港口吞吐量概率预测模型研究

广东省沿海港泊货物吞吐量预测问题研究——基于GM(1,1)
幂—指数组合模型
朱坚真;刘汉斌
【期刊名称】《海洋经济》
【年(卷),期】2013(003)001
【摘要】依据广东省港口的实际情况,结合已有的港口吞吐量预测理论,通过分析广东省沿海港口货物吞吐量序列数据,建立了GM(1,1)幂—指数预测模型,有效地提高了预测的精度和准确度.在此基础上,运用关联度的方法,并从定性的角度分析了广东省GDP、外贸进出口额、全社会的投资总额及能量的消耗总量等因素对预测结果造成的影响,并对预测的结果进行修正.
【总页数】6页(P26-31)
【作者】朱坚真;刘汉斌
【作者单位】广东海洋大学,广东湛江524088;广东海洋大学,广东湛江524088【正文语种】中文
【中图分类】F550.7
【相关文献】
1.基于改进 GM（1，1）模型的上海港集装箱吞吐量预测 [J], 陈昌源;戴冉;杨婷婷;吴祖新;黎泉
2.优化的GM(1,1)幂模型在港口吞吐量预测中的应用 [J], 黄跃华;陈海山
3.基于GM(1,1)模型的广西沿海港口吞吐量预测分析 [J], 唐琮沅;景保峰
4.基于灰色系统理论GM(1,1)模型的货物吞吐量预测应用
——以湛江港口为例 [J], 杨倩霞;姜鹏
5.基于灰色系统理论GM(1,1)模型的货物吞吐量预测应用——以湛江港口为例 [J], 杨倩霞;姜鹏
因版权原因，仅展示原文概要，查看原文内容请购买。

第４２卷第１期２０２１年３月上㊀海㊀海㊀事㊀大㊀学㊀学㊀报ＪｏｕｒｎａｌｏｆＳｈａｎｇｈａｉＭａｒｉｔｉｍｅＵｎｉｖｅｒｓｉｔｙＶｏｌ.４２㊀Ｎｏ.１Ｍａｒ.２０２１ＤＯＩ:１０.１３３４０/ｊ.ｊｓｍｕ.２０２１.０１.０１３文章编号:１６７２－９４９８(２０２１)０１￣００７６￣０６基于优化灰色马尔科夫动态模型的上海港集装箱吞吐量预测杜柏松ꎬ艾万政ꎬ胡林燕ꎬ刘然(浙江海洋大学船舶与海运学院ꎬ浙江舟山３１６０２２)摘要:为更准确地预测港口集装箱吞吐量ꎬ以灰色马尔科夫模型为基础ꎬ建立一种优化的灰色马尔科夫动态模型ꎮ根据上海港集装箱吞吐量历史数据建立ＧＭ(１ꎬ１)预测模型ꎮ引入无偏灰色预测理论对ＧＭ(１ꎬ１)预测模型进行优化ꎮ构造等维信息模型ꎬ及时更新预测使用的数据以形成动态预测ꎮ利用马尔科夫理论对优化后的ＧＭ(１ꎬ１)预测残差值进行修正ꎬ得出上海港集装箱吞吐量的预测值ꎮ研究结果表明ꎬ与传统灰色马尔科夫模型相比ꎬ优化的灰色马尔科夫动态模型预测精度提高了３７.０３％ꎬ预测值拟合曲线更加贴近实际值曲线ꎬ预测结果有更高的可信度ꎬ为上海港集装箱吞吐量预测提供了一种新的方法ꎮ关键词:集装箱吞吐量ꎻ灰色马尔科夫模型ꎻ无偏灰色预测ꎻ动态预测中图分类号:Ｕ６９１＋.７１㊀㊀㊀㊀文献标志码:Ａ收稿日期:２０２０￣０６￣０３㊀修回日期:２０２０￣０８￣０５基金项目:长江科学院开放研究基金(ＣＫＷＶ２０１９７２９/ＫＹ)ꎻ浙江海洋大学研究生教育质量系列工程项目(２０１９０１０２)作者简介:杜柏松(１９８４ )ꎬ男ꎬ山东菏泽人ꎬ船长ꎬ讲师ꎬ硕士ꎬ研究方向为航海安全保障㊁应用模型建模ꎬ(Ｅ￣ｍａｉｌ)ｄｕｂａｉｓｏｎｇ＠ｚｊｏｕ.ｅｄｕ.ｃｎ艾万政(１９７１ )ꎬ男ꎬ湖北浠水人ꎬ副教授ꎬ博士ꎬ研究方向为航海安全保障ꎬ(Ｅ￣ｍａｉｌ)ａｉｗａｎｚｈｅｎｇ＠１２６.ｃｏｍＣｏｎｔａｉｎｅｒｔｈｒｏｕｇｈｐｕｔｐｒｅｄｉｃｔｉｏｎｏｆＳｈａｎｇｈａｉＰｏｒｔｂａｓｅｄｏｎｏｐｔｉｍｉｚｅｄｇｒｅｙＭａｒｋｏｖｄｙｎａｍｉｃｍｏｄｅｌＤＵＢａｉｓｏｎｇꎬＡＩＷａｎｚｈｅｎｇꎬＨＵＬｉｎｙａｎꎬＬＩＵＲａｎ(ＳｃｈｏｏｌｏｆＮａｖａｌＡｒｃｈｉｔｅｃｔｕｒｅａｎｄＭａｒｉｔｉｍｅꎬＺｈｅｊｉａｎｇＯｃｅａｎＵｎｉｖｅｒｓｉｔｙꎬＺｈｏｕｓｈａｎ３１６０２２ꎬＺｈｅｊｉａｎｇꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＩｎｏｒｄｅｒｔｏｐｒｅｄｉｃｔｔｈｅｐｏｒｔｃｏｎｔａｉｎｅｒｔｈｒｏｕｇｈｐｕｔｍｏｒｅａｃｃｕｒａｔｅｌｙꎬａｎｏｐｔｉｍｉｚｅｄｇｒｅｙＭａｒｋｏｖｄｙｎａｍｉｃｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄｂａｓｅｄｏｎｔｈｅｇｒｅｙＭａｒｋｏｖｍｏｄｅｌ.ＡＧＭ(１ꎬ１)ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｓｅｓｔａｂ￣ｌｉｓｈｅｄｂａｓｅｄｏｎｔｈｅｈｉｓｔｏｒｉｃａｌｄａｔａｏｆＳｈａｎｇｈａｉＰｏｒｔｃｏｎｔａｉｎｅｒｔｈｒｏｕｇｈｐｕｔ.ＴｈｅｕｎｂｉａｓｅｄｇｒｅｙｐｒｅｄｉｃｔｉｏｎｔｈｅｏｒｙｉｓｉｎｔｒｏｄｕｃｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅＧＭ(１ꎬ１)ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ.Ａｎｅｑｕａｌｄｉｍｅｎｓｉｏｎｉｎｆｏｒｍａｔｉｏｎｍｏｄｅｌｉｓｃｏｎｓｔｒｕｃｔｅｄｔｏｕｐｄａｔｅｔｈｅｄａｔａｕｓｅｄｆｏｒｔｈｅｐｒｅｄｉｃｔｉｏｎｉｎｔｉｍｅｔｏｆｏｒｍｔｈｅｄｙｎａｍｉｃｐｒｅｄｉｃｔｉｏｎ.ＭａｒｋｏｖｔｈｅｏｒｙｉｓｕｓｅｄｔｏｃｏｒｒｅｃｔｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｉｄｕａｌｖａｌｕｅｏｆｔｈｅｏｐｔｉｍｉｚｅｄＧＭ(１ꎬ１)ꎬａｎｄｔｈｅｐｒｅｄｉｃｔｅｄｖａｌｕｅｏｆＳｈａｎｇｈａｉＰｏｒｔｃｏｎｔａｉｎｅｒｔｈｒｏｕｇｈｐｕｔｉｓｏｂｔａｉｎｅｄ.ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔꎬｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌｇｒｅｙＭａｒｋｏｖｍｏｄｅｌꎬｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｏｐｔｉｍｉｚｅｄｇｒｅｙＭａｒｋｏｖｄｙｎａｍｉｃｍｏｄｅｌｉｓ３７.０３％ｈｉｇｈｅｒꎬｔｈｅｐｒｅｄｉｃｔｅｄｖａｌｕｅｆｉｔｔｉｎｇｃｕｒｖｅｉｓｃｌｏｓｅｒｔｏｔｈｅａｃｔｕａｌｖａｌｕｅｃｕｒｖｅꎬａｎｄｔｈｅｐｒｅｄｉｃｔｅｄｒｅｓｕｌｔｉｓｏｆｈｉｇｈｅｒｒｅｌｉａｂｉｌｉｔｙ.ＩｔｐｒｏｖｉｄｅｓａｎｅｗｍｅｔｈｏｄｆｏｒＳｈａｎｇｈａｉＰｏｒｔｃｏｎｔａｉｎｅｒｔｈｒｏｕｇｈｐｕｔｐｒｅｄｉｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ:ｃｏｎｔａｉｎｅｒｔｈｒｏｕｇｈｐｕｔꎻｇｒｅｙＭａｒｋｏｖｍｏｄｅｌꎻｕｎｂｉａｓｅｄｇｒｅｙｐｒｅｄｉｃｔｉｏｎꎻｄｙｎａｍｉｃｐｒｅｄｉｃｔｉｏｎ０㊀引㊀言㊀㊀港口集装箱吞吐量具有随机性㊁波动性㊁非线性等特点ꎬ科学地预测港口集装箱吞吐量对我国港口规划基础设施建设㊁研究港口营运管理策略㊁制定港口发展规划等都具有重要的意义ꎮ常见的港口集装箱吞吐量预测方法有很多:郭战坤等[１]考虑到时间序列中可能存在异常值ꎬ提出了基于局部异常因子的奇异谱分析与最小二乘支持向量机组合预测模型ꎮ冯宏祥等[２]分别应用经验模态分解(ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎꎬＥＭＤ)算法和季节自回归综合移动平均(ｓｅａｓｏｎａｌａｕｔｏｒｅｇｒｅｓｓｉｖｅｉｎｔｅｇｒａｔｅｄｍｏｖｉｎｇａｖｅｒａｇｅꎬＳＡＲＩＭＡ)算法ꎬ对各影响因素的分量分别进行预测ꎬ得出了间接型模型的预测精度高于直接型模型的预测精度的结论ꎮ丁文涛等[３]为消除集装箱吞吐量影响因素的多重共线性ꎬ利用偏最小二乘法原理建模ꎬ在港口集装箱吞吐量预测上取得了良好效果ꎮ郭睿[４]采用误差反向传播神经网络对港口吞吐量预测进行了深入研究ꎮ此外ꎬ还有指数平滑法㊁线性回归分析法等ꎮ上述方法的计算较为复杂㊁对历史数据要求较高ꎮ集装箱吞吐量体系是一个典型的灰色系统[５]ꎬＧＭ(１ꎬ１)预测模型具有需要历史数据少㊁预测精度较高㊁能反映系统长期发展趋势等优点ꎬ比较适合港口集装箱吞吐量预测ꎮ杨金花等[６]利用ＧＭ(１ꎬ１)预测了上海未来３年的集装箱吞吐量ꎻ陈昌源等[７]在ＧＭ(１ꎬ１)预测的基础上引入弱化算子理论对原始数据进行优化ꎬ在预测精度上相对于传统ＧＭ(１ꎬ１)预测模型有所提高ꎻ杜柏松等[８]将ＧＭ(１ꎬ１)与马尔科夫理论结合ꎬ构造了灰色马尔科夫模型ꎬ预测结果表明灰色马尔科夫模型预测效果更好ꎬ并能克服历史数据的波动性ꎮ近年来ꎬ国内外很多学者对ＧＭ(１ꎬ１)和灰色马尔科夫模型在实际问题中的应用进行了大量的研究[９￣１２]ꎮ然而ＧＭ(１ꎬ１)和灰色马尔科夫模型的计算过程有待简化ꎬ预测精度有待提高ꎮ本研究对灰色马尔科夫模型进行优化ꎬ以简化计算过程㊁提高对港口集装箱吞吐量的预测精度ꎮ１㊀港口集装箱吞吐量灰色预测模型１.１㊀ＧＭ(１ꎬ１)预测模型的建立记第ｋ年港口集装箱吞吐量为ｘ(０)(ｋ)ꎬ以历年港口集装箱吞吐量为原始序列Ｘ(０)＝{ｘ(０)(１)ꎬｘ(０)(２)ꎬ ꎬｘ(０)(ｎ)}ꎻ称Ｘ(１)＝{ｘ(１)(１)ꎬｘ(１)(２)ꎬ ꎬｘ(１)(ｎ)}为Ｘ(０)的一阶累加序列ꎬｘ(１)(ｋ)＝ ｋｉ＝１ｘ(０)(ｉ)ꎬｋ＝１ꎬ２ꎬ ꎬｎꎻ称Ｚ(１)＝{ｚ(１)(２)ꎬｚ(１)(３)ꎬ ꎬｚ(１)(ｎ)}为Ｘ(１)的紧邻均值序列ꎬｚ(１)(ｋ)＝１２(ｘ(１)(ｋ)＋ｘ(１)(ｋ－１))ꎬｋ＝２ꎬ３ꎬ ꎬｎꎮ构造港口集装箱吞吐量一阶线性方程:ｄｘ(１)(ｔ)ｄｔ＋ａｘ(１)(ｔ)＝ｕ(１)㊀㊀令＾ａ＝ａꎬｕ()Ｔꎬ并构造矩阵Ｂ和Ｙꎬ通过最小二乘法求得参数ａ和ｕ:Ｂ＝－ｚ(１)(２)１－ｚ(１)(３)１⋮⋮－ｚ(１)(ｎ)１æèççççöø÷÷÷÷ꎬ㊀Ｙ＝ｘ(０)(２)ｘ(０)(３)⋮ｘ(０)(ｎ)æèççççöø÷÷÷÷(２)＾ａ＝(ａꎬｕ)Ｔ＝(ＢＴＢ)－１ＢＴＹ(３)㊀㊀由式(１)和(３)即可求出港口集装箱吞吐量ＧＭ(１ꎬ１)预测模型的响应式:㊀㊀＾ｘ(１)(ｋ＋１)＝ｘ(０)(１)－ｕａæèçöø÷ｅ－ａｔ＋ｕａꎬ㊀㊀ｋ＝１ꎬ２ꎬ ꎬｎ(４)对式(４)进行累减计算ꎬ即可得到港口集装箱吞吐量的ＧＭ(１ꎬ１)预测模型:㊀＾ｘ(０)ｋ＋１()＝(１－ｅａ)(ｘ(０)(１)－ｕ/ａ)ｅ－ａｋꎬｋ＝１ꎬ２ꎬ ꎬｎ(５)１.２㊀ＧＭ(１ꎬ１)的无偏优化ＧＭ(１ꎬ１)是我国学者邓聚龙教授提出的ꎬ众多学者通过不断实践检验发现ꎬ该模型更适合于原始数据序列呈指数变化且变化速度不快的情景ꎮ吉培荣等[１３]证明了ＧＭ(１ꎬ１)是具有偏差的模型ꎬ并提出了无偏ＧＭ(１ꎬ１)预测模型ꎬ这不仅使预测精度有了显著提高ꎬ而且简化了运算ꎮ因此ꎬ在构建港口集装箱吞吐量预测模型时ꎬ为消除ＧＭ(１ꎬ１)的预测偏差ꎬ对ＧＭ(１ꎬ１)进行无偏优化ꎮ首先根据ＧＭ(１ꎬ１)建模过程求得参数ａ和ｕꎬ然后计算无偏ＧＭ(１ꎬ１)的参数:ｂ＝ｌｎ２－ａ２＋ａꎬＭ＝２ｕ２＋ａ(６)最后ꎬ可得经过无偏优化的ＧＭ(１ꎬ１):＾ｘ(０)(ｋ)＝ｘ(０)(１)ꎬｋ＝１Ｍｅｂ(ｋ－１)ꎬｋ＝２ꎬ３ꎬ ꎬｎ{(７)㊀㊀优化后的ＧＭ(１ꎬ１)消除了ＧＭ(１ꎬ１)固有的预测偏差ꎬ预测精度得以提高ꎬ而且预测值可以直接根据式(７)求取ꎬ无须再进行累减ꎬ简化了计算过程ꎮ７７第１期杜柏松ꎬ等:基于优化灰色马尔科夫动态模型的上海港集装箱吞吐量预测１.３㊀无偏优化的ＧＭ(１ꎬ１)的动态优化ＧＭ(１ꎬ１)预测的优点是需要的历史数据少(５个左右即可预测)ꎬ能够充分利用有限的数据进行精度较高的预测ꎬ但仅适合于变化趋势明显且波动不大的数据序列ꎬ对于波动大的数据序列预测精度明显降低ꎮ在用ＧＭ(１ꎬ１)进行预测时ꎬ引入动态建模的思想ꎬ采用新陈代谢的方法ꎬ在预测过程中不断更新数据ꎬ舍弃旧的数据ꎮ即用数据序列Ｘ(０)＝(ｘ(０)(１)ꎬｘ(０)(２)ꎬ ꎬｘ(０)(ｋ))获得ｋ＋１时刻的预测值后ꎬ对该数据序列进行更新:去掉ｘ(０)(１)ꎬ加入预测值＾ｘ０()ｋ＋１()ꎬ构成新数列Ｘᶄ(０)ꎬ用来获得ｋ＋２时刻的预测值ꎮ㊀Ｘᶄ(０)＝(ｘ(０)(２)ꎬｘ(０)(３)ꎬ ꎬ＾ｘ(０)(ｋ＋１))(８)㊀㊀按照此方法在保持预测数据序列等维的同时ꎬ不断动态更新预测使用的数据ꎬ称作无偏优化的ＧＭ(１ꎬ１)动态预测模型ꎮ该模型不仅保留了ＧＭ(１ꎬ１)短期预测精度高的优点ꎬ还能充分利用已知数据提高预测精度ꎮ２㊀优化的灰色马尔科夫动态模型港口集装箱吞吐量实际值与ＧＭ(１ꎬ１)预测值之间的差值称为残差ꎬ可以把残差分布情况看作马尔科夫链状态[１４]ꎮ马尔科夫预测最显著的特点是无后效性ꎬ即所预测的将来状态只与当前状态有关ꎬ与过去状态无关ꎬ这一特点刚好可以弥补灰色预测对波动性大的数据预测精度不高的缺点ꎮ传统灰色马尔科夫模型的建模原理为ꎬ将ＧＭ(１ꎬ１)预测与马尔科夫预测结合起来ꎬ利用马尔科夫预测修正ＧＭ(１ꎬ１)的预测值ꎮ具体建模过程如下:首先ꎬ根据ＧＭ(１ꎬ１)的预测值计算出残差和相对误差:㊀ｅ(ｋ)＝ｘ(０)(ｋ)－＾ｘ(０)(ｋ)ꎬ㊀ｋ＝１ꎬ２ꎬ ꎬｎ(９)㊀Ｑ＝ｅ(ｋ)ｘ(０)(ｋ)ꎬ㊀ｋ＝１ꎬ２ꎬ ꎬｎ(１０)㊀㊀其次ꎬ根据残差序列值的相对误差分布情况ꎬ均等设置ｉ个马尔科夫状态区间:Ｅｉ＝[ＬｉꎬＵｉ]ꎬ㊀ｉ＝１ꎬ２ꎬ ꎬｎ(１１)㊀㊀再次ꎬ计算状态转移概率矩阵ꎬ利用频率等于概率的原理ꎬ即ｐｉｊ＝ｎｉｊ/ｎｉ(ｎｉ为状态Ｅｉ出现的总次数ꎬｎｉｊ为由状态Ｅｉ转移到Ｅｊ的数据个数)ꎬ得到一步状态转移概率矩阵Ｐ:Ｐ＝ｐ１１ｐ１２ ｐ１ｎｐ２１ｐ２２ｐ２ｎ⋮⋮⋮ｐｎ１ｐｎ２ｐｎｎæèççççöø÷÷÷÷(１２)㊀㊀假设残差系统的初始状态为Ｓ０ꎬ经过ｎ步发展变化后ꎬ状态变为Ｓｎꎬ则状态Ｓｎ为Ｓｎ＝Ｓ０Ｐｎ(１３)㊀㊀最后ꎬ通过比较各状态概率的大小ꎬ确定概率最大的状态为预测状态Ｅｉ＝[ＬｉꎬＵｉ]ꎬ从而可得灰色马尔科夫模型的预测公式:ｙ＝＾ｘ(０)(ｋ)１ʃ０.５(Ｌｊ＋Ｕｊ)(１４)式中: ʃ 在预测状态为 高估 时取 ＋ ꎬ在预测状态为 低估 时取 － ꎮ优化的灰色马尔科夫动态模型与灰色马尔科夫模型的计算原理和步骤是一样的ꎬ利用马尔科夫理论对优化后的ＧＭ(１ꎬ１)预测残差值进行修正ꎮ３㊀模型精度检验对ＧＭ(１ꎬ１)的检验一般采取均方差比值(Ｃ)检验和小概率误差(Δ)检验２种方式ꎬ用以判定所建模型的优劣ꎮ通过优化的灰色马尔科夫动态模型和传统灰色马尔科夫模型的建立过程可以看出ꎬ这两种模型均是采用相关数学方法对ＧＭ(１ꎬ１)进行优化ꎬ其实质还是ＧＭ(１ꎬ１)预测ꎮ因此ꎬ采用ＧＭ(１ꎬ１)的检验方式对优化的灰色马尔科夫动态模型和传统灰色马尔科夫模型进行检验ꎬ检验标准见表１ꎮ表１㊀模型预测精度等级划分标准预测精度均方差比值(Ｃ)小概率误差(Δ)优(一级)３５％９５％合格(二级)５０％８０％勉强合格(三级)６５％７０％不合格(四级)８０％６０％４㊀上海港集装箱吞吐量预测为实现对上海港集装箱吞吐量的预测ꎬ以表２中第２列数据(２００６ ２０１９年上海港集装箱吞吐量数据ꎬ来源于«上海市统计年鉴»)为原始序列ꎬ采用优化的灰色马尔科夫动态模型进行预测ꎮ同时ꎬ计算ＧＭ(１ꎬ１)和传统灰色马尔科夫模型的预测值ꎬ用以比较各模型的预测精度ꎮ４.１㊀上海港集装箱吞吐量的ＧＭ(１ꎬ１)预测２００６ ２０１９年上海港集装箱吞吐量呈现稳步上升趋势ꎬ但是该上升趋势线并非直线ꎬ而是有波动的ꎬ尤其是２００７ ２００９年集装箱吞吐量受全球金融危机影响变化幅度很大ꎬ２０１０年以后重回升势ꎬ２０１０ ２０１９年集装箱吞吐量的上升趋势有所放缓ꎬ８７上㊀海㊀海㊀事㊀大㊀学㊀学㊀报㊀㊀第４２卷㊀但仍然有小幅波动ꎮ根据上述优化的灰色马尔科夫动态模型的建立过程ꎬ首先对上海港集装箱吞吐量进行灰色预测ꎮ建立原始序列:㊀Ｘ(０)＝{２１７１.９ꎬ２６１５.２ꎬ２８００.６ꎬ２５００.２ꎬ２９０６.９ꎬ３１７３.９ꎬ３２５２.９ꎬ３３６１.７ꎬ３５２８.５ꎬ３６５３.７ꎬ３７１３.３ꎬ４０２３.３ꎬ４２０１.０ꎬ４３３０.３}然后根据式(１)~(５)可得上海港集装箱吞吐量预测模型:＾ｘ(０)(ｋ＋１)＝２４５６.２５ｅ０.０４４０ｋꎬｋ＝１ꎬ２ꎬ ꎬｎ㊀㊀由此可以求得２００６ ２０１９年的ＧＭ(１ꎬ１)预测值ꎬ见表２ꎮ对ＧＭ(１ꎬ１)进行精度检验ꎬＣʈ１７.４３％ꎬΔ＝１ꎬ虽然预测精度能达到要求ꎬ但预测值仍存在较大误差ꎬ而且由图１可以看出ＧＭ(１ꎬ１)的预测值曲线与实际值曲线背离较大ꎮ为提高预测精度ꎬ对ＧＭ(１ꎬ１)进行优化ꎮ优化过程如下:第１步ꎬ取上海港集装箱吞吐量原始序列Ｘ(０)中的前５个数据ꎬ组成序列㊀Ｘᶄ(０)＝{２１７１.９ꎬ２６１５.２ꎬ２８００.６ꎬ２５００.２ꎬ２９０６.９}㊀㊀第２步ꎬ以Ｘᶄ(０)为原始序列ꎬ根据式(１)~(３)计算出参数ａ和ｕ的值ꎮ第３步ꎬ根据式(６)和(７)对Ｘᶄ(０)进行无偏优化ꎬ求得无偏优化的ＧＭ(１ꎬ１):＾ｘᶄ(０)(ｋ＋１)＝２５７１.３０ｅ０.０２１６ｋꎬｋ＝１ꎬ２ꎬ ꎬｎ㊀㊀第４步ꎬ无偏优化的ＧＭ(１ꎬ１)的动态优化ꎮ经过前３步的计算得到无偏优化的ＧＭ(１ꎬ１)ꎬ进而求得２０１１年的预测值ꎬ然后把Ｘᶄ(０)中的第一个值２１７１.９去除ꎬ加入２０１１年的预测值ꎬ组成新的数列Ｘᵡ(０)ꎮ如此重复计算ꎬ得到无偏优化的ＧＭ(１ꎬ１)的动态预测值ꎬ见表２ꎮ表２㊀ＧＭ(１ꎬ１)的预测值和无偏优化的ＧＭ(１ꎬ１)的动态预测值年份初始值/万ＴＥＵＧＭ(１ꎬ１)预测无偏优化的ＧＭ(１ꎬ１)的动态预测预测值/万ＴＥＵ残差/万ＴＥＵ预测误差第１组/万ＴＥＵ第２组/万ＴＥＵ第９组/万ＴＥＵ预测值/万ＴＥＵ残差/万ＴＥＵ预测误差２００６２１７１.９２１７１.９００㊀２１７１.９ ２１７１.９００㊀２００７２６１５.２２６８２.４－６７.２－０.０２５７２６２７.４２６１５.２ ２６２７.４－１２.２－０.００４７２００８２８００.６２８０３.２－２.６－０.０００９２６８４.８２６７７.４ ２６７７.４１２３.２０.０４４０２００９２５００.２２９２９.４－４２９.２－０.１７１７２７４３.４２７３７.０ ２６４５.１－１４４.９－０.０５８０２０１０２９０６.９３０６１.３－１５４.４－０.０５３１２８０３.３２７９７.９ ２９９９.４－９２.５－０.０３１８２０１１３１７３.９３１９９.１－２５.２－０.００７９２８６４.４２８６０.１ ３１７７.９－４.０－０.００１３２０１２３２５２.９３３４３.１－９０.２－０.０２７７２９２３.８ ３２６８.２－１５.３－０.００４７２０１３３３６１.７３４９３.７－１３２.０－０.０３９３ ３３９６.６－３４.９－０.０１０４２０１４３５２８.５３６５１.０－１２２.５－０.０３４７ ３５２８.５３５３８.０－９.５－０.００２７２０１５３６５３.７３８１５.３－１６１.６－０.０４４２ ３６６０.３３６６０.３－６.６－０.００１８２０１６３７１３.３３９８７.１－２７３.８－０.０７３７ ３７７３.９３７７３.９－６０.６－０.０１６３２０１７４０２３.３４１６６.６－１４３.３－０.０３５６ ３８９１.１３８９１.１１３２.２０.０３２９２０１８４２０１.０４３５４.２－１５３.２－０.０３６５ ４０１１.８４０１１.８１８９.２０.０４５０２０１９４３３０.３４５５０.３－２２０.０－０.０５０８ ４１３６.４４１３６.４１９３.３０.０４４８４.２㊀两种预测模型的马尔科夫优化对上述两种ＧＭ(１ꎬ１)的预测值分别进行马尔科夫优化ꎮ以对无偏优化的ＧＭ(１ꎬ１)的动态预测值的优化为例ꎬ计算步骤如下:(１)计算无偏优化的ＧＭ(１ꎬ１)的动态预测值残差ꎬ见表２ꎮ(２)状态划分ꎮ根据灰色马尔科夫模型建立过程ꎬ按照残差的相对误差情况ꎬ划分出Ｅ１㊁Ｅ２㊁Ｅ３㊁Ｅ４等４种状态ꎬ见表３ꎮ表３㊀无偏优化的ＧＭ(１ꎬ１)的动态预测值残差状态划分状态Ｅ１Ｅ２Ｅ３Ｅ４区间[－５.８０ꎬ－３.２２)[－３.２２ꎬ－０.６４)[－０.６４ꎬ１.９４)[１.９４ꎬ４.５０]９７第１期杜柏松ꎬ等:基于优化灰色马尔科夫动态模型的上海港集装箱吞吐量预测㊀㊀(３)建立状态转移概率矩阵ꎮ根据表３ꎬ可得一步状态转移概率矩阵Ｐ＝０１００００２/３１/３０１/３１/２１/６１/３００２/３æèççççöø÷÷÷÷进而得到多步状态转移概率矩阵Ｐｎꎮ(４)计算无偏优化的ＧＭ(１ꎬ１)的动态预测值的修正值ꎬ即优化的灰色马尔科夫动态模型预测值ꎮ２０１９年以前的预测值可以直接利用式(１４)计算ꎻ对于２０２０年及以后年份的预测值ꎬ首先求出相应年份的无偏优化的ＧＭ(１ꎬ１)的动态预测值ꎬ然后以２０１６ ２０１９年作为预测的基础年份ꎬ通过计算状态转移概率矩阵确定相应预测年份的状态ꎬ取其大者为预测状态ꎬ最后利用式(１４)计算ꎮＧＭ(１ꎬ１)预测值的优化方式同上ꎮ两种灰色马尔科夫模型的预测值见表４ꎮ表４㊀两种预测模型的预测结果比较年份原始值/万ＴＥＵ传统灰色马尔科夫模型优化的灰色马尔科夫动态模型预测值/万ＴＥＵ预测误差误差累计平方和/％预测值/万ＴＥＵ预测误差误差累计平方和/％２００６２１７１.９２１７１.９０㊀２００７２６１５.２２６２６.１－０.００４２２００８２８００.６２７４４.３０.０２０１２００９２５００.２２５４６.８－０.０１８６２０１０２９０６.９２８７６.１０.０１０６２０１１３１７３.９３１３１.９０.０１３２２０１２３２５２.９３２７２.９－０.００６１２０１３３３６１.７３４２０.３－０.０１７４２０１４３５２８.５３５７４.３－０.０１３０２０１５３６５３.７３５８４.５０.０１８９２０１６３７１３.３３７４５.９－０.００８８２０１７４０２３.３４０７９.１－０.０１３９２０１８４２０１.０４２６２.８－０.０１４７２０１９４３３０.３４２７５.００.０１２８０.２５７１２１７９.９０㊀２６１０.４０.００１８２７６６.５０.０１２２２５３１.０－０.０１２３２９４２.６－０.０１２３３１５７.４０.００５２３２４７.１０.００１８３３３２.３０.００８７３５１５.２０.００３８３６３６.７０.００４７３７０２.４０.００２９４０２０.６０.０００７４２４５.３０.０１３３４２７４.００.０１３００.０９５２４.３㊀预测模型的误差分析对上海港集装箱吞吐量预测模型进行误差检验:传统灰色马尔科夫模型的Ｃʈ７.２９％ꎬΔ＝１ꎻ优化的灰色马尔科夫动态模型的Ｃʈ４.０６％ꎬΔ＝１ꎮ根据检验标准(表１)ꎬ两种模型的预测等级均为优ꎬ说明这两种模型均非常适合解决上海集装箱吞吐量预测问题ꎮ优化的灰色马尔科夫动态模型的Ｃ值更小ꎬ而且其平均误差比传统灰色马尔科夫模型的平均误差降低了３７.０３％ꎬ见表４ꎮ为直观比较ＧＭ(１ꎬ１)和两种灰色马尔科夫预测模型的预测精度ꎬ对预测值进行拟合ꎬ见图１ꎮ通过比较拟合曲线走势可知ꎬ优化的灰色马尔科夫动态模型预测值曲线的走势更接近原始值曲线ꎮ４.４㊀上海港集装箱吞吐量预测２０２０年初爆发的新冠肺炎疫情给集装箱的海运需求带来巨大影响ꎬ一方面各班轮公司为稳定市图１㊀预测值拟合曲线场运价大幅度削减运力ꎬ另一方面国际贸易量减少使集装箱运输需求降低ꎮ为体现疫情对上海港集装箱吞吐量的影响和提高预测精度ꎬ在使用马尔科夫理论修正无偏优化的ＧＭ(１ꎬ１)的动态预测值时ꎬ采用残差状态的 极端状态 ꎮ取２０２０ ２０２２年这３年的状态为 Ｅ１＝极度高估 ꎬ计算出优化的灰色马尔科夫动态预测值ꎬ见表５ꎮ㊀㊀疫情发生以来上海港采取了 硬件提升 软件０８上㊀海㊀海㊀事㊀大㊀学㊀学㊀报㊀㊀第４２卷㊀表５　考虑疫情影响的上海港集装箱吞吐量预测年份２０２０２０２１２０２２预测吞吐量/万ＴＥＵ４１５１.６４４０１.３４５７６.６升级 抱团取暖 加速推进和落实国家优惠政策 等一系列措施ꎬ尽最大努力克服疫情影响ꎬ使上海港集装箱业务逐步得以恢复[１５]ꎮ由表５可以看出ꎬ２０２０年上海港集装箱吞吐量预测数据较２０１９年(４３３０.３万ＴＥＵ)有一定幅度下滑ꎬ２０２１年以后随着疫情稳定及世界经济的逐步恢复ꎬ集装箱吞吐量将再次出现增长ꎬ这基本符合上海港集装箱吞吐量的发展趋势ꎬ预测数据有较高的可信度ꎮ５㊀结㊀论(１)ＧＭ(１ꎬ１)能很好地解决上海港吞吐量发展趋势的预测问题ꎬ但却不能反映吞吐量数据波动的真实情况ꎬ结合马尔科夫预测的优点构建灰色马尔科夫模型ꎬ预测精度有了提高ꎮ通过对灰色马尔科夫模型进行无偏优化和等维信息理论动态优化后ꎬ预测精度有了大幅度提高ꎬ计算过程也得以简化ꎮ(２)２０２０ ２０２２年预测数据显示ꎬ２０２０年上海港集装箱吞吐量受疫情影响有一定程度下滑ꎬ２０２１年开始再次恢复增长ꎬ该预测数据能基本反映上海港集装箱吞吐量实际情况ꎬ为上海市相关部门进行港口建设与开发等提供参考ꎮ(３)在对优化的灰色马尔科夫动态模型的预测精度进行分析时发现ꎬ该模型预测结果的拟合曲线在２０１７年以后与实际值曲线有一定程度的背离ꎬ这是因为在利用马尔科夫模型对预测值进行修正时ꎬ取各状态的中间值进行修正ꎬ忽略了实际误差偏离中间值的程度ꎮ考虑采用相关算法对残差进行优化ꎬ期望进一步提高集装箱吞吐量的预测精度ꎬ这将是下一步的研究方向ꎮ参考文献:[１]郭战坤ꎬ金永威ꎬ梁小珍ꎬ等.基于异常值检测的港口集装箱吞吐量预测模型[Ｊ].数学的实践与认识ꎬ２０１９ꎬ４９(１７):２６￣３４.[２]冯宏祥ꎬＧＲＩＦＯＬＬＭꎬＡＧＵＳＴＩＭꎬ等.基于数据分解的上海港集装箱吞吐量预测模型[Ｊ].中国航海ꎬ２０１９ꎬ４２(２):１３２￣１３８.[３]丁文涛ꎬ刘孟琦ꎬ齐越ꎬ等.基于偏最小二乘法的集装箱吞吐量预测模型研究[Ｊ].港工技术ꎬ２０１９ꎬ５６(６):２８￣３２.ＤＯＩ:１０.１６４０３/ｊ.ｃｎｋｉ.ｇｇｊｓ２０１９０６０６.[４]郭睿.基于ＢＰ神经网络的天津港吞吐量预测研究[Ｄ].天津:天津大学ꎬ２０１１.[５]翟希东.港口集装箱吞吐量预测模型研究[Ｄ].大连:大连理工大学ꎬ２００６.[６]杨金花ꎬ杨艺.基于灰色模型的上海港集装箱吞吐量预测[Ｊ].上海海事大学学报ꎬ２０１４ꎬ３５(２):２８￣３２.ＤＯＩ:１０.１３３４０/ｊ.ｊｓｍｕ.２０１４.０２.００６.[７]陈昌源ꎬ戴冉ꎬ杨婷婷ꎬ等.基于改进ＧＭ(１ꎬ１)模型的上海港集装箱吞吐量预测[Ｊ].船海工程ꎬ２０１６ꎬ４５(４):１５３￣１５６ꎬ１６１.ＤＯＩ:１０.３９６３/ｊ.ｉｓｓｎ.１６７１￣７９５３.２０１６.０４.０３６.[８]杜柏松ꎬ朱鹏飞ꎬ梁民仓ꎬ等.基于灰色马尔科夫模型的深圳港集装箱吞吐量预测[Ｊ].浙江海洋大学学报(自然科学版)ꎬ２０１９ꎬ３８(２):１８０￣１８６.[９]ＨＵＹＣꎬＪＩＡＮＧＰꎬＬＥＥＰＣ.Ｆｏｒｅｃａｓｔｉｎｇｔｏｕｒｉｓｍｄｅｍａｎｄｂｙｉｎｃｏｒｐｏｒａｔｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓｉｎｔｏｇｒｅｙ￣Ｍａｒｋｏｖｍｏｄｅｌｓ[Ｊ].Ｔａｙｌｏｒ＆Ｆｒａｎｃｉｓꎬ２０１９ꎬ７０(１).ＤＯＩ:１０.１０８０/０１６０５６８２.２０１７.１４１８１５０.[１０]ＹＡＯＴｉａｎｘｉａｎｇꎬＦＯＲＲＥＳＴＪＹꎬＧＯＮＧＺａｉｗｕ.ＧｅｎｅｒａｌｉｚｅｄｄｉｓｃｒｅｔｅＧＭ(１ꎬ１)ｍｏｄｅｌ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆ２０１１ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＧｒｅｙＳｙｓｔｅｍｓａｎｄＩｎｔｅｌｌｉｇｅｎｔＳｅｒｖｉｃｅｓ.ＩＥＥＥꎬ２０１１:４￣１２.ＤＯＩ:１０.１１０９/ＧＳＩＳ.２０１１.６０４４１４９.[１１]高玲.基于灰色马尔科夫组合模型的福州港吞吐量预测[Ｊ].太原理工大学学报(社会科学版)ꎬ２０１２ꎬ３０(６):９￣１２ꎬ５９.[１２]汤天辰ꎬ李林.基于灰色马尔科夫模型的上海港集装箱吞吐量预测[Ｊ].物流科技ꎬ２０２０ꎬ４３(３):１０５￣１０８ꎬ１１４.[１３]吉培荣ꎬ黄巍松ꎬ胡翔勇.无偏灰色预测模型[Ｊ].系统工程与电子技术ꎬ２０００ꎬ２２(６):６￣７ꎬ８０.[１４]时合生ꎬ樊爱宛ꎬ王巍.用马尔科夫残差修正灰色理论的煤炭需求预测[Ｊ].计算机仿真ꎬ２０１１ꎬ２８(１０):１８７￣１９０.[１５]王力.上海港逐渐恢复繁忙.陆路进港的出口集装箱数量达到正常水平[ＥＢ/ＯＬ].(２０２０￣０３￣１６)[２０２０￣０６￣０３].ｈｔｔｐ://ｓｈｚｗ.ｅａｓｔｄａｙ.ｃｏｍ/ｅａｓｔｄａｙ/ｓｈｚｗ/ｇ/２０２００３１６/ｕ１ａｉ２０４１８０７９＿ｋ２７２２３.ｈｔｍｌ.(编辑㊀赵勉)１８第１期杜柏松ꎬ等:基于优化灰色马尔科夫动态模型的上海港集装箱吞吐量预测。

基于时间序列的港口货物吞吐量GRNN预测模型作者：周少龙,周锋来源：《上海海事大学学报》2011年第01期摘要：为准确进行港口货物吞吐量预测，采用逐步递归的方法，建立基于时间序列的港口货物吞吐量广义回归神经网络(Generalized Regression Neural Network, GRNN）预测模型.利用该模型预测某港口货物吞吐量，结果表明：对于小样本的短期预测，该模型具有适应性好、误差小等特点.关键词：港口；货物吞吐量；时间序列；广义回归神经网络；预测模型中图分类号：U691.71；TP183；O211.61文献标志码：AGRNN model for prediction of port cargo throughputbased on time seriesZHOU Shaolong, ZHOU Feng((School of Navigation, Wuhan Univ. of Technology, Wuhan 430063, China)Abstract： In order to predict the port cargo throughput accurately, the step-by-step recursive method is adopted to establish the Generalized Regression Neural Network (GRNN) model for the prediction of port cargo throughput based on the time series. The model is used to predict the cargo throughput of a port, and the results show that this model is of characteristics of good adaptability and small error, etc, for the short-term prediction of small sample.Key words： port; cargo throughput; time series; generalized regression neural network; prediction model0 引言科学合理地预测港口货物吞吐量是港口主管部门正确决策和规划的基础.目前，港口货物吞吐量的预测方法很多，常用的有BP神经网络［1］、回归分析法、指数平滑法［2］、灰色预测法［2］等.然而，上述方法都存在一定的局限性，即寻找其变化规律需要大量的统计数据.文献［1］对杭州港吞吐量进行预测分析，文献［2］对宁波港集装箱吞吐量进行预测研究，文献［3］利用生长曲线法对厦门港集装箱吞吐量进行预测分析，但上述各模型预测精度并不是很高，与各港口的实际情况存在一定差距.基于天津港历年数据，本文建立基于时间序列广义回归神经网络(Generalized Regression Neural Network, GRNN)的港口货物吞吐量预测模型，并利用该模型预测天津港货物吞吐量.结果表明该模型具有很好的拓扑性，收敛速度快、预测精度高、不易陷入局部极小值等优点，对小样本数据的船舶交通流预测有着很好的发展前景.同时，该模型能够很好地解决上述模型中预测精度不高的问题［4-5］.1 GRNN原理GRNN是一种基于非线性回归理论的前馈式神经网络模型.［4-6］它通过激活神经元逼近函数,其结构见图1.图1 GRNN结构GRNN由一个径向基网络层和一个线性网络层组成：ai1表示第一层输出a1的第i个元素，iW1表示第一层权值矩阵W1的第i行元素；P表示输入向量，R表示网络输入的维数，S 表示每层网络中的神经元个数和训练样本的个数，b1为隐含层阈值;符号表示dist的输出与阈值b1的元素与元素之间的乘积关系.隐含层的传递函数为径向基函数，常用高斯函数Ri=exp－||x－ci||2δ2i作为网络的传递函数,式中光滑因子σi决定径向层i中基函数的形状，且σi越大，基函数Ri越平滑.GRNN的第二层为线性输出层，其权函数为规范化点积（nprod）权函数，用来计算GRNN的向量[WTHX]n[WTBX]2，并将[WTHX]n[WTBX]2输入线性传递函数a2=purelin[WTHX]n[WTBX]2，计算网络输出.GRNN连接权值的学习修正仍然使用BP算法.［7］由于网络隐含层节点中的基函数采用高斯函数，它作为一种局部分布对中心径向对称衰减的非负非线性函数，对输入信号会产生局部响应，即当输入信号靠近基函数中央范围时，隐含层节点会产生较大输出，说明该网络具有局部逼近能力；此外，人为调节参数少，只有一个阈值.网络学习全部依赖数据样本，可避免主观假定对预测结果的影响.2 预测模型设计基于多因素的GRNN预测以历年输出变量影响因素和未来年份预测变量影响因素为基础.由于未来年份的数据无法确定，因此必须融合其他预测方法，以便作进一步预测研究.建立基于时间序列的GRNN预测模型［6-8］，该模型无须预测各影响因素，只对各预测变量作变换处理就可取得较好效果，因为数据本身就是各影响因素综合作用的结果.预测前需进行如下处理：（1）历年港口货物吞吐量就是历年各影响因素的综合反映，利用GRNN的超强非线性映射能力，对历年港口货物吞吐量情况作时间序列划分.（2）根据实际经验，一般前4年的港口货物吞吐量就能决定下一年的发展趋势［9］，故采用前4年的港口货物吞吐量预测下一年的.同时，为保持动态性和合理性，采用逐层递归方法，在对未来年份港口货物吞吐量的预测中，舍弃历史较远数据，吸纳较近预测数据，使得输入始终为4 年的数据.（3）基于港口货物吞吐量的发展动态规律，用时间序列将历史数据划分为n-4组，每5年数据为1组, 前4年作为输入, 第5年作为输出.考虑到检验样本过多会使训练样本减少，网络泛化能力明显下降，严重影响预测精度；反之，如果检验样本太少，又无法达到检验效果，不能反映训练网络的预测效果.本文的训练样本为16组，故将前13组作为训练样本，剩余3组作为检验样本［9］.用GRNN对训练样本的数据训练，并将训练好的网络保存，以便预测未来年份的港口货物吞吐量.这样，就能充分利用最新数据逐年预测，不断舍弃对预测影响不大的较远历史数据，及时补充较新数据，这也符合港口货物吞吐量的真实发展规律.在GRNN中σi决定i中基函数的形状，随着σi的增加网络误差不断增大.经多次测试表明，当σi为0.02时，网络逼近与预测性能最优、误差最小.3 天津港货物吞吐量预测3.1 历史数据处理由于利用原始历史数据进行预测时误差控制范围较大，为了有较好的数据处理能力，对数据进行归一化处理，本文采用将所有数据同除以1×105的方法，使其转化为0~1之间的数，以减小误差控制范围，便于预测.利用前述分组的方法对天津港1990—2009年间的港口货物吞吐量数据（见表1）进行归一化处理，其结果见表2.表1 1990—2009年天津港货物吞吐量万t年份19901991199219931994199519961997199819992000200120022003200420052006200720082009吞吐量2 0632 3782 9293 7194 6525 7876 1886 7896 8187 2989 58211 36912 90616 18220 61924 06925 76030 94635 59338 121资料来源：天津统计年鉴（2009）表2 归一化处理后的数据样本序列输入输出10.020 630.023 780.029 290.037 190.046 5220.023 780.029 290.037 190.046 520.057 8730.029 290.037 190.046 520.057 870.061 8840.037 190.046 520.057 870.061 880.067 8950.046 520.057 870.061 880.067 890.068 1860.057 870.061 880.067 890.068 180.072 9870.061 880.067 890.068 180.072 980.095 8280.067 890.068 180.072 980.095 820.113 6990.068 180.072 980.095 820.113 690.129 06100.072 980.095 820.113 690.129 060.161 82110.095 820.113 690.129 060.161 820.206 19120.113 690.129 060.161 820.206 190.240 69130.129 060.161 820.206 190.240 690.2576140.161 820.206 190.240 690.257 60.309 46150.206 190.240 690.257 60.309 460.355 93160.240 690.257 60.309 460.355 930.381 213.2 网络训练图2 1994—2006年吞吐量网络训练结果利用基于时间序列的GRNN模型对前13组样本的港口吞吐量归一化数据进行多次网络训练学习，其训练结果见图2.同时利用3次指数平滑法及时间序列BP神经网络对这13组数据进行拟合，结果见表3.通过对平均误差的比较可以发现，时间序列GRNN预测模型（尤其是2004年以后）的精确度相当高，因此可以利用该模型对天津港货物吞吐量进行预测，以达到预期的精度.表3 1994—2006年吞吐量拟合值及误差表年份原始数据/万t3次指数平滑拟合值/万t相对误差/%时间序列BP拟合值/万t相对误差/%时间序列GRNN训练值/万t相对误差/%19944 6524 476.817-3.765 84 842.9814.105 45 247.7512.806 319955 7875 020.498-13.245 25 527.719-4.480 45 615.203-2.968 719966 1885 624.926-9.099 56 684.1428.017 86193.1950.084 019976 7896 345.164-6.537 66 957.2962.479 06 764.065-0.367 319986 8187236.2766.134 95 992.57-12.106 07 446.249.214 419997 2988 353.32514.460 58 774.89720.237 08 050.36910.309 320009 5829 751.3771.767 78 686.368-9.347 08 532.472-10.953200111 36911 485.4901.024 711 721.8593.103 710 565.855-7.064 3200212 90613 610.7405.460 612 822.901-0.643 912 952.570.360 8200316 18216 182.1800.001 116 287.5730.652 415 849.753-2.053 2200420 61919 254.870-6.615 920 649.6130.148 520 521.176-0.474 4200524 06922 883.890-4.923 824088.1650.079 624 062.98-0.025 ******* 76027 124.2865.096 125 779.680.076 425 757.27-0.011 0 3.3 预测结果及分析分别利用3次指数平滑法、基于时间序列的BP神经网络和基于时间序列的GRNN预测天津港2007—2012年的港口货物吞吐量，其结果见表4.表4 2007—2012年间港口吞吐量预测值年份原始数据/万t3次指数平滑拟合值/万t相对误差/%时间序列BP输出/万t相对误差/%时间序列GRNN训练值/万t相对误差/%200730 94630 967.780.070 430 951.220.016 930 941.94-0.013 1200835 59336053.961.295 135 996.151.132 734 964.42-1.766 0200938 12141 791.179.630 640 136.345.289 539 218.532.881 8201048 222.8746 329.1645 964.75201155 392.4953 822.5252 120.31201263 343.4860 319.6658 913.20从表4可见，3种预测方法对2007—2009年的预测值与真实值之间的平均相对误差百分比分别为 3.665 4%，2.146 4%和0.367 6%，其中基于时间序列的GRNN预测模型的预测精度最高，对未来年份港口货物吞吐量的预测具有较高可信度.如果按2007年天津港货物吞吐量增长率20.13%的趋势发展，预计2008年货物吞吐量将达到37 175.43万t左右，但实际值为35 593万t，其主要是由于2008年下半年美国金融危机对中国经济的影响［10］，导致天津港货物吞吐量的增长速度变缓.但随着中国经济从金融危机中的快速复苏以及天津滨海新区的快速发展，天津港货物吞吐量的增长速度将不断回升，金融危机作为偶然因素，并未在模型中体现.根据时间序列GRNN预测模型的预测结果，2011和2012年天津港货物吞吐量将分别达到52 120.31万t和58 913.2万t，天津港的到港船舶数量将进一步增多，到港船型大型化趋势也将越发明显，天津港的发展受到新的挑战.因此，天津港应加快港口基础设施建设，尤其是深水泊位和大型泊位的建设，进一步完善港口布局结构和运输结构，扩宽航道、扩大港口规模、提升等级、完善港口功能结构，以满足腹地经济快速发展的需要.4 结束语港口货物吞吐量的预测研究对港口的规划、建设、经营管理等具有重要参考价值，因此科学合理的预测方法是港口主管部门正确决策和规划的基础.本文采用逐步递归的方法建立基于时间序列的港口货物吞吐量GRNN预测模型，并用该模型预测天津港港口货物吞吐量，预测结果非常接近港口发展实际情况，预测精度高，且模型所需调整的参数较少，是港口货物吞吐量预测的行之有效的方法.但对于港口货物吞吐量的中长期预测，离不开港口腹地经济、港口进出口贸易总额及政治政策等因素的影响，由于这些影响因素的量化较为复杂，本文并未作相应分析，可以考虑将其结合组合预测模型［11］对港口货物吞吐量预测进行进一步研究，以使其适合港口货物吞吐量的中长期预测，从而更加符合港口货物吞吐量的实际情况.参考文献：［1］林强, 陈一梅. 神经网络模型在港口吞吐量预测中的应用与误差分析［J］. 水道港口, 2008, 29(1): 72-76.［2］施泽军, 李凯. 基于灰色模型和指数平滑法的集装箱吞吐量预测［J］. 重庆交通大学学报: 自然科学版, 2008, 27(2): 302-304.［3］胡美丽, 陈煜亮. 港口集装箱吞吐量预测模型的选择［J］. 水运科学研究, 2007(1): 13-15.［4］赵亚鹏. 基于GRNN神经网络的长江干线港口集装箱吞吐量预测［J］. 中国航海, 2006, 69(4): 90-91．［5］魏晋雁, 茹锋. 采用GRNN模型进行交通量预测及实现研究［J］.长沙交通学院学报, 2006(6): 46-50.［6］冯志鹏, 宋希庚, 薛冬新. 基于广义回归神经网络的时间序列预测研究［J］. 振动、测试与诊断. 2003, 23(2): 105-109.［7］飞思科技产品研发中心. 神经网络理论与Matlab 7实现［M］. 北京: 电子工业出版社, 2005: 123-126.［8］杨小兵, 徐勇, 彭磊, 等. 时间序列分析——广义回归神经网络组合模型(在痢疾发病率预测中的应用探讨)［J］. 中国初级卫生保健, 2008, 22(8): 64-66.［9］刘长俭, 张庆年. 基于时间序列BP神经网络的集装箱吞吐量动态预测［J］. 水运工程, 2007(1): 4-7.［10］谷合强, 张俊红. 美国次贷金融危机对中国经济影响［EB/OL］.(2009-10-30)［2010-06-30］./jinrong/091030/11212746.Html.［11］耿悦敏. 基于最优加权的组合预测模型及应用［J］. 五邑大学学报: 自然科学版, 2008, 22(1): 63-67.(编辑廖粤新)注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。

6UJSilShs /(atlmib Vo丨.29 No. 3 General Serial No. 320 DOI:10.13340/j.cont.2018.03.002我固i鬈卷货内s集装箱各妓量预测舟山市港航工程规划设计院有限公司 丁一春浙江海洋大学沈良朵，郎英舟山国脉互联信息咨询有限公司施桦近年来，随着国内经济的快速发展，特别是扩 大内需、刺激消费、供给侧结构性改革等政策以及 “一带一路”倡议和长江经济带战略的深入实施，内贸货物流通量大幅增长，具备高效率、低成本、安 全、便捷、环保等优点的集装箱运输被广泛应用于 内贸航运体系中[1]。

此外，韩进海运破产、中远集团 与中海集团合并、达飞轮船并购东方海皇等事件表 明，国际航运巨头正在通过市场重组、联盟整合等 方式应对持续低迷的国际航运市场，从而导致大量 富余运力及小型航运企业纷纷涌入内贸集装箱运 输市场，对我国集装箱码头泊位布局、运输网络和 航道条件等提出更高要求。

在此背景下，有必要采 用科学方法预测我国主要港口内贸集装箱吞吐量，以便提前规划、合理布局，满足快速增长的内贸集 装箱运输需求。

本文采用灰色系统理论中的GM(1，1)模型预测我国主要港口内贸集装箱吞吐量。

经检 验，以预测年份前3年的主要港口内贸集装箱吞吐 量为原始数据的预测精度较高，并且预测值与实际 值的偏差较小。

预测结果表明，2017—2020年我国 主要港口内贸集装箱吞吐量将平稳增长。

1研究方法灰色预测法和回归预测法是较为成熟且应用 广泛的预测方法。

灰色预测法以处理后的历史数据 为基础，通过构建恰当的数学模型将系统现有的状 态向未来引申。

王惠等[2]采用三次指数平滑法预测 2015—2020年钦州港货物吞吐量，并提出相关发展 建议。

回归预测法在分析历史数据并得出初步结果 的基础上，通过构建能合理反映整体趋势的数学模 型预测未来数据。

王厦[3]运用灰色系统理论预测南 通港集装箱吞吐量，并提出促进南通港集装箱吞吐 量增长的政策建议。

《基于吞吐量预测的秦皇岛港口效率研究》篇一一、引言随着全球经济的快速发展和国际贸易的日益增长，港口作为连接内陆与海洋的重要节点，其运营效率逐渐成为衡量一个国家或地区物流发展水平的重要指标。

秦皇岛港口作为我国东北地区的重要出海口，其吞吐量的大小直接反映了该地区乃至全国的经济发展水平。

因此，对秦皇岛港口吞吐量进行预测，分析其效率变化，对提高港口运营水平、促进区域经济发展具有重要意义。

二、秦皇岛港口概述秦皇岛港口位于河北省秦皇岛市，是我国重要的综合性港口之一。

其地理位置优越，紧邻京津冀经济圈，承担着大量的货物运输任务。

近年来，随着国家“一带一路”倡议的深入推进，秦皇岛港口的吞吐量持续增长，为区域经济发展提供了强有力的支撑。

三、吞吐量预测方法为了准确预测秦皇岛港口的吞吐量，本文采用多种预测方法进行综合分析。

首先，通过收集历史数据，运用时间序列分析方法，对港口的月吞吐量、年吞吐量进行预测。

其次，结合宏观经济指标，如GDP、外贸进出口额等，建立回归模型，分析港口吞吐量与经济指标之间的相关性。

最后，利用机器学习算法，对港口吞吐量进行短期和长期预测。

四、基于预测的秦皇岛港口效率分析根据上述预测方法，我们可以得到秦皇岛港口未来一段时间的吞吐量趋势。

通过对预测结果的分析，可以发现港口的运营效率在不断提高。

这主要得益于港口基础设施的完善、管理水平的提升以及信息化技术的应用。

具体表现在以下几个方面：1. 基础设施建设：秦皇岛港口不断加大基础设施建设投入，扩大港池、增设泊位，提高了港口的吞吐能力。

2. 管理水平提升：港口管理机构不断优化管理流程，提高管理效率，降低了运营成本。

3. 信息化技术应用：通过引入智能化设备、建立信息化管理系统，提高了港口的作业效率和服务水平。

五、提高港口效率的建议为了提高秦皇岛港口的运营效率，提出以下建议：1. 继续加大基础设施建设投入，提高港口的吞吐能力。

2. 引进先进的管理理念和技术，提高港口的管理水平。