油运费率指数的规律性分析及短期预测

以时间序列统计分析作为基础研究手段，分析了不同类别油运费率指数的运行规律，并应用ARIMA时间序列模型对160000dwt以上的原油运费率指数进行了短期预测，取得了较好的预测效果。     

金融危机下基于CCFI指数的中美航线集装箱班轮运价研究

运用CCFI指数,通过对美国经贸形势和中美航线运量运力的调查分析,解析金融危机下2008—2009年中美航线集装箱班轮运价的波动过程,并简要地对2010年的中美航运市场进行展望。     

基于外部干预的港口吞吐量预测

为更加准确预测港口吞吐量,以吉大港集装箱吞吐量为研究对象,构建一种灰色预测法修正干预时间序列ARIMA模型。模型以时间序列ARIMA模型分析为基础,识别干预后对干预序列采用灰色预测修正,旨在充分发挥灰色预测处理小样本的优势,提高干预模型预测精度。分析表明,在外部干预的条件下灰色修正时间序列模型预测港口集装箱吞吐量效果良好。模型预测结果为该港改扩建工程提供有力决策依据。     

基于ARIMA模型的水上交通事故预测

水上交通事故预测是水上交通安全规划和管理决策的基础,以往的水上交通事故预测,以预测年事故发生数居多,没有考虑全年季节性气候对船舶航行安全的影响。本文在考虑事故数据时间序列的季节周期性特性的基础上,利用时间序列分析方法进行分析,建立基于时间序列分析法的ARIMA模型,对水上交通事故的月事故发生数进行预测研究。并以2011年-2015年福建海域水上交通事故数据为基础,运用所建立的ARIMA预测模型,预测出2015年各月水上事故数。最后,通过与指数平滑法预测结果的对比分析,进一步验证出ARIMA预测模型的合理性和精确性。     

一种改进的ARIMA预测模型在船舶系统中的应用

为实现船舶设备维护方式的智能化升级,用视情维修代替传统的定期巡检,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化的Elman神经网络融合自回归差分移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)模型的组合预测模型,用于对设备状态参数进行预测。根据序列特征拟合ARIMA模型,利用改进的PSO算法优化Elman神经网络的权值和阈值,基于改进的PSO-Elman模型的残差预测值修正ARIMA模型预测结果。采用某船设备实际数据对该组合预测模型进行训练和验证,将其预测结果与其他模型的预测结果相对比,结果表明,该组合预测模型具有较高的预测精度和稳定性。     

中国沿海集装箱运价指数与波罗的海运价指数的比较

为研究全球金融危机以来中国沿海集装箱运价指数（CCFI）与波罗的海运价指数（BDI）的波动趋势及关联，通过Eviews分析两者2008年9月至2009牟5月的数值，并运用向量自回归模型和格兰杰因果检验等统计方法对其进行分析比较，发现CCFI同BDI一样具有股票收益率序列的特征，适合作为运价指数期货的标的，有助于预估我国集装箱航运市场的运价走势以规避运价风险，并为我国运价指数期货的推出提供理论基础。     

试验海区水文参数时间序列的多周期重构预测方法

针对水文参数时间序列的预测问题,在多尺度影响因素分析的基础上,提出了一种新的基于多周期重构的预测方法。首先利用小波变换和滑动平均计算对原始时间序列进行若干周期的分解;对分解序列分别进行自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)建模,由模型进行递推预测;再将预测结果反向重构实现对原始序列未来值的预测。运用此方法,对烟台海区某海洋浮标站的温度测量数据进行了分析。分析结果表明,此方法相比直接在原始序列上进行ARIMA建模与预测,预测准确度得到提升,可用于对试验海区水文参数序列的处理,为试验决策提供支撑。     

上证综合指数的统计分析与预测

对上证综合指数进行了时间序列分解的实证研究，并在此基础上建立ＡＲＩＭＡ模型对其进行拟合预测，取得了一定的效果。     

基于时间序列分析的航道水位预测研究

针对长江中游河段航道水位变化时空特征,本文建立了基于时间序列分析ARIMA模型的短时水位预测模型。结合监利、汉口、安庆水位观测站的逐日平均历史数据(2011-2015年),率定了预测模型的相关参数;检验了水位预测模型对2016年逐日平均水位的预测精度。研究结果表明:模型总体上预测结果与观测值吻合较好,但汛期频繁剧烈的水位波动对精度产生影响;时间序列分析模型结果可为长江航道相关部门的预报工作提供参考。     

基于相空间重构的水资源时间序列混沌预测模型研究

针对水资源时间序列非线性预测难题,建立了基于相空间重构的混沌预测模型。通过将原始时间序列非线性映射到一个高维特征空间中进行相空间重构,获得输入向量和期望输出向量,选择统计学习理论中的SVM模型进行预测,经实证分析,文中模型比ANN模型和AR模型具有拟合效果好,预测精度高,泛化能力强等优点。     

加权马尔可夫优化的NGBM(1,1)模型在中长期电力负荷预测中的应用

灰色理论在电力负荷预测领域中有重要应用,为了扩展灰色模型在中长期电力负荷预测中应用,提出了一种基于加权马尔可夫优化的非线性灰色伯努利(nonlinear grey Bernoulli Model, NGBM(1,1))预测模型.首先引进新型非线性NGBM(1,1)模型对电力负荷数据的总体趋势进行拟合,得到的灰拟合精度序列是一个随机波动的过程,再利用加权马尔可夫的特点确定灰拟合精度的加权转移概率矩阵,通过插值和还原计算对NGBM(1,1)模型的预测结果进行优化.将该模型运用到江苏省农村电力负荷预测中,结果验证其在预测精度上的优越性,并用于中长期电力负荷预测是有效可行的.     

基于时间序列模型的港口集装箱吞吐量预测

针对集装箱吞吐量进行精准预测,已成为港口发展建设的重要一环。本文以广州港作为研究对象,选取2010.01-2017.12区间中96组数据作为原始数据。首先分析该时间序列的变动趋势特征;然后根据原始序列特征选取ARIMA模型进行预测,结果显示预测数值与实际数值的相对误差基本控制在10%以内,体现出模型的可靠性和精准性;最后对2019下半年广州港集装箱吞吐量进行预测,为港口运营提供参考价值。     

全球东西干线集装箱往返运量运力预测

利用基础分析法,借助时间序列回归预测等技术手段对太平洋航线东西航线的运量和运力做了合理的预测,可为船公司进行战略调整和决策提供一定的依据。     

不同预测算法在简单交通场景中的应用比较

为探讨不同趋势预测算法在简单交通场景中应用的有效性,以部分高速公路收费站数据集为研究对象,分别采用自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、长短期记忆(Long Short-Term Memory,LSTM)循环神经网络和Prophet时间序列预测算法建立交通流预测模型.通过对比分析发现,3种预测模型在解决交通流预测问题方面均表现良好,相比之下,LSTM在模型拟合和预测精度方面表现更好,泛化能力更强,且在影响因素设置方面更为灵活.在以后的研究中,可采用LSTM,结合调参方法解决更多交通场景下的交通流预测问题.     

基于船期表的一种集装箱码头闸口交通需求智能预判方法

通过集装箱码头闸口交通需求源于船期表具有季节性和非线性特点的系统分析，提出基于每条班线船期表来预测其对码头闸口产生交通需求的思想，采用季节性时间序列方法处理集港车辆到达码头闸口随时间的数量分布，建立处理后的时间序列数据与预测交通量之间非线性关系的人工神经网络模型。在天津港集装箱码头闸口进行具体例子应用，证明了该方法优于传统非线性预测方法、概率分布拟合方法和季节性线性时间序列预测方法，显示其可行性。     

基于聚类的港口吞吐量预测方法及其适用性分析

在统计分析历史数据的基础上,选取港口吞吐量、GDP值等指标,采用SPSS统计分析软件中的层次聚类分析法,将我国具有代表性的港口按照吞吐量增长规律分成平稳增长型、加速增长型和波动增长型3类。然后选择时间序列法、回归分析法、灰色模型理论和神经网络模型法,对不同类型的港口吞吐量预测的适用性进行了理论分析。最后以上海港和镇江港为实例进行计算,并对不同预测方法的适用性进行了验证。     

基于自动识别系统大数据的船舶施工轨迹识别与预测

针对疏浚监控管理工作很难全天覆盖所有船舶、无法做到实时监控的问题,分析某绞吸挖泥船的AIS(自动识别系统)高频数据,包括疏浚船舶动态的航行轨迹、速度、航向等数据。对船舶施工轨迹辨识和预测进行研究,提出利用DBSCAN聚类算法粗略识别出施工区域,利用LOF(局部异常因子)算法去除航行轨迹中非施工状态下的轨迹,并利用时间序列ARIMA模型对船舶施工轨迹进行预测。结果表明,DBSCAN聚类算法结合LOF算法进行施工轨迹辨识方法合理可行,ARIMA模型进行施工轨迹预测的方法具有精确度高、实时性、易实现的特点。     

集装箱运输市场：回暖将是大概率事件

自2箱0班08年金融危机以来，国际集装轮运输市场整体步入了下行周期，中国出口集装箱运价指数（简称“CCFI”）波动更加频繁，且市场波动周期变短。从长周期来看， CCFI自2013年伊始步入了持续下行轨道，并于2016年4月15日跌至636.14点，已经持续跌破历史性低位。综合来看，国际集装箱运输市场经历了8年的持续低迷，多数集装箱班轮企业持续亏损，集装箱班轮企业破产、兼并重组等频发，市场触底迹象明显。     

基于ARIMA和GM模型的青岛港货物吞吐量预测研究

通过多元回归、时间序列模型以及灰色预测模型,对青岛市的近20 a对外贸易总额和吞吐量进行分析预测。充分考虑与港口货物吞吐量相关的六种因素指标,构建多元回归方程,运用Eviews软件对各因素的数据进行处理,建立ARIMA模型并对提取的三个指标进行预测,从而对回归模型中的对外贸易进出口总额(因变量)进行总预测,以了解青岛港的运输需求量;采用灰色预测模型并运用MATLAB软件对青岛港的货物吞吐量预测,分析青岛港港口的运输承载力。运用数学模型对港口吞吐量进行科学的评价和预测,能为青岛港制定中长期发展战略提供基本依据,对港口的持续发展的具有一定的现实意义。     

ARIMA模型在二手船价格预测中的应用

本文对克拉克松公司提供的巴拿马型(60—100kdwt)散货二手船价格1984—2004年的时间序列数据进行分析,建立相应的ARIMA(p,d,q)模型,对2005—2008年价格进行预测。根据平均绝对误差(MAE)、平均相对误差(MPE)和均方根误差(RMSE)对模型的预测性能进行度量分析。