準(zhǔn)確的港口集裝箱吞吐量預(yù)測(cè)是提高港口管理水平、港口設(shè)施利用率和經(jīng)濟(jì)發(fā)展質(zhì)量的重要手段。因此,本文針對(duì)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(jìn)行了預(yù)測(cè)分析,提出了分解集成模型EMD-ESN-AdaBoost.TSF。該模型首先對(duì)原始數(shù)據(jù)進(jìn)行分解得到了7個(gè)分量和殘差,由于第一個(gè)分量包含了太多噪聲,對(duì)于預(yù)測(cè)沒有太大的意義。因而在預(yù)測(cè)的過程中,剔除了第一個(gè)分量和殘差。接下來對(duì)于剩余的數(shù)據(jù)采用回聲狀態(tài)的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)分析。最后,為了消除單個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的不穩(wěn)定性,本文采用了集成方法對(duì)預(yù)測(cè)結(jié)果進(jìn)行了集成。實(shí)證研究表明,組合分解模型EMD-ESN-AdaBoost.TSF相比于其他預(yù)測(cè)模型具有較好的預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性,各項(xiàng)誤差評(píng)價(jià)指標(biāo)均表明本文的主模型具有最好的預(yù)測(cè)效果,預(yù)測(cè)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(cè)方法在實(shí)際工作中可以為港口運(yùn)輸、管理提供參考。

【文章頁數(shù)】：39 頁

【學(xué)位級(jí)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(cè)方法
        1.2.2 定量預(yù)測(cè)方法
        1.2.3 組合預(yù)測(cè)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(chǔ)備池特點(diǎn)
        2.1.3 回聲狀態(tài)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)
        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(shí)間序列數(shù)據(jù)的嵌套交叉驗(yàn)證
        2.5.1 交叉驗(yàn)證
        2.5.2 嵌套交叉驗(yàn)證
    2.6 經(jīng)驗(yàn)?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(cè)性能評(píng)價(jià)指標(biāo)
第三章 實(shí)證分析
    3.1 數(shù)據(jù)來源
    3.2 數(shù)據(jù)走勢(shì)
    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(cè)模型的比較
        3.5.1 模型的預(yù)測(cè)結(jié)果
        3.5.2 預(yù)測(cè)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(xiàn)
致謝



本文編號(hào)：3901561