货物吞吐量预测的改进ARIMAX方法——以天津港为例

为提高港口货物吞吐量预测精度,建立了基于ARIMAX-SVR的组合预测模型。以天津港为例,选取1999～2018年货物吞吐量数据进行分析,首先运用BP神经网络补插缺失数据,然后通过Pearson相关分析筛选出影响货物吞吐量的主要因素;再在ARIMA模型的基础上建立了ARIMAX模型,为进一步提高模型精度,最后建立了SVR模型修正的ARIMAX模型。实证分析结果表明组合模型拟合精度更高,预测效果更好,适用于港口吞吐量预测并且模型具有一定的先进性。     

基于动态BP神经网络的非线性预测及在港口货物吞吐量中的应用

文章给出了非线性预测的一般理论方法，运用动态ＢＰ神经网络对实际问题的历史数据进行学习，然后根据学习后获得的非线性机理来进行预测。并将此方法应用于港口货物吞吐量及出口量预报。仿真表明此方法是有效的。     

基于灰色神经网络模型的水质预测应用研究

将灰色模型和神经网络模型进行组合建立灰色神经网络模型,分别用灰色模型、神经网络模型和组合模型对永定河流域官厅水库断面的水质检测指标DO的浓度值进行模拟预测.结果表明,组合预测模型的模拟预测精度高于两种单一模型的预测精度.     

基于灰色模型的朱鹮繁殖状况的预测

考虑到朱鹮种群数目的统计资料小样本,贫信息的特点,运用灰色理论建立模型对其种群数量进行预测,预测结果基本符合实际.     

基于灰色GM(1,N)模型的广西北部湾港口物流预测研究

通过考察广西北部湾港口物流的现状,采用广西北部湾2007年以来第一产业增加值、第二产业增加值、进出口总额、固定资产投资额等数据,运用灰色GM(1,N)模型对广西北部湾港口物流进行预测,并提出利用地域优势,大力发展整车口岸;充分挖掘资源,打造特色经济口岸;加大港口建设,促进港口转型升级;多方通力合作,培养港口专业型人才;深化中国-东盟港口城市合作网络,积极推进"互联网+港口"等建议,以期为政府相关部门提供决策参考.     

基于灰色马尔可夫模型的物流配送需求量预测研究

研究可以较准确地预测物流配送需求量的数学模型,以服务于政府及企业的物流规划及其决策.将灰色理论和离散状态的马尔可夫链相结合,用灰色马尔可夫链对物流配送需求量进行实证研究.针对灰色数据系列首先用GM模型进行趋势预测,然后利用马尔可夫状态转移概率矩阵预报方法对其预测值进行二次拟合,预测精度明显高于GM模型预测.     

中国港口集装箱吞吐量预测:基于组合时间序列北大核心CSCD

近年来,中国港口集装箱吞吐量增长迅速.如何准确预测中国港口集装箱吞吐量是一个极其重要且具有挑战性的问题.采用一种自适应方法来解决该问题,即Yang（2004）提出的指数加权聚合预测（AFTER）.我们采用该方法将两种时间序列模型：SARIMA和VAR进行组合.对中国七大港口的预测结果表明,AFTER方法比常用的简单平均预测具有优势,它通常能以更高的频率自动设置更大的权重在更好的个体预测上.     

灰色-马尔柯夫链预测优化模型——以江苏省物流需求预测为例

讨论了现有灰色-马尔柯夫链预测方法的基本思路,针对该思路的不足之处提出了合理刻画预测模型精度特征的两个精度指标——均值指标和稳定性指标,并据此建立了灰色-马尔柯夫链预测优化模型,最终以江苏省物流需求为例,对该模型进行了实例验证和应用.     

基于灰色均值模型预测装配式建筑产值

装配式建筑具有绿色节能,环保高效的特点,是建筑业转型升级的必然趋势.采用了灰色GM(1,1)模型对建筑行业及装配式建筑的产值进行预测分析,并结合国家发展规划,针对目前存在的问题提出合理的建议.     

基于灰色马尔科夫模型的陕西省铁路客运量预测

随着我国高铁客运的快速发展,从铁路客运历史趋势中探寻规律、把握铁路客运发展趋势,旨在对中国铁路公司及相关企业的决策提供科学依据.基于2005-2016年陕西省铁路客运量数据,在灰色GM(1,1)模型预测的基础上,运用马尔科夫过程对预测值进行修正,并对2017-2022年陕西省铁路客运量进行预测.结果表明:经过马尔科夫过程修正的灰色预测模型平均绝对误差由原来的4.64%降低到2.94%,预测效果明显.经检验,灰色马尔科夫模型的精度等级为一级,说明了方法对陕西省铁路客运量预测的有效性.     

湖南省第三产业就业人数预测——基于灰色系统GM(1,1)模型

运用灰色系统GM(1,1)模型对2002-2007年湖南省第三产业就业人数的数据进行分析.通过灰色系统相关检验发现,GM(1,1)模型误差较小,能较好地拟合湖南省第三产业就业人数的情况.运用该模型预测:2008年湖南省第三产业就业人数是1403.4万人,2009年是1512.2万人,2010年是1629.3万人,2011年是1755.6万人.     

基于灰色灾变模型的通货紧缩预测

针对未来期间通货紧缩是否存在的分歧以及通货紧缩可能存在的危害性,利用灰色灾变预测模型结合中国通货紧缩的小样本数据,预测未来通货紧缩发生的日期,预测结果显示通货紧缩约在2020年前后出现,预测结果一方面意味着当前应该审慎选择货币政策和财政政策,另一方面在2020年前后应该积极调整货币政策和财政政策,避免通货紧缩的出现可能给经济运行带来的负面性影响.     

基于灰色模型的我国研究生教育规模预测

研究型人才的培养是一个国家发展高层次人才的源泉,研究生教育是培养研究型人才的初始阶段,其规模和质量在很大程度上影响着国家未来的经济发展.根据2011-2016年《中国统计年鉴》公布的研究生毕业人数、招生数以及在校学生数,建立研究生规模的灰色模型并进行预测.结果表明,我国研究生毕业人数、招生数和在校人数在未来几年上升趋势明显,我国研究生规模持续扩大.     

港口货物总吞吐量概率分布数学模型的建立与分析

为了研究港口货物总吞吐量随时间变化的规律,提出了港口货物总吞吐量的概率分布模型.由于货物总吞吐量的变化与到达港口的货运船数目以及装卸设备的工作效率有密切关系,构造一个关于到达港口的货运船数目以及装卸设备的工作能力组合而成的复合变量,货物总吞吐量是这些复合变量所表示的货物装卸量的和.应用wald方程,得到货物总吞吐量的概率分布.货物总吞吐量服从何种概率分布依赖于到达港口的货运船数目所服从的概率分布.克服了传统预测模型难于对未来货物吞吐量大小变化的可能性作出量化判断的缺点.同时,根据建立的数学模型,分析了影响货物总吞吐量变化的因素,以山东地区某港口的货物吞吐量变化规律进行了案例分析.实际结果与理论分析相符.     

基于组合预测的民航运输量分析——以珠三角地区为例

近年来珠三角地区民航运输量日益增长,广州白云机场运输量处于持续饱和状态,在《广东省推进基础设施供给侧结构性改革实施方案》中,提出了建设珠三角新干线机场、广州第二机场等16个机场改扩建项目,那么对珠三角地区的民航运输需求量的预测将为新建机场的规划提供基础.采用指数平滑模型、灰色预测、线性趋势外推法三种方法对2004-2017年珠三角地区民航运输量进行分析,建立组合预测模型,预测未来珠三角地区特征年民航客运量和货运量.     

基于灰色线性回归组合模型的长沙、武汉房地产投资预测研究

本文通过对长沙、武汉2001-2007年房地产投资额的历史数据进行分析,分别建立了两市的灰色线性回归组合模型.模型较好地拟合了长沙、武汉的房地产投资情况,运用该模型得到了两市2008、2009年的预测值,并对其房地产投资发展趋势的异同进行比较分析,对房地产市场的发展具有一定的指导意义.     

灰色预测GM(1,1)模型的一点改进

讨论了灰色预测GM(1,1)模型理论上存在的一些问题,认为在解微分方程dXdt(1)+aX(1)=b进行预测公式推导时,把-X1(1)=X11作为已知条件来确定微分方程的解是不合理的,而应根据实际情况,不局限于{X(1)(k)}序列,直接从最后的平均相对误差ε-=n1∑k=n1ε(k)入手,将-ε看作是常数cm的函数,求出满足Min{-ε(cm)}的cm值即可,并在此基础上推导出cm的计算公式,形成新的灰色预测公式,从而进一步提高预测精度,最后经过实例验证新的预测公式的正确性及可行性.     

金融危机对港口外贸吞吐量影响的干预分析

通过对我国外贸吞吐量2001年1月至2009年6月的时间序列数据进行分析,建立干预分析模型,研究金融危机对我国外贸的影响,结果显示该模型具有较好的模拟与预测效果.     

基于灰色马尔可夫模型的全球创意产业贸易质量预测

运用基于灰色预测模型和马尔可夫预测模型的组合预测方法对2013—2020年全球二十四个主要国家创意产业的贸易质量进行预测.预测结果表明:各国创意产业的贸易质量在未来几年会呈现出不同的变化趋势,其中澳大利亚、加拿大、德国、印度、日本、荷兰和英国整体呈下降趋势,奥地利、比利时、巴西、中国、丹麦、芬兰、法国、爱尔兰、意大利、韩国、挪威、波兰和新加坡整体呈上升趋势,而俄罗斯、西班牙、瑞典和美国则相对稳定,但仍然处在上升通道.     

基于异常值检测的港口集装箱吞吐量预测模型

考虑到诸如金融危机等重大事件的影响,时间序列可能存在异常值,提出了一个基于局部异常因子(LOF)的LOF-SSA-LSSVM预测模型,并将其应用于广州港集装箱吞吐量预测.首先,对原始时间序列进行X12加法季节分解,对于分解得到的不规则序列,采用LOF算法进行异常值检测,确定异常数据的位置,之后通过插值或最小二乘支持向量机(LSSVM)的预测值来修正原始季节调整序列中的异常值,将修正后的季节调整序列与季节因子序列加和,即得到新的待预测序列.预测阶段,先采用奇异谱分析(SSA)将新的待预测序列进行分解重构,剔除序列中的噪声,然后再采用LSSVM对其进行预测.实证结果表明,建立的LOF-SSA-LSSVM模型相比BP、ARIMA等模型有着更好的预测精度.