基于分解集成方法论和数据特征分析的港口集装箱吞吐量预测研究

To the management of ports and related enterprises, container throughput forecasting provides decision support for port planning and daily operation. Also, the forecasting results help the authorities to understand the development cycle of ports, grasp the trend of the world economy and track global economic fluctuation. As a consequence, it has significant value to develop port strategy scientificly, allocate resources in port construction rationally, and promote local economic and social development. In order to improve the prediction accuracy of container throughput at ports, this project develops novel forecasting models based on a decomposition-ensemble methodology and data characteristic analysis (DCA). Specifically, the classical decomposition, seasonal decomposition, wavelet decomposition, ensemble empirical mode decomposition and DCA are used for the development of hybrid forecasting models, which extend the existing investigation on container throughput forecasting effectively. In particular, the overall process of DCA is designed, and the relationships between data characteristics of decomposed components and development of forecasting models are demonstrated. Also, we try to find the reasons behind the data characteristics of container throughput at ports and give economic explanation. Furthermore, the proposed DCA based container throughput forecasting methods within a decomposition-ensemble methodology are compared, and their extension is explored. This project will develop a series of new forecasting methods to improve the prediction accuracy of container throughput at ports, and make significant innovations in forecasting theory and application.

港口集装箱吞吐量预测为港口规划和相关企业提供决策支持，帮助主管部门了解港口发展周期和趋势、把握世界经济走势、跟踪经济波动的传导，进而科学制定港口发展战略、合理分配港口建设资源、促进当地经济社会发展。为提高港口集装箱吞吐量预测精度，本课题将基于分解集成方法论，首次将数据特征分析方法引入到港口集装箱吞吐量预测。具体而言，基于经典分解、季节分解、小波分解、集成经验模态分解等时间序列分解技术和数据特征分析，分别开发港口集装箱吞吐量预测模型和方法，实现对现有预测方法的有效改进。特别地，将设计数据特征分析流程，论证分解成分数据特征与预测模型构建之间的关系，找出数据特征背后的原因和经济解释。进一步，实现基于数据特征分析选择原始时间序列的分解方法，对以上提出的预测方法进行比较，并开展拓展性研究。本项目将开发一系列新的预测方法，提高港口集装箱吞吐量预测精度，在预测理论与方法方面有重要创新。

海上运输承担着全球90%以上的货物贸易运输量，而集装箱化是海上运输的发展趋势。因此，集装箱运输业的景气程度是世界经济与贸易发展的晴雨表，集装箱运输业的吞吐量增长情况直接体现着世界贸易的繁荣与发展。港口集装箱吞吐量预测为港口规划和相关企业提供决策支持，帮助主管部门了解港口发展周期和趋势、把握世界经济走势、跟踪经济波动的传导，进而科学制定港口发展战略、合理分配港口建设资源、促进当地经济社会发展。为提高港口集装箱吞吐量预测精度，本课题将基于分解集成方法论，首次将数据特征分析方法引入到港口集装箱吞吐量预测。具体而言，基于经典分解、季节分解、小波分解、集成经验模态分解等时间序列分解技术和数据特征分析，分别开发港口集装箱吞吐量预测模型和方法，实现对现有预测方法的有效改进。特别地，将设计数据特征分析流程，论证分解成分数据特征与预测模型构建之间的关系，找出数据特征背后的原因和经济解释。进一步，实现基于数据特征分析选择原始时间序列的分解方法，对以上提出的预测方法进行比较，并开展拓展性研究。使用RMSE、MAPE等指标，将基于季节分解和数据特征分析的预测方法与原季节分解方法比较，检验了新方法的有效性。另外，基于小波变换和数据特征分析提出了一个用于港口集装箱吞吐量预测的方法，与传统的ARIMA、ANN和部分混合模型比较，该方法能取得更好的预测效果。我们也将该方法应用于旅游需求预测，基于自适应噪声的完整集成经验模态分解和数据特征分析提出了一个分解集成的预测方法。利用核主成分分析方法处理潜在游客的网络搜索数据，构建了一个网络搜索指数，并将其引入到预测模型中。另外，也提出了基于互联网大数据和经济指标的旅游需求预测方法。结果表明这些方法可以有效提高旅游需求预测精度。通过该课题研究，我们收集了全球Top20港口集装箱吞吐量数据，本项目开发了一系列新的预测方法，提高港口集装箱吞吐量预测精度，在预测理论与方法方面有重要创新。