余國(guó)剛，馮 琪，徐 粉（武漢理工大學(xué) 交通學(xué)院，湖北 武漢 430063）

張家港永嘉集裝箱碼頭集裝箱吞吐量組合預(yù)測(cè)

余國(guó)剛，馮 琪，徐 粉
（武漢理工大學(xué) 交通學(xué)院，湖北 武漢 430063）

應(yīng)用灰色預(yù)測(cè)模型、二次指數(shù)平滑法、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型等單項(xiàng)預(yù)測(cè)方法分別對(duì)張家港永嘉集裝箱碼頭集裝箱吞吐量進(jìn)行預(yù)測(cè)，基于方差倒數(shù)法求取每個(gè)單一模型的權(quán)重，并構(gòu)建組合預(yù)測(cè)模型。選擇預(yù)測(cè)誤差最小的組合預(yù)測(cè)模型對(duì)集裝箱吞吐量進(jìn)行預(yù)測(cè)，得出2016年和2017年的集裝箱吞吐量預(yù)測(cè)值。

張家灣永嘉集裝箱碼頭；集裝箱吞吐量；灰色預(yù)測(cè)；二次指數(shù)平滑；BP神經(jīng)網(wǎng)絡(luò)；組合預(yù)測(cè)

1 引言

隨著世界經(jīng)濟(jì)一體化和經(jīng)濟(jì)全球化的持續(xù)發(fā)展，世界各地區(qū)港口集裝箱運(yùn)輸發(fā)展十分迅猛，面對(duì)廣闊的發(fā)展前景和巨大的發(fā)展?jié)摿Γ劭趹?yīng)正確把握集裝箱運(yùn)輸發(fā)展態(tài)勢(shì)，抓住機(jī)遇加快集裝箱運(yùn)輸?shù)慕ㄔO(shè)和發(fā)展，因此對(duì)港口集裝箱運(yùn)輸?shù)陌l(fā)展?fàn)顩r進(jìn)行科學(xué)合理的預(yù)測(cè)，是國(guó)家、政府和企業(yè)進(jìn)行集裝箱運(yùn)輸建設(shè)投資、發(fā)展港口集裝箱運(yùn)輸?shù)闹匾獩Q策依據(jù)。學(xué)者孫永明等[1]建立灰色GM(1，1)模型，對(duì)上海港貨物吞吐量進(jìn)行短期預(yù)測(cè)研究；黃順泉[2]通過(guò)比較分析指數(shù)平滑法和回歸分析法，對(duì)上海港集裝箱吞吐量進(jìn)行預(yù)測(cè)研究；陳婷婷等[3]建立了三層BP神經(jīng)網(wǎng)絡(luò)模型對(duì)南京港貨物吞吐量進(jìn)行預(yù)測(cè)；翟希東[4]在神經(jīng)系統(tǒng)的相關(guān)理論和灰色理論的基礎(chǔ)上建立了組合預(yù)測(cè)模型，得到了較好的預(yù)測(cè)結(jié)果，為集裝箱港口的建設(shè)與規(guī)劃提供了合理的決策依據(jù)。

張家港永嘉集裝箱碼頭作為張家港港口的一個(gè)重要組成部分和上海組合港的重要成員，多年來(lái)集裝箱吞吐量連續(xù)增長(zhǎng)，對(duì)永嘉集裝箱碼頭集裝箱吞吐量進(jìn)行預(yù)測(cè)分析，對(duì)企業(yè)自身而言，有利于公司整合資源，調(diào)整集裝箱運(yùn)輸發(fā)展策略，提高碼頭競(jìng)爭(zhēng)力和經(jīng)濟(jì)效益；對(duì)政府而言，有利于把握港口集裝箱發(fā)展規(guī)模，為制定相關(guān)政策提供依據(jù)。本文運(yùn)用多種預(yù)測(cè)方法，通過(guò)比較預(yù)測(cè)精度，確定出最優(yōu)組合模型，并對(duì)其2016年、2017年集裝箱吞吐量進(jìn)行預(yù)測(cè)。

2 預(yù)測(cè)方法選擇

在選擇集裝箱吞吐量預(yù)測(cè)方法時(shí)應(yīng)考慮以下幾點(diǎn)影響因素：

（1）永嘉集裝箱碼頭歷年集裝箱吞吐量存在著一定的變化規(guī)律，且符合時(shí)間序列法的特點(diǎn)。

（2）永嘉集裝箱碼頭有限公司成立于1992年，距今僅二十多年，其相關(guān)統(tǒng)計(jì)數(shù)據(jù)還不健全。

（3）港口是一個(gè)復(fù)雜的系統(tǒng)，是一個(gè)城市貨物集散的物流中心，集裝箱吞吐量的發(fā)展受多方面因素的影響，包括國(guó)家宏觀經(jīng)濟(jì)水平、地區(qū)經(jīng)濟(jì)發(fā)展水平、外貿(mào)進(jìn)出口總額、其他運(yùn)輸方式運(yùn)量等。

經(jīng)分析，本文采用組合預(yù)測(cè)方法，單項(xiàng)預(yù)測(cè)模型為灰色預(yù)測(cè)模型、二次指數(shù)平滑法和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，根據(jù)單項(xiàng)模型建立組合預(yù)測(cè)模型，通過(guò)分析、比較，確定最優(yōu)的組合預(yù)測(cè)模型。

3 集裝箱吞吐量預(yù)測(cè)

張家港永嘉集裝箱碼頭吞吐量增長(zhǎng)迅猛，其1998-2015年集裝箱吞吐量數(shù)據(jù)見(jiàn)表1。

表1 永嘉集裝箱碼頭1998-2015年集裝箱吞吐量（單位：萬(wàn)TEU）

3.1 灰色預(yù)測(cè)模型GM(1,1)

灰色預(yù)測(cè)模型簡(jiǎn)稱GM預(yù)測(cè)模型，是通過(guò)少量的、不完全的信息，用微分?jǐn)M合法建立數(shù)學(xué)模型并做出預(yù)測(cè)的一種預(yù)測(cè)方法?；疑A(yù)測(cè)模型的短期預(yù)測(cè)結(jié)果具有較高的可信度，但是由于其數(shù)據(jù)量小和信息不完整的缺陷，對(duì)于長(zhǎng)期預(yù)測(cè)結(jié)果的可信度有所下降。

（1）基本原理

①建?？尚行耘袛?。首先判斷時(shí)間序列是否適合作為GM(1,1)建模序列。對(duì)于給定的時(shí)間序列X(0)= {x(0)(1),x(0)(2),...,x(0)(n)}，計(jì)算級(jí)比：

②數(shù)據(jù)預(yù)處理。采用平移處理方法對(duì)數(shù)據(jù)進(jìn)行處理，處理后數(shù)據(jù)滿足高精度建模序列的要求，即可在原始序列的每一項(xiàng)加一個(gè)常數(shù)Q，則有：

③GM(1，1)模型建立。令X(0)={x(0)(1),x(0)(2),...,x(0)(n)} 為GM(1，1)建模序列，通過(guò)累加生成新序列X(1)={x(1)(1), x(1)(2),…,x(1)(n)}，模型相應(yīng)的微分方程為：

式中，a為發(fā)展灰數(shù)，μ為內(nèi)生控制灰數(shù)。

④參數(shù)估計(jì)。設(shè)a∧為待估參數(shù)向量，α∧=，可利用最小乘法求解，即得：

求解微分方程，即可得預(yù)測(cè)模型：

（2）利用灰色模型預(yù)測(cè)永嘉集裝箱碼頭集裝箱吞吐量

選用永嘉集裝箱碼頭2004-2014年數(shù)據(jù)建立灰色預(yù)測(cè)模型，經(jīng)過(guò)序列的級(jí)比計(jì)算發(fā)現(xiàn)需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，在原始序列的每一項(xiàng)加一個(gè)常數(shù)Q=100，生成新的數(shù)列，新序列的級(jí)比已全部落在δ（k）的覆蓋范圍內(nèi)，符合灰色預(yù)測(cè)的要求。

經(jīng)計(jì)算，得到：a=-0.068 4，μ=122.794 2，據(jù)此得到GM(1，1)預(yù)測(cè)模型：

根據(jù)式（6）進(jìn)行計(jì)算，計(jì)算值進(jìn)行累減并減去常數(shù)Q即為集裝箱吞吐量預(yù)測(cè)值，2011-2015年吞吐量預(yù)測(cè)數(shù)據(jù)與實(shí)際值的檢驗(yàn)分析結(jié)果見(jiàn)表2。

3.2 二次指數(shù)平滑預(yù)測(cè)模型

指數(shù)平滑法是在移動(dòng)平均法基礎(chǔ)上發(fā)展起來(lái)的一種時(shí)間序列分析預(yù)測(cè)法，它是通過(guò)計(jì)算指數(shù)平滑值，配合一定的時(shí)間序列預(yù)測(cè)模型對(duì)現(xiàn)象的未來(lái)進(jìn)行預(yù)測(cè)，它對(duì)時(shí)間序列的隨機(jī)性和波動(dòng)性考慮較少。由于永嘉集裝箱碼頭集裝箱吞吐量的變化趨向于二次指數(shù)平滑變化規(guī)律，故本文采用二次指數(shù)平滑預(yù)測(cè)。

表2 灰色預(yù)測(cè)法預(yù)測(cè)2011-2015年集裝箱吞吐量檢驗(yàn)分析

（1）基本原理

①二次指數(shù)平滑模型的建立。設(shè)時(shí)間序列為：x1,x2,x3,...,xn；用S表示指數(shù)平滑值，即第t期、第i次指數(shù)平滑值記為St(i)，指數(shù)平滑值計(jì)算公式為（α為平滑系數(shù)，且0＜α＜1）：

對(duì)預(yù)測(cè)周期為T年、基年為第t年的指標(biāo)預(yù)測(cè)值，其二次指數(shù)平滑法的預(yù)測(cè)模型為：

式中：at，T為預(yù)測(cè)周期，at、bt為平滑系數(shù)。

②平滑初始值的確定。應(yīng)用二次指數(shù)平滑法進(jìn)行預(yù)測(cè)時(shí)，須首先估算初始值、，根據(jù)經(jīng)驗(yàn)取前3個(gè)數(shù)據(jù)的平均值作為一次指數(shù)平滑的初始值，即：

③α值的確定。采用指數(shù)平滑法預(yù)測(cè)，如果數(shù)據(jù)波動(dòng)不大，α宜取小值（0.1-0.3），這樣可以使各期觀察值的權(quán)數(shù)由近及遠(yuǎn)緩慢地變?。蝗绻麛?shù)據(jù)波動(dòng)較大，α宜取大值（0.6-0.8），這樣可以加重近期觀測(cè)值的權(quán)數(shù)，使各期觀察值的權(quán)數(shù)由近及遠(yuǎn)較快地變小。但是，在多數(shù)情況下α值并不易判斷，為準(zhǔn)確起見(jiàn)，可分別選用不同的α值試算。

指數(shù)平滑法的預(yù)測(cè)誤差可以用均方差法（MSE法）測(cè)定，計(jì)算公式為：

式中yi為實(shí)際值為預(yù)測(cè)值。對(duì)于α值的選定，應(yīng)以測(cè)試數(shù)據(jù)的預(yù)測(cè)誤差值最小即MSE最小為原則，從中選取較好的α值。

（2）利用二次指數(shù)平滑法預(yù)測(cè)永嘉集裝箱碼頭集裝箱吞吐量

選用永嘉集裝箱碼頭2004-2014年數(shù)據(jù)建立二次指數(shù)平滑測(cè)模型。經(jīng)反復(fù)檢驗(yàn)，最后確定當(dāng)α=0.8時(shí)計(jì)算出來(lái)的方差最小，最小方差MSE=11.890 0，進(jìn)而得到預(yù)測(cè)方程為：

其中（t=1,2,...,n）為預(yù)測(cè)年份，Y為集裝箱吞吐量。

根據(jù)式（11）對(duì)集裝箱吞吐量進(jìn)行預(yù)測(cè)，預(yù)測(cè)數(shù)據(jù)與實(shí)際值的檢驗(yàn)分析結(jié)果見(jiàn)表3。

表3 二次指數(shù)平滑法預(yù)測(cè)2011-2015年集裝箱吞吐量檢驗(yàn)分析

3.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，是用大量簡(jiǎn)單的單元構(gòu)成的非線性系統(tǒng)，模仿人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與功能特征的一種技術(shù)系統(tǒng)，是大規(guī)模并行的非線性動(dòng)態(tài)系統(tǒng)，具有學(xué)習(xí)、記憶、計(jì)算及智能處理的功能。與指數(shù)平滑法、曲線擬合法等方法相比，人工神經(jīng)網(wǎng)絡(luò)本身具有一些特性，使其較好的實(shí)現(xiàn)了對(duì)非線性復(fù)雜系統(tǒng)的預(yù)測(cè)。

GDP、對(duì)外貿(mào)易額、第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、貨運(yùn)量、水路貨運(yùn)量對(duì)于張家港永嘉集裝箱碼頭集裝箱吞吐量有極其重要的作用，本文選取1992年-2015年的影響因素統(tǒng)計(jì)資料，把它們作為BP神經(jīng)網(wǎng)絡(luò)的輸入值，2011年-2015年的貨物吞吐量作為輸出值。1992年-2015年的影響因素統(tǒng)計(jì)資料見(jiàn)表4、表5。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)具體步驟如下：

（1）數(shù)據(jù)預(yù)處理。將各影響因素統(tǒng)計(jì)值與吞吐量統(tǒng)計(jì)值進(jìn)行歸一化處理，使其數(shù)值在0-1之間。

表4 集裝箱吞吐量影響因素統(tǒng)計(jì)表（1）

表5 集裝箱吞吐量影響因素統(tǒng)計(jì)表（2）

其中，Xi為原始數(shù)據(jù)，Yi為預(yù)處理后的數(shù)據(jù)，是根據(jù)實(shí)際情況取得的小于數(shù)據(jù)中最大值的數(shù)值。

（2）樣本的選取。本文用前十年的影響因素作為網(wǎng)絡(luò)的輸入值，第十一年集裝箱吞吐量作為輸出值。首先將1991年-2000年的影響因素作為訓(xùn)練樣本的第一次輸入，將2001年的集裝箱吞吐量作為第一次輸出，依此類推，得到14個(gè)樣本，選取前10個(gè)樣本為訓(xùn)練樣本，后4個(gè)作為測(cè)試樣本。

（3）網(wǎng)絡(luò)參數(shù)設(shè)置。設(shè)定最大訓(xùn)練次數(shù)為10 000、訓(xùn)練精度為0.000 000 1。對(duì)于隱含層神經(jīng)元個(gè)數(shù)的確定，本文采用的是試探法。首先用經(jīng)驗(yàn)公式來(lái)確定大致范圍，然后從隱含層神經(jīng)元個(gè)數(shù)少的網(wǎng)絡(luò)開(kāi)始訓(xùn)練，逐漸增加節(jié)點(diǎn)數(shù)目，并且分析每次結(jié)果的誤差，如果誤差沒(méi)有因節(jié)點(diǎn)的增多而增大，此時(shí)的神經(jīng)元個(gè)數(shù)可以認(rèn)為是理想的。

其中，輸入層節(jié)點(diǎn)數(shù)m=50，輸出層節(jié)點(diǎn)數(shù)n=1，C為1-10的節(jié)點(diǎn)數(shù)。

經(jīng)過(guò)計(jì)算與訓(xùn)練，確定隱含層神經(jīng)元個(gè)數(shù)為16時(shí)，訓(xùn)練次達(dá)到7 365次時(shí)達(dá)到設(shè)定的目標(biāo)誤差，訓(xùn)練結(jié)果如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果圖

（4）選擇后四個(gè)樣本作為檢驗(yàn)樣本，要求輸出值與實(shí)際值誤差在1.5%以內(nèi)。分別將影響因素?cái)?shù)據(jù)作為輸入，輸出2011年-2015年集裝箱吞吐量，并檢驗(yàn)精度是否達(dá)到要求。

經(jīng)過(guò)計(jì)算與調(diào)試，達(dá)到預(yù)測(cè)精度要求時(shí)，用2011 年-2015年數(shù)據(jù)進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果見(jiàn)表6所示。

3.4 組合預(yù)測(cè)模型

組合預(yù)測(cè)是通過(guò)對(duì)單項(xiàng)預(yù)測(cè)模型進(jìn)行組合來(lái)盡可能地提高預(yù)測(cè)精度的預(yù)測(cè)方法，研究表明，在諸多單項(xiàng)預(yù)測(cè)模型各異且數(shù)據(jù)來(lái)源不同的情況下，組合模型的預(yù)測(cè)結(jié)果比任何一個(gè)單一模型的預(yù)測(cè)精度都高，組合預(yù)測(cè)模型具有減少預(yù)測(cè)系統(tǒng)誤差，顯著改善預(yù)測(cè)效果的作用。

表6 預(yù)測(cè)2011-2015年集裝箱吞吐量檢驗(yàn)分析

為了能充分利用以上三種模型的優(yōu)點(diǎn)，有必要將它們進(jìn)行組合。組合預(yù)測(cè)的關(guān)鍵是確定加權(quán)系數(shù)，可以根據(jù)不同的理論確定不同的計(jì)算方法，本文采用方差倒數(shù)法即預(yù)測(cè)誤差平方和來(lái)確定加權(quán)系數(shù)。預(yù)測(cè)誤差平方和是反映預(yù)測(cè)精度的一個(gè)指標(biāo)，預(yù)測(cè)誤差平方和越大，表明該預(yù)測(cè)模型的精度越低，從而它在組合預(yù)測(cè)中的重要性就越低，重要性的降低表現(xiàn)為它在組合預(yù)測(cè)模型的組合預(yù)測(cè)中應(yīng)賦予較小的加權(quán)系數(shù)。

（1）基本原理。設(shè)Y為預(yù)測(cè)對(duì)象的各種預(yù)測(cè)方法，則最優(yōu)綜合模型為：

其中Qi=，式中Qi分別為預(yù)測(cè)方法在綜合模型中的權(quán)重，Di為每種預(yù)測(cè)方法的誤差平方和。

（2）組合模型的建立?；谝陨纤⒌娜齻€(gè)單一模型，可以建立四種不同的組合模型，分別為灰色預(yù)測(cè)法與二次指數(shù)平滑法所建立的組合模型一；灰色預(yù)測(cè)法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型所建立的組合模型二；二次指數(shù)平滑法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型所建立的組合模型三；灰色預(yù)測(cè)法、二次指數(shù)平滑法與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型所建立的組合模型四，見(jiàn)表7。

3.5 基于最優(yōu)組合模型的集裝箱吞吐量預(yù)測(cè)

由表7可知，三個(gè)單項(xiàng)模型中灰色模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度較高，而指數(shù)平滑模型預(yù)測(cè)結(jié)果相對(duì)較差。通過(guò)比較單項(xiàng)模型和組合模型的預(yù)測(cè)結(jié)果可以看到，組合模型明顯提高了預(yù)測(cè)精度。而各種組合之間的比較表明，組合模型四預(yù)測(cè)誤差最小，最小誤差為0.733 2%，因此選擇綜合模型四作為永嘉集裝箱碼頭集裝箱吞吐量的預(yù)測(cè)模型。

表7 三個(gè)單一模型和四個(gè)組合模型

根據(jù)已建立的單一模型和組合模型四，對(duì)永嘉集裝箱碼頭2016年和2017年吞吐量預(yù)測(cè)，預(yù)測(cè)結(jié)果見(jiàn)表8。

表8 永嘉集裝箱碼頭2016年-2017年集裝箱吞吐量預(yù)測(cè)（單位：萬(wàn)TEU）

由表8可知，2016年永嘉集裝箱碼頭集裝箱吞吐量為188.48萬(wàn)TEU，2017永嘉集裝箱碼頭集裝箱吞吐量為207.53萬(wàn)TEU。

[1]孫永明,鄭光平.基于灰色理論的港口吞吐量預(yù)測(cè)研究[J].中國(guó)水運(yùn),2007,5(4):160-162.

[2]黃順泉.關(guān)于港口吞吐量預(yù)測(cè)方法選擇的探討[J].集裝箱化, 2003,(7):17-18,28

[3]陳婷婷,陳漪翊.基于BP神經(jīng)網(wǎng)絡(luò)的港口貨物吞吐量預(yù)測(cè)[J].計(jì)算機(jī)與現(xiàn)代化,2009,(10):4-5,9.

[4]翟希東.港口集裝箱吞吐量預(yù)測(cè)模型研究[D].大連:大連理工大學(xué),2006.

Combination Forecasting of Container Throughput of Zhang jiagang Yongjia Container Port

Yu Guogang,FengQi,Xu Fen
(SchoolofCommunication,Wuhan University of Technology,Wuhan 430063,China)

In this paper,we used the grey forecasting model,second exponential smooth method,BP neural network forecasting model, etc.,to forecast the container throughput of the ZhangjiagangYongjia container port respectively,then based on the inverse variance method, obtained the weight of each model to build the combination forecasting model,and at the end,after identifying and using the combination forecasting model with the least forecasting error to forecast the container throughput of the port,arrived at the forecast container throughput of theportfor 2016 and 2017.

Zhang jiagang Yongjia container port;container throughput;grey forecasting;second exponential smooth;BP neural network;combination forecasting

U169.6;F224.0

A

1005-152X(2017)04-0103-05

2017-02-16

余國(guó)剛，男，武漢理工大學(xué)學(xué)術(shù)型碩士，研究方向：交通運(yùn)輸規(guī)劃與管理。

doi∶10.3969/j.issn.1005-152X.2017.04.024