文摘
集装箱吞吐量预测中扮演一个重要的角色在港口规划和管理能力。关于Tianjin-Hebei港口的集装箱吞吐量的问题,考虑到集装箱吞吐量是一个不完整的灰色信息系统受到各种因素的影响,效果往往不令人满意的采用单一预测模型。因此,本文研究了问题结合部分GM(1,1)和BP神经网络。比较结果表明,该组合模型分别执行比其他单一模型和具有更高的预测精度。此外,采用组合模型预测Tianjin-Hebei港口集团的集装箱吞吐量从2021年到2025年,这将是一个数据参考未来发展优化Tianjin-Hebei港集团的容器操作。
1。介绍
海洋运输是国际贸易中最重要的一种运输模式。进出口货物总额的80%∼90%在中国是由海(1在集装箱运输已大部分比例。这是由于集装箱运输的发展,这不仅使操作开发聚合和合理化的方向也可以节省包装材料和杂项费用,保证货物的完整性,缩短了运输时间,降低了运输成本。Tianjin-Hebei港集团位于中国渤海西岸的经济边缘如图1,它是在中国北方航运中心之一,主要包括天津港、唐山港、秦皇岛港,黄花端口。在2021年第一季度,天津港口完成集装箱吞吐量446.9万标箱,同比增长20.4%,同期最高纪录(2]。和唐山港、秦皇岛港口和黄花港口总共完成集装箱吞吐量882000标箱,在2021年第一季度增加了31.9% (3]。背景下的国际和国内双重循环,Tianjin-Hebei港口集团已经成为一个主要的支持京津冀地区参与国际劳工,合作,竞争和经济发展的一个关键驱动源的京津冀地区。
本文的结构安排如下:第二部分回顾了相关文献,第三部分介绍了研究方法,第四部分给出了预测结果和讨论结果,第五部分给出了本文的研究结论。
2。文献综述
2.1。港口吞吐量预测的重要性
港口吞吐量是港口发展的主要规模指标和在港口规划和管理中起着至关重要的基础性作用。而短期预测港口吞吐量是港口企业在资源prescheduling和港口智能调度、长期预测影响港口战略规划和国家发展战略。港口吞吐量预测的原因在港口管理中起着特别重要的作用如下。(1)港口基础设施建设有着悠久的技术生活不可分割的和不可逆转的性质的港口基础设施投资(4]。一旦基础设施,港口的特点确定长期(5]。此外,港口规划流程可能需要5 - 15年的总体计划的开始到最终批准(6)港口能力的关键是确定考虑港口吞吐量的预测。(2)港口项目需要资本和固定投资长期投资回收期。这必然导致投资的财务可行性基于预测港口吞吐量和商品流动的7]。如果港口吞吐量预测相对准确的,它可以为港口投资和建设提供有价值的参考。否则,它可能会导致错误的港口投资决策和不可估量的经济损失。(3)在“带和道路倡议,”中国国家海洋战略已经越来越多的关注,以及港口建设的优化已成为当务之急。为了使港口建设准确服务市场需求在未来,它具有十分重要的现实意义准确预测港口吞吐量提高港口货运效率和提高经济效益。
2.2。影响因素和各种方法的问题
目前,许多学者忍受广泛研究集装箱吞吐量预测问题上使用不同的方法。有4个主要因素主要港口集装箱吞吐量:(1)世界经济的影响;(2)港口外部环境的影响;(3)港口供应和需求的影响;和(4)港口自身条件的影响。此外,还面临着各种各样的问题和波动的不确定性。例如,中美贸易战的爆发已影响全球贸易的发展过程和模式,导致成本的变化,流通,商品价格,因此不可预知对航运业的影响货物运输的需求(8];COVID-19爆发已经导致不确定性的货物流动,增加的挑战indecision-making港口发展项目(9]。陈等人。10)指出,由于各种因素影响吞吐量,很难用一个线性或非线性模型在预测数据波动。基于大量的文献,肖et al。11总结了港口吞吐量的定量预测方法,主要包括以下几点:(1)时间序列方法。这种方法建立数学模型基于吞吐量的历史数据,包括集成自回归移动平均(ARIMA)模型,指数平滑法、灰色模型(GM)和分解方法(×11)。例如,·拉希德et al。12)使用干预ARIMA模型预测在安特卫普港口集装箱吞吐量。陈等人。13)使用改进的GM(1,1)模型来预测上海港口集装箱吞吐量。(2)因果分析模型。这个方法检查内陆港吞吐量之间的关系和一系列经济指标和建立港口腹地吞吐量预测模型根据相关的经济指标。目前,这些方法主要包括回归分析和弹性系数法。例如,·拉希德et al。14)使用自回归分布滞后模型结合经济情况来分析和预测集装箱吞吐量之间的关系指数19个国家和欧盟贸易。(3)非线性动力学预测模型。时间序列模型和因果分析模型可以获得令人满意的性能时,集装箱吞吐量预测时间序列是线性的或几乎线性的。然而,集装箱吞吐量的影响因素复杂,集装箱吞吐量波动往往揭示高非线性依赖关系。因此,仅使用这些线性模型可能非常贫穷。最近,一些非线性动态预测模型介绍了集装箱吞吐量预测,如人工神经网络(ANN)和遗传规划(GP)。为例子,方和方15)使用港口吞吐量预测模型基于BP神经网络算法。陈和陈16]研究了港口集装箱吞吐量预测使用的遗传规划方法。Eskafi et al。17]预测港口吞吐量使用贝叶斯估计模型考虑到认知不确定性影响宏观经济变量来预测年度多功能港口的吞吐量Isafjordur在冰岛。(4)组合预测方法。该方法结合了两个或两个以上的预测模型,以弥补彼此的缺陷和改进数据处理,获得更加稳定和准确的结果。为例子,方和方15]研究了广东省港口吞吐量预测的问题使用多元组合模型的遗传算法(GA)和反向传播神经网络(摘要)。陈等人。10)研究了珍珠曲线模型的组合模型GM(1,1)和双指数平滑模型,表现更好的比任何其他单一案例研究从两个或两个以上的预测模型。
这些研究港口吞吐量预测研究提供了有价值的参考,但一些模型包括限制如输入数据的缺乏,限制他们的表现,增加不确定性,降低了预测结果的可靠性(18];一些模型本身的治疗不确定性有限,只考虑内部因素,而忽视外部因素(5);。陈等人。10)指出,一个模型可能会导致不准确的预测由于众多影响因素。
2.3。本文介绍的方法
为了达到更好的性能和更准确的结果,考虑到各种因素相互纠缠的研究及相关研究,我们决定建立组合模型的集装箱吞吐量问题组成部分GM(1,1)模型和BP神经网络模型。
1981年,邓教授(19]提出和介绍了[20.灰色系统的概念。在过去3年里,许多学者正在研究和开发新修改的灰色模型来弥补缺陷和提高性能。吴et al。21,22)首先放置在灰色系统模型和改进的部分积累的伟大的创新,极大地提高了灰色模型的预测精度。近年来,新的灰色模型提出了和相关研究进行了23,24春雨后]像蘑菇。在模型中,分数阶GM(1, 1)几乎已经成熟和广泛应用,以及BP神经网络。科学家提出了BP神经网络由Rumelhart和麦克勒兰德在1986年。这是一个多层前馈神经网络训练误差反向传播算法,它是应用最广泛的神经网络(25]。最近的例子,高et al。26)使用BP神经网络来研究短期暴雨预报;Deshwal et al。27)建立了一个语言识别系统使用BP神经网络模型;Duddu et al。28)利用BP神经网络模型预测公路连接级别的可见性;刘等人。29日)部分使用GM(1,1)和BP神经网络的电力负荷预测等等。
在本文中,我们把两个模型部分的GM(1,1)模型和BP神经网络模型,与港口的详细数据统计年鉴中国(30.)和官方发布的信息从中国运输3),开展集装箱吞吐量的预测,为港口企业提供5年参考数据资源prescheduling和港口智能调度。
3所示。方法
3.1。女性生殖器切割的建模和测试方法(1,1)模型
的GM(1, 1)模型的优势在于它可以处理灰色信息和不良数据,但该模型还会与伟大的错误在某些情况下,性能不稳定。提高GM(1,1)模型,分级GM(1, 1)模型选择合适的积累,减少了错误,可以得到更好的预测结果21]。女性生殖器切割的基本过程(1,1)模型如下:(1)从最初的非负数据,给出原始序列如下: (2)基于最初的非负序列,订单积累顺序如下: 在哪里 (3)美白的微分方程建立了 。解决方案是一个指数函数的形式如下: 通过最小二乘法,解决 , 在哪里 (4)时间响应函数解决如下: 而 的值是时间吗 。(5)的序列 ,folllows减少的序列是: 在哪里 。通过b操作,预测序列如下: 。(6)使用平均绝对百分误差的模型评估(日军) 当 ,女性生殖器切割(1,1)模型是灰色GM(1, 1)模型。
3.2。建立基于层的BP神经网络的训练过程
BP神经网络是一个多层前馈神经网络(MLFNN)。BP神经网络的主要特点是信号正向传播和误差反向传播。隐藏处理后的输入信号传输到输出层。如果输出层节点未达到预期的输出,它将继续误差的反向传播阶段。返回输出错误在某些子表单通过隐含层和输入层分配和输入层到隐层节点的节点。因此,获得每一层单元的误差信号为基础修改每个单元的重量。
BP算法只使用的均方误差函数一阶导数(梯度)的重量和阈值,算法的收敛速度慢和容易陷入局部最小值。为了解决这个问题,辛顿和Salakhutdinov31日)提出了一种无监督贪婪layer-wise训练算法,机器学习方法基于人类大脑的深层神经网络学习思想,解决优化问题带来了希望与深层结构有关。分层技术训练算法的主要思想是每次训练网络中只有一层,每一层单独训练。它首先列车网络只有一个隐藏层,然后再开始训练一个网络有两个隐藏层,和其他可以以同样的方式(图完成2)。在每个步骤中,我们解决训练k−1层,然后添加层k(即prealready训练的输出k−1作为输入)。这些层获得的权重训练单独用于初始化所有BP神经网络的权重,将所有层一起优化标记训练集训练错误。
BP神经网络用于本文只能培训规范化数据从[0,1];在这篇文章中,数据从女性生殖器切割模型之前必须规范化训练BP神经网络。
上面的BP神经网络的目标函数的平均相对误差(绝笔)。BP神经网络结构如图2:
4所示。测试、预测和结果
4.1。女性生殖器切割组合模型和其他模型之间的对比测试
摘要Tianjin-Hebei港口集团的集装箱吞吐量的预测。港2012 - 2020年的数据来自中国统计年鉴和交通运输部的官方网站,包括天津港、唐山港、秦皇岛港,黄花端口。我们将首先把2012 - 2017的数据代入模型操作,与2018 - 2020年的预测结果对2018 - 2020年的实际数据。然后,组合模型的预测精度会因此得到证实。我们只使用六年的数据的原因是如下。(1)港口集团快速发展。每个端口的数据基础是小,数据变化范围很大。早些时候的数据对当前和未来的数据几乎没有影响。(2)灰色模型在处理小样本数据表现强劲。
我们用集装箱吞吐量数据从2012 - 2017年进入GM(1,1)和女性生殖器切割(1,1)模型,分别的时候 和2018 - 2020年获得仿真数据(表1- - - - - -4)。
从上面可以看出,不同的港口和总与不同的日军值值。当 天津港, 唐山港口, 秦皇岛港口, 黄花港口, 总,日军值最低,分别为:1.137%,1.568%,2.459%,6.777%,和0.800%,如图3。
特别是黄花港口最大的数据日军的原因是,它是一个新兴的港口与最小的数据和最随机的因素和不可预知的影响。不顾一切,我们将继续和测试的BP神经网络模型输出数据。
女性生殖器切割模型主要适用于小数据建模,而摘要更适合大数据建模、引导过程中已经应用的小女性生殖器切割的数据转换为摘要利用大数据的随机抽样。因为BP神经网络模型只能处理规范化数据范围[0,1],我们正常化,把原始数据代入一个测试的BP神经网络模型,误差百分比计算的原始数据,如表5。
从表5,我们可以看到摘要利用处理后的数据误差很小,特别是最近2020年数据误差只有−0.92%是完全令人满意的预测。摘要利用模型测试,组合模型是完全可行的。因此,经过规范化的灰色预测的结果在表4端口6( 天津港口, 唐山港口, 秦皇岛港口, 黄花端口),我们从女性生殖器切割优化输出数据代入的BP神经网络训练,这是实际使用的女性生殖器切割(1,1)和BP神经网络组合模型来处理数据,并总结在表6。
可以看出,女性生殖器切割得到的数据(1,1)和BP神经网络组合模型与原始数据相比误差很低,比其他任何灰色模型预测的准确性和稳定性如图4。令人惊讶的是,亚军是GM(1, 1)模型作为我们之前提到的,它可以执行不稳定。在某种程度上,这再次证明了灰色模型适合集装箱吞吐量预测。
4.2。灰色组合模型的预测过程和结果
作为预测的灰色组合模型是可行的,我们进行实际的数据来预测未来5年。鉴于我们六年的数据用于测试,我们也使用6年的预测数据。在第一步中,我们从4端口和替代数据,分别到女性生殖器切割(1,1)优化订单处理。第一步使用女性生殖器切割的结果(1,1)模型如表所示7。
在sSecond步骤中,我们然后规范化输出数据应用引导转变成大数据,代入BP神经网络进行训练。训练误差如图进展5。
如图5在训练的进步,误差迅速降低并达到目标误差为0.01时时代达到近2200人。因此,预测组合模型的规范化数据。antinormalizing处理后,集装箱吞吐量的预测结果和发展趋势,如表所示8和图6。
5。结论
Tianjin-Hebei港口集装箱吞吐量的变化以来集团是一个信息不完全的灰色系统受到各种因素的影响,很难覆盖多种因素在预测使用单一预测模型,从而导致预测的准确性和稳定性不足。传统的GM(1,1)模型适用于这样的灰色系统的研究,包括处理小样本数据的优点,但模型的缺点,如原始序列依赖性高,收敛速度慢。在本文中,我们使用的女性生殖器切割模型和BP神经网络组合模型提高了每个模型的缺陷。结果表明,组合模型的准确性和稳定性优于其他任何灰色模型的数据适应性和稳定性满足Tianjin-Hebei港口的集装箱吞吐量的预测要求。本文的集装箱吞吐量预测Tianjin-Hebei港集团在接下来的5年。结果表明,集装箱吞吐量的Tianjin-Hebei港集团仍逐年增加,在未来5年,为进一步开发提供了数据参考港口的资源、送货排程规划、相关基础设施建设、等在处理增加集装箱吞吐量。
数据可用性
港口吞吐量数据从2012年到2017年,支持本研究的发现是公开在中国国家统计局发布的统计年鉴中国。2013 - 2018。港口吞吐量数据从2018年到2020年,公开支持本文的研究结果可以在政府信息公开专栏,全面规划部门官方网站运输部的中华人民共和国(https://xxgk.mot.gov.cn/jigou/zhghs/201905/t20190513_3198922.html、https://xxgk.mot.gov.cn/2020/jigou/zhghs/202006/t20200630_3321297.html和https://xxgk.mot.gov.cn/2020/jigou/zhghs/202101/t20210121_3517383.html)。
的利益冲突
作者宣称没有利益冲突。
确认
这部分工作是由邯郸科学技术研究与发展计划(19422303008 - 72),邯郸哲学和社会科学规划(2020030)、中国国家社会科学基金重大项目(20 & zd129),和一般的中国国家自然科学基金项目(72073018)。