论文部分内容阅读
在经济全球化的背景下,集装箱化在全球贸易和各国之间的竞争中发挥着至关重要的带动性作用。随着我国集装箱运输的发展,也极大地推动了港口现代化建设的可持续快速发展。与此同时,陆续出现了产能过剩、吞吐量利用率下降等一系列问题。由于港口建设的成本是沉没成本,过度建设会造成巨大的经济损失和资源浪费,准确的集装箱吞吐量预测在港口运输系统和经营政策方面尤为重要。然而,由于影响集装箱吞吐量变动的因素错综复杂,集装箱吞吐量数据具有非线性、非平稳性、高波动性、不规则性和随机性等特征,在港口层面上对货物运输需求进行建模和预测是一个复杂且充满挑战的过程。因此,如何构建科学有效的预测模型,提高集装箱吞吐量的预测精度,具有重大的理论和现实意义。本文在已有研究的理论基础上,结合集装箱吞吐量数据的特点,以分解-集成思想、BP神经网络、粒子群优化算法(PSO)、灰狼优化算法(GWO)为主要理论依据,提出了两种新的非线性集成预测方法:基于非线性集成的集装箱吞吐量预测方法、基于分解-集成和误差因子修正的集装箱吞吐量预测方法。所提出的两种预测方法,都有效的提高了集装箱吞吐量预测精度,在实际工作中可以为港口作业系统和运营决策提供参考。本文主要对以下两个部分进行讨论:(1)基于非线性集成的集装箱吞吐量预测方法。以分解-集成思想为主线,提出了一种新的非线性集成组合模型。该模型使用集成经验模态分解(EEMD)、粒子群优化的BP神经网络(PSO-BP)和灰狼优化的BP神经网络(GWO-BP)方法构建了一个基于EEMD-PSOBP-GWOBP的非线性集成的集装箱吞吐量预测方法,并将该方法应用于上海、深圳和青岛的集装箱吞吐量预测中,实证结果表明该方法显著提高了集装箱吞吐量水平预测和方向预测的准确度,从而证实了非线性集成在预测中的重要性。(2)基于分解-集成和误差因子修正的集装箱吞吐量预测方法。基于误差修正中预测误差的处理方法,提出了含有高复杂度误差因子修正(HEFC)模式的分解-集成预测方法,从而有效提取了预测误差中的有用信息,减少了系统误差的叠加。该方法使用变分模态分解(VMD)、自适应噪声的完备经验模态分解(CEEMDAN)、混合粒子群和灰狼算法(PSOGWO)优化的BP神经网络(PGBP)模型构建了一个基于分解-集成的集装箱吞吐量预测方法——VMD-PGBP-HEFC,并且该方法在香港、上海和新加坡港口的月度集装箱吞吐量预测中效果显著,从而证实了HEFC模式在减少系统误差中的优越性。