基于数据分解的上海港集装箱吞吐量预测模型

摘要：

根据“分而治之”的框架,分别运用经验模式分解(Empirical Mode Decomposition,EMD)算法和季节性自回归积分滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)算法,将月度集装箱吞吐量时间系列数据分解为不同特征的分量,用支持向量回归(Support Vector Regression,SVR)模型分别对各分量进行预测,EMD-SVR模型和SARIMA-SVR模型预测结果的平均绝对百分误差(Mean Absolute Percentage Errors,MAPE)分别为5.18％和7.26％,与港口实际吞吐量均较为一致,优于SVR模型的8.55％、自回归积分滑动平均(Autoregressive In-tegrated Moving Average,ARIMA)模型的11.8％和灰色系统(Grey Model,GM(1,1))模型的10.1％,验证数据分解方法在上海港集装箱月度吞吐量预测中的可行性,支持间接性预测模型精度高于直接模型的观点.

关键词：经验模式分解、支持向量回归、自回归积分滑动平均模型、灰色预测

所属期刊栏目：42

分类号：U691.71(水路运输技术管理)

资助基金：浙江省科技厅公益技术应用研究项目2016C31111;浙江省社会科学界联合会研究项目2015N042;浙江省高等教育学会实验室工作研究重点项目ZD201503

在线出版日期：2019-07-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：132-138