【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)測有助于確定合理的投資規(guī)模、優(yōu)化布局、降低運(yùn)營成本、制定發(fā)展戰(zhàn)略,從而實現(xiàn)最大的投資效益。因此,準(zhǔn)確預(yù)測港口集裝箱吞吐量已經(jīng)成為當(dāng)今的一個研究熱點�；诖�,本文構(gòu)建了一個新的分解-集成組合模型VMD-ARIMA-HGWOSVR(VAHS),以期對港口的集裝箱吞吐量實現(xiàn)較高精度的預(yù)測。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,通過建立差分自回歸滑動平均模型(ARIMA)預(yù)測波動性較小的低頻分量;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)對波動性較大的高頻分量進(jìn)行預(yù)測;最后,集成所有模態(tài)的預(yù)測結(jié)果得到最終結(jié)果。本文選取目前全球最大的兩個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)行實證研究。通過MSE,MAE,MAPE,CDFR和FVD誤差分析指標(biāo)評價和DM檢驗,對本文提出的VMD-ARIMA-HGWO-SVR模型和其他基準(zhǔn)模型的預(yù)測效果進(jìn)行比較,對比結(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)測低頻分量比使用SVR模型預(yù)測所有分量產(chǎn)生更好的結(jié)果,VAHS模型預(yù)測結(jié)果較其他模型與實際數(shù)據(jù)更為相近,實現(xiàn)了最高的預(yù)測精度。因此,該模型有望用于實際工作中,為港口的規(guī)劃、建設(shè)、運(yùn)營管理及科學(xué)發(fā)展提供參考。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：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)測的背景及意義，指出港口集裝箱吞吐量預(yù)測是港口發(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)，對港口運(yùn)輸系統(tǒng)的各個方面都有著關(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)、制定港口未來的運(yùn)營和發(fā)展戰(zhàn)略、有效提高港口的運(yùn)營管理效率，降低運(yùn)營成本等。接著對當(dāng)前國內(nèi)外關(guān)于港口集裝箱吞吐量預(yù)測的研究文獻(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)測為實證研究對象，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

（HGWO）法（GWO）到灰狼的社會領(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 的決定會被傳送到整個種群并且被它幫助 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。

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)走勢本部分對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;;基于時間序列分析的港口集裝箱吞吐量預(yù)測分析[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[J];船海工程;2016年04期

3 張樹奎;肖英杰;魯子愛;;基于灰色神經(jīng)網(wǎng)絡(luò)的港口集裝箱吞吐量預(yù)測模型研究[J];重慶交通大學(xué)學(xué)報(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)測控制[J];控制與決策;2014年04期

6 祝建;;我國港口吞吐量預(yù)測方法研究綜述[J];中國水運(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[J];同濟(jì)大學(xué)學(xué)報(自然科學(xué)版);2007年06期

8 丁淑富,李波;組合預(yù)測模型在港口貨物吞吐量預(yù)測的應(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;我國集裝箱港口吞吐量預(yù)測及發(fā)展研究[D];大連海事大學(xué);2007年

本文編號：2745328