华东师范大学学报（自然科学版） >

2015 , Vol. 2015 >Issue 1: 234 - 239

DOI: https://doi.org/10.3969/j.issn.10005641.2015.01.028

地理学 河口海岸学

季节性变动影响下的上海港集装箱吞吐量预测

  • 杜刚 ,
  • 刘娅楠
展开
  • 华东师范大学 商学院，上海 200241

收稿日期: 2014-11-01

  网络出版日期: 2015-03-29

基金资助

国家自然科学基金面上项目（ 71472065）；上海市软科学研究计划重点项目（14692105700）；教育部人文社会科学基金青年项目（14YJC630026）；上海市浦江人才计划项目（14PJC027）

收起

Forecasting of Shanghai Port container throughput  under seasonal variation influence

  • DU Gang ,
  • LIU Ya-Nan
Expand
  • Business School, East China Normal University, Shanghai 200241, China

Received date: 2014-11-01

  Online published: 2015-03-29

Fold

摘要

港口吞吐量精准预测对于每一个港口的成功经营和有效决策都十分重要.季节性波动经常会影响港口吞吐量，为了更为准确地预测上海港口集装箱吞吐量，本文选取2007年至2012年上海港母港集装箱吞吐量的月度数据，并对于港口集装箱吞吐量的月度数据中出现的季节性波动进行了处理，采用季节时间序列模型对其进行预测.为了说明方法的有效性，以同样的数据，使用整自回归移动平均模型对上海港集装箱吞吐量进行预测.两种方法预测结果进行对比发现，利用季节时间序列模型对港口集装箱吞吐量季节性进行处理，能够提高港口集装箱吞吐量的预测精度.

关键词： 单整自回归移动平均模型; 季节时间序列模型; 港口集装箱吞吐量; 预测

本文引用格式

杜刚 , 刘娅楠 . 季节性变动影响下的上海港集装箱吞吐量预测[J]. 华东师范大学学报（自然科学版）, 2015 , 2015(1) : 234 -239 . DOI: 10.3969/j.issn.10005641.2015.01.028

Abstract

It is very important for successful port operation and effective decisionmakingby forecasting container throughput accurately. The Autoregressive Integrated Moving Average model (ARIMA) and the Seasonal Autoregressive Integrated Moving Average model(SARIMA) are applied to the monthly data from 2007 to 2012 of Shanghai Port container throughput to forecast the container throughput of Shanghai Port. The seasonal variation of monthly port container throughputdata can be handled by SARIMA. Compared with ARIMA, SARIMA performed better and improved the Port container throughputprediction accuracy because of removing the seasonal variation.

Key words： Autoregressive Integrated Moving Average model (ARIMA); Seasonal Autoregressive Integrated Moving Average model (SARIMA); port container; throughput;; forecasting

参考文献

包起帆，江霞.上海港发展面临的问题和未来空间拓展研究［J］.水运工程, 2013(3):1620.

PENG W Y, CHU C W. A comparison of univariate methods forforecasting container throughput volumes［J］. Mathematical and Computer Modeling, 2009, 50(78):10451057.

CHE S H, CHEN J N. Forecasting container throughputs at ports using genetic programming ［J］. Expert Systems with Applications, 2010, 37(3): 20542058.

XIE G, WANG S Y, ZHAO Y X, et al. Hybrid approaches based on LSSVR model for container throughputforecasting: A comparative study ［J］. Applied Soft Computing, 2013, 13(5): 22322241.

刘婷,林连.港口集装箱吞吐量预测方法研究［J］.苏州科技学院学报,2011,24(4):4446.

程荣，吴国付，张玉洁.改进的RBF神经网络在港口集装箱吞吐量预测中的应用［J］.水运工程, 2004(8):1320.

柳艳娇，肖青.组合模型在港口集装箱吞吐量预测中的应用［J］.大连海事大学学报, 2006,32(3): 2528.

杨中庆，赵彬彬，廖慧敏.灰色组合模型在港口集装箱吞吐量预测中的应用［J］.水运工程, 2006(9): 1425.

戴燚，王锡淮，肖健梅.支持向量机在集装箱吞吐量上的预测［J］.水运工程, 2005(8):1839.

张浩.基于最优线性组合的港口集装箱吞吐量预测方法［J］. 武汉理工大学学报:交通科学与工程版,2007, 31(2): 373376.

赵亚鹏,丁以中.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(4):90100.

宁顺理，张亦飞，毛翰宣.宁波—舟山港集装箱吞吐量的SD建模预测［J］.水运工程, 2011(4):5876.

张健.SARIMA模型在预测中的CPI中的应用［J］.统计与决策, 2011(5):2830.
Options
文章导航

/

〈 〉