四大趨勢性:長期性趨勢、季節(jié)性趨勢、循環(huán)波動性趨勢、不規(guī)則性趨勢,這些趨勢也構成了序列的非平穩(wěn)性。然后,針對所分析出的特征以及依據(jù)線性和非線性框架建模,論文選取了對季節(jié)性趨勢和線性特征具有較強描述性的線性模型季節(jié)性差分自回歸滑動平均模型(Seasonal Autoregressive Integrated Moving Average,SARIMA)以及具有靈活的非線性映射能力的非線性模型人工神經(jīng)網(wǎng)絡(Artificial Neural Networks,ANNs)進行了組合,構成非同源的混合預測模型。然而,傳統(tǒng)混合模型通常是建立在兩種假設下:(1)時間序列最后預測結果是單一線性和非線性模型預測結果的加權平均;(2)時間序列的預測值可以通過對線性成分和非線性成分進行加法性分解而獲得,論文論證了該假設的不合理性。因此,為了突破傳統(tǒng)混合模型的假設前提的限制,論文提出了三種可選擇的混合模型,可以根據(jù)吞吐量的線性和非線性成分間的關系,進行模型選取。該三種模型的建模過程分為如下兩個階段:第一階段,基于SARIMA模型擬合出時間序列大部分線性特征。第二階段,基于ANNs模型擬合出時間序列的非線性特征以及可能存在于線性預測值和原始數(shù)據(jù)間之間的殘差中的線性關系。同時,論文提出了依據(jù)SARIMA建模過程中分析出的自相關性來構造ANNs輸入層的結構,提高了預測結果的精確度,并應用于上海港集裝箱吞吐量月度時間序列進行了實驗驗證。最后,分析比對了七種吞吐量預測模型的實驗結果,證明了提出的混合5模型對該序列具有較好的預測表現(xiàn),同時通過各模型的對比分析,驗證了預測方法研究中的相關理論。
【關鍵詞】：港口 集裝箱吞吐量 時間序列 混合預測模型
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U691.71;O211.61
【目錄】：

• 中文摘要3-5
• 英文摘要5-9
• 1 緒論9-17
• 1.1 論文的研究背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-13
• 1.2.1 專家經(jīng)驗預測法11
• 1.2.2 單變量時間序列預測法11-12
• 1.2.3 多變量時間序列預測法12-13
• 1.3 課題的提出13-14
• 1.4 論文的主要內(nèi)容及章節(jié)安排14-16
• 1.5 本章小結16-17
• 2 港口集裝箱吞吐量時間序列的特征分析17-27
• 2.1 港口集裝箱吞吐量17-19
• 2.1.1 港口集裝箱吞吐量數(shù)據(jù)介紹17-18
• 2.1.2 港口集裝箱吞吐量時間序列的定義18-19
• 2.2 港口集裝箱吞吐量時間序列的非平穩(wěn)性19-21
• 2.2.1 時間序列平穩(wěn)性的定義19-20
• 2.2.2 時間序列平穩(wěn)性分析的意義20
• 2.2.3 港口集裝箱吞吐量時間序列非平穩(wěn)性的驗證20-21
• 2.3 港口集裝箱吞吐量的線性和非線性21-23
• 2.3.1 時間序列線性和非線性的定義21-22
• 2.3.2 時間序列線性和非線性分析的意義22
• 2.3.3 港口集裝箱吞吐量時間序列線性和非線性的驗證22-23
• 2.4 港口集裝箱吞吐量時間序列的趨勢性23-26
• 2.4.1 時間序列的趨勢性定義23-24
• 2.4.2 時間序列趨勢性分析的意義24
• 2.4.3 港口集裝箱吞吐量時間序列趨勢性分析24-26
• 2.5 本章小結26-27
• 3 港口集裝箱吞吐量時間序列預測方法建模27-42
• 3.1 港口集裝箱吞吐量時間序列預測建模思想27-30
• 3.1.1 港口吞吐量預測模型框架27-29
• 3.1.2 吞吐量數(shù)據(jù)的預處理29-30
• 3.1.3 預測模型的評價標準30
• 3.2 線性預測模型SARIMA30-36
• 3.2.1 SARIMA模型的理論原理30-31
• 3.2.2 SARIMA模型的建模過程31-33
• 3.2.3 基于SARIMA的港口集裝箱吞吐量時間序列預測33-36
• 3.3 非線性預測模型ANNs36-41
• 3.3.1 ANNs模型的理論原理36-38
• 3.3.2 ANNs模型的建模過程38-39
• 3.3.3 基于ANNs的港口集裝箱吞吐量時間序列預測39-41
• 3.4 本章小結41-42
• 4 港口集裝箱吞吐量時間序列混合預測模型研究42-55
• 4.1 混合預測模型構建思想42-43
• 4.1.1 混合模型的分類42
• 4.1.2 混合模型的優(yōu)勢42-43
• 4.1.3 傳統(tǒng)混合模型的假設前提43
• 4.2 基于SARIMA和ANNs的傳統(tǒng)混合預測模型43-45
• 4.3 基于SARIMA和ANNs的改進混合預測模型45-47
• 4.4 基于混合模型的港口集裝箱吞吐量時間序列預測47-53
• 4.5 本章小結53-55
• 5 港口集裝箱吞吐量時間序列預測模型比較55-62
• 5.1 港口集裝箱吞吐量時間序列預測方法比較框架55-56
• 5.2 預測模型結果比較56-61
• 5.3 本章小結61-62
• 6 總結與展望62-64
• 6.1 總結62-63
• 6.2 展望63-64
• 致謝64-65
• 參考文獻65-69
• 附錄A. 攻讀碩士學位期間發(fā)表的論文69

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 施久玉,杜金觀;有限個狀態(tài)時間序列的某些結果[J];應用數(shù)學學報;1990年01期

2 馮希杰;長江三峽及其鄰區(qū)斷裂活動時間序列[J];華南地震;1991年02期

3 王霞,郭嗣琮,劉淑娟;時間序列模糊滑動預測[J];遼寧工程技術大學學報(自然科學版);1999年03期

4 溫品人;時間序列預測法的實際應用分析[J];江蘇廣播電視大學學報;2001年06期

5 許清海;混沌投資時間序列的嬗變[J];漳州師范學院學報(自然科學版);2003年01期

6 程毛林;時間序列系統(tǒng)建模預測的一種新方法[J];數(shù)學的實踐與認識;2004年08期

7 高潔;長記憶時間序列適應性預測的應用[J];江南大學學報;2004年05期

8 高潔;孫立新;;長記憶時間序列的適應性預測誤差的譜密度[J];統(tǒng)計與決策;2006年13期

9 楊鐘瑾;;淺談時間序列的分析預測[J];中國科技信息;2006年14期

10 李健;孫廣中;許胤龍;;基于時間序列的預測模型應用與異常檢測[J];計算機輔助工程;2006年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預測[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學習逼近[A];'99系統(tǒng)仿真技術及其應用學術交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡集成預測方法[A];第十五屆中國管理科學學術年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數(shù)量經(jīng)濟學（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

中國重要報紙全文數(shù)據(jù)庫 前6條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學中的應用[D];復旦大學;2014年

2 張德成;滑坡預測預報研究[D];昆明理工大學;2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學;2015年

4 翁同峰;時間序列與復雜網(wǎng)絡之間等價性問題及表征應用研究[D];哈爾濱工業(yè)大學;2015年

5 楊婷婷;用Argo浮標結合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運[D];中國科學院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關性及信息熵分析[D];北京交通大學;2016年

7 原繼東;時間序列分類算法研究[D];北京交通大學;2016年

8 盧偉;基于粒計算的時間序列分析與建模方法研究[D];大連理工大學;2015年

9 王曉曄;時間序列數(shù)據(jù)挖掘中相似性和趨勢預測的研究[D];天津大學;2003年

10 李桂玲;時間序列的分割及不一致發(fā)現(xiàn)研究[D];華中科技大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 陳健;基于多變量相空間重構的投資組合策略研究[D];華南理工大學;2015年

2 蘭鑫;時間序列的復雜網(wǎng)絡轉換策略研究[D];西南大學;2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學;2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預測研究[D];南京信息工程大學;2015年

5 林健;基于改進小世界回聲狀態(tài)網(wǎng)的時間序列預測[D];渤海大學;2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預測方法[D];南京信息工程大學;2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學;2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標研究[D];中國地質大學(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學;2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學;2015年

  本文關鍵詞：港口集裝箱吞吐量時間序列預測方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：302240