基于组合模型的厦门港集装箱吞吐量预测

为预测厦门港未来集装箱吞吐量,运用灰色Verhulst与马尔科夫组合模型建立厦门港集装箱吞吐量的预测模型,得出厦门港2018—2022年的集装箱吞吐量数据。研究结果表明,组合模型将平均绝对误差由3.74%降低至1.65%,预测精度为一级。预测结果具有较高的可信度,可为厦门港的集装箱未来发展规划提供参考依据。     

基于灰色马尔科夫模型的深圳港集装箱吞吐量预测

为了更准确的预测港口集装箱吞吐量,以深圳港2003-2017年集装箱吞吐量数据为基础,通过数学方法将灰色预测模型和马尔科夫预测模型两种数学模型结合起来,建立灰色马尔科夫模型,然后利用灰色预测模型与灰色马尔科夫模型分别进行深圳港集装箱吞吐量的预测计算。结果表明:灰色马尔科夫预测模型能大幅降低波动性较大的时间序列的预测误差,尤其适用于中长期的预测;同时,传统的灰色预测GM(1,1)模型的预测精度也得到明显提高。根据建立的预测模型,计算出了深圳港2018-2020年的集装箱吞吐量预测值。     

季节性变动影响下的上海港集装箱吞吐量预测

港口吞吐量精准预测对于每一个港口的成功经营和有效决策都十分重要.季节性波动经常会影响港口吞吐量,为了更为准确地预测上海港口集装箱吞吐量,本文选取2007年至2012年上海港母港集装箱吞吐量的月度数据,并对于港口集装箱吞吐量的月度数据中出现的季节性波动进行了处理,采用季节时间序列模型对其进行预测.为了说明方法的有效性,以同样的数据,使用整自回归移动平均模型对上海港集装箱吞吐量进行预测.两种方法预测结果进行对比发现,利用季节时间序列模型对港口集装箱吞吐量季节性进行处理,能够提高港口集装箱吞吐量的预测精度.     

贫信息状态下的集装箱吞吐量精确预测灰色模型

运用灰色系统理论，建立集装箱吞吐量的灰色预测模型，解决信息匮乏条件下决策依据问题，利用灰色预测模型预测了大连港未来7年的集装箱吞吐量，从预测结果来看，其历史实际值拟合度好，表明了模型具有较高的可靠性。     

组合模型在港口集装箱吞吐量预测中的应用

根据某港的集装箱吞吐量的历史数据,分别利用时间序列的三次指数平滑法、改进的GM(1,1)残差模型以及组合预测方法对某港的集装箱吞吐量进行了探讨,并对未来几年某港集装箱吞吐量进行了预测.结果证明:组合预测模型融合了前两种预测方法的优点,其平均绝对误差、平均相对误差绝对值以及误差的标准差分别为4.5208,0.0343,49.5161,都小于单独用三次指数平滑法或改进的GM(1,1)残差模型时的平均绝对误差、平均相对误差绝对值以及误差的标准差,达到最优的精度等级.     

基于新陈代谢灰色马尔科夫模型的芜湖港集装箱吞吐量预测

为提高内河港口规划的合理性,更加精确地预测内河港口集装箱吞吐量,先用安徽芜湖港近年集装箱吞吐量数据建立了灰色GM(1,1)预测模型,然后采用新陈代谢法实时更新预测数据,构建新陈代谢动态灰色GM(1,1)模型,再运用马尔科夫模型分别对两个模型的预测结果进行修正。对比预测结果发现,灰色GM(1,1)马尔科夫模型比灰色GM(1,1)模型平均相对误差降低43%,新陈代谢灰色GM(1,1)马尔科夫模型比新陈代谢灰色GM(1,1)模型平均相对误差降低45%。由此可得出,新陈代谢灰色GM(1,1)马尔科夫模型的结果具有更高的可信度。     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

我国煤炭需求组合预测模型及应用

煤炭需求是一个复杂的非线形系统,其发展变化具有增长性和波动性,科学地预测煤炭需求量对于正确制定煤炭工业发展规划和优化配置煤炭资源具有重要意义。本文在对我国煤炭消费历史数据分析的基础上,构建了一元回归模型、灰色预测的GM(1,1)模型和三次指数平滑模型3个单一预测模型;据此,基于二次规划法和Shapley值权重分配法分别构建了组合预测模型。实证研究结果表明,组合模型预测效果均优于单一模型,可以作为煤炭需求预测的有效工具;基于这一组合模型对我国2013—2020年煤炭需求量进行了预测,为制定未来煤炭需求发展规划提供了依据。     

集装箱吞吐量及主要影响因素的计量经济分析

利用近年来的相关数据对港口集装箱吞吐量、港口所在城市的国民生产总值以及地方进出口商品总值进行了计量经济分析,通过二元线性回归模型对港口未来集装箱吞吐量进行预测,并对模型进行了相关检验,为港口岸线资源的合理开发与利用提供决策依据,为港口未来发展以及定位提供参考.     

关于几种经济预测模型的应用研究

在社会经济的各个领域,大量的决策问题离不开对变量未来值的预测或对不易观测变量的预测。而在进行预测的过程中,最重要的是预测模型的选择。本文着重研究了经济预测中常用的线性回归模型、灰色预测模型和RBF神经网络模型,并且引入组合预测模型对这三种单项预测模型进行优化。通过对天津港货物吞吐量预测的实例分析,检验了这些方模型的可行性和可靠性,为决策者制定相应的战略规划提供了科学的参考依据。     

厦门市机动车保有量的预测方法

为了预测厦门市未来5年、15年的机动车保有量,以厦门市历年机动车保有量为研究对象,选取地区GDP、财政总收入、人均可支配收入、燃料零售价格指数、常住人口、公路通车里程等6个影响较大的数据指标.采用传统的非线性回归方法,主成份分析与Logistic模型相结合的方法,综合考虑两种预测方法及其结果,预测厦门市2020年、2030年的机动车保有量分别约为220万辆、530万辆.     

相同腹地港口吞吐量预测方法

以港口群的角度思考港口的发展与规划是当前港口规划的重要思路.作为港口规划重要依据的港口吞吐量预测也要从港口群的角度去计算.给出了从港口群角度分析预测群内各港口吞吐量的方法,即先采用常规的预测方法预测港口群的总吞吐量,再用层次分析法将这一总量分解到各港口.以长江三角洲集装箱港口群为例,预测了嘉兴港2010年以前的集装箱吞吐量.     

基于径向基神经网络的集装箱吞吐量组合预测

利用上海港国际集装箱吞吐量的历史数据,分别采用灰色预测法和三次多项式曲线模型建立了单项预测模型.利用径向基（RBF）神经网络对两个单项预测模型结果进行了组合预测,以作为其最终的预测值.实验结果表明,采用组合方法比采用单一预测方法的预测精度有了进一步的提高.最后,应用马尔可夫链预测模型对组合预测结果进行分析,增加了结果的可信性.     

需水量预测的线性测量误差模型

为了克服现有需水量预测方法未考虑原始数据测量误差的缺陷,以扬州市1999~2006年的GDP及用水量作为原始数据,建立了需水量预测的线性测量误差模型,并对扬州市2010年、2015年和2020年的需水量进行了预测.与普通线性回归方法的对比结果表明,线性测量误差模型预测精度较高,其预测结果可以为节约用水规划及水资源规划提供依据.     

基于Holt-Winters及长短期记忆的云资源组合预测模型

云资源的预测分析对于响应资源请求并及时作出决策非常重要,针对容器云资源的过度调配、供应不足的资源管理问题,云资源预测精度低,数据波动性问题,为使云资源的预测能够为工作负载的需求提前响应并作出合理分配,提出了一种基于Holt-Winters和长短期记忆神经网络( HW-LSTM )的云资源组合预测模型,并以预测残差的变异系数赋权。对亚马逊CPU数据集的预测实验表明,提出的组合模型比Holt-Winters、LSTM及CNN模型预测性能及稳定性更好,各项误差指标优化范围在0.065-1.026、0.023-0.269、0.001-0.007、0.004-0.039和0.079-4.125之间。     

基于自适应神经网络的云资源预测模型

为了避免容器云资源因资源供求不均衡而导致的资源利用率差等问题,需要对未来时刻的资源需求情况进行预测来进行更精准的调度和分配资源,因此,结合神经网络的高效学习能力与自适应调整的学习率,提出一种基于自适应神经网络的云资源预测模型。首先,融合卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short-term memory, LSTM)网络的特点去挖掘历史数据的特征,预测未来的资源需求;然后,根据模型预测情况自适应调整学习率,提高模型预测的精度。使用Microsoft Azure公开数据集进行测试,相较于单一模型CNN、LSTM和未加入自适应学习率的神经网络模型,均方根误差分别下降了17.74%、18.27%和6%,证明了模型的有效性。     

混合算法在港口吞吐量预测中的应用

针对单一预测方法存在的不足,采用一种联合时间序列法和因果分析法的混合算法预测港口吞吐量.并以宿迁港吞吐量预测为例,对这种方法进行了详细说明.预测过程中借助主成分分析法提取出影响港口吞吐量的关键因子,利用改进的灰色模型理论对关键因子中远期未来值做出预估,最后通过吞吐量与关键因子的线性回归得出宿迁港在预测年份的吞吐量值.通过对混合算法预测模型误差的检验发现,此预测方法的模型精度较高,能够满足港口吞吐量预测的要求,可以推广到类似港口吞吐量的预测中.