港口货物吞吐量抽样调查中的样本再处理

一、问题的提出及重要性 港口是水运生产中的重要环节,是运输活动的起点和终点。港口吞吐量是衡量港口生产任务大小、考核港口工作、反映港口通过能力的重要指标。货物吞吐量是指在某一时间段内经水运进、出港区范围,并经过装卸的货物数量。从其定义和内涵来看,货物吞吐量指标是一个时期指标。根据统计学原理,时期指标具有可加性。要掌握某一港口全年或全月的吞吐量,最准确的方法是对该港口每一天的实际吞吐量进行记录,再进行汇总。这就要求港口生产单位具有健全的统计机构进行数据记录,这对于年吞吐量200万吨以上的生产单位来说是不成问题的。但是在全国内河港口中,存在大量年吞吐量在200万吨以下、经营性质各异、管理不健全的生产单位,他们大都缺乏对应的统计机构和组织,因而采用报表形式的全面调查就不现实。同时由于经费有限,也就致使对所有港口生产单位全面调查成为不可能,而只能进行抽样调查。抽样调查最重要的一个问题是样本的选取问题。这里涉及两个方面,一是样本单位(即港口生产单位)的抽样,一是被抽中的港口生产单位(最好是进行全月31或30天的全面调查)。但是这些样本单位很多没有对日吞吐量进行登记,对样本单位的数据取得只能通过当事人的回忆。让当事人回忆前5～6天港口日吞吐量的情况     

虚拟港口在吞吐量抽样调查统计中的应用

一、我国港口吞吐量统计中存在的主要问题 目前,我国港口吞吐量统计体制和统计方法中存在以下主要问题:(1)货主码头、个体承包码头的港口吞吐量数据难于收集.     

三次指数平滑法在港口吞吐量预测中的应用

港口吞吐量是港口发展战略研究的重要内容。正确预测港口吞吐量,对于合理科学的港口布局、基本设施投资规模、营运策略、发展战略以及与集疏运相关的综合运输的规划是十分重要的,并且事关港口经济腹地国民经济的发展和我国在国际经济中的竞争力,所以意义特别重大。在进行港口吞吐量的预测时,过去人们常采用回归分析法和二次指数平滑法等方法。本文提出了在港口吞吐量预测中采用三次指数平滑法预测技术,并用一个实例证明了方法的有效性。     

非参数法在港口吞吐量预测中的应用研究

针对港口吞吐量序列变化复杂，不确定性强的特点，研究了非参数方法在吞吐量预测中的应用。构造了基于核权函数的预测模型，其有效性在实例中得到验证。     

灰色预测模型在港口集装箱吞吐量预测中的应用

1 引言 多年来我国集装箱运输持续快速地发展,水路运输方面,已在沿海形成八大干线港口,集装箱运输正逐步向中西部延伸。随着未来经济的发展。港口还须进一步提高吞吐能力,港口集装箱吞吐量需求预测将越发重要。     

BP-neural networks预测法在湛江港港口吞吐量预测中的应用

本文对港口吞吐量预测的方法进行了研究,分析了传统预测方法在实际应用中存在的问题,利用黑箱模型理论对湛江港近年吞吐量与建设投资额进行定性研究和定量检验,证明了港口吞吐量与建设投资额之间存在显著的正相关关系,并基于此提出基于BP-neural networks的预测方法,为湛江港港口吞吐量的预测提供了一种新的方法与途径。     

组合预测模型在港口货物吞吐量预测的应用

以“估计误差的方差极小”作为最优准则,建立港口货物吞吐量的组合预测模型,并以天津港货物吞吐量预测为例,在回归分析法和3次指数平滑法预测的基础上,采用组合预测模型对天津港货物吞吐量发展进行预测;最后比较了3种预测方法各自的适用性。     

神经网络模型在港口吞吐量预测中的应用与误差分析

应用神经网络BP算法对杭州港的吞吐量预测实例进行了详细分析。通过对网络各种参数的调试与组合得出,当隐含层节点数为15,训练控制误差为0.035,分级迭代级数为4级,平滑因子参数为0.2,学习速率参数为1.5时,网络性能最佳。将网络预测结果与时间序列和回归分析2种方法进行了比较,得出神经网络方法在短期预测中要优于传统方法。通过对模型预测误差产生原因的简要分析,得出神经网络方法并不适用于吞吐量长期预测。最后对其应用过程中可能存在的一些问题提出了建议。     

组合预测模型在上海内河港口吞吐量预测中的应用

建立时间序列和二元线性回归的组合预测模型,对上海内河港口2010年、2015年和2020年的货物吞吐量水平进行了预测。研究发现,组合预测模型相比单个预测方法具有较高的精度,能够较准确地预测上海内河港口货物吞吐量。     

灰色系统理论论在香港口吞吐量预测中的应用

介绍灰色系统预测理论的基本原理，并结合港口吞吐量预测的实例以加说明。     

最优组合预测方法在内河港口吞吐量预测中的应用

港口吞吐量的预测是港口规划过程中最为基础也最为关键的一步,只有对港口吞吐量做出准确、稳定的预测,才能做出科学合理的港口发展规划。由于内河港吞吐量历史数据有限,文中采用GM(1,1)和Verhulst模型的最优组合模型对港口吞吐量进行预测。该组合模型充分利用GM(1,1)模型“少数据,短期预测准确”的优点,又针对GM(1,1)预测量的无限增大趋势,引入了Verhulst模型进行组合修正,进而提高预测值的准确、稳健性。     

径向基函数神经网络在集装箱吞吐量预测中的应用

针对一类具有时间序列特性的数据,构造一种基于径向基函数神经网络的预测模型,并将该模型应用于上海港集装箱吴吐量的预测。