鄒榮妹 蘭國(guó)輝 楊霞

【摘? ?要】? ?科學(xué)預(yù)判長(zhǎng)三角港口群的發(fā)展趨勢(shì)對(duì)加快建設(shè)交通強(qiáng)國(guó)、海洋強(qiáng)國(guó)的意義重大，而港口貨物吞吐量的精準(zhǔn)預(yù)測(cè)是促進(jìn)港口發(fā)展的重要一點(diǎn)。為了提高預(yù)測(cè)的精準(zhǔn)度，采取BP神經(jīng)網(wǎng)絡(luò)算法、灰色預(yù)測(cè)GM（1，1）模型和三次指數(shù)平滑法對(duì)2009-2021年長(zhǎng)三角港口群的寧波舟山港、上海港、蘇州港三大港口貨物吞吐量進(jìn)行分析，建立組合預(yù)測(cè)模型。結(jié)果顯示，該組合預(yù)測(cè)模型降低了預(yù)測(cè)誤差，提高了預(yù)測(cè)精準(zhǔn)度，對(duì)長(zhǎng)三角港口群發(fā)展具有一定的參考價(jià)值。

【關(guān)鍵詞】? ?港口貨物吞吐量；BP神經(jīng)網(wǎng)絡(luò)算法；灰色預(yù)測(cè)GM（1，1）；三次指數(shù)平滑法；組合預(yù)測(cè)

Analysis of Port Cargo Throughput Based on Combination Forecasting：

A Case Study of the Yangtze River Delta Port Group

Zou Rongmei1，Lan Guohui1*，Yang Xia1，2

（1.Anhui University of Science & Technology， Huainan 232001， China;

2.Huainan Normal University， Huainan 232038， China）

【Abstract】? ? Scientific prediction of the development trend of the Yangtze River Delta port group is of great significance for accelerating the construction of a transportation and maritime power， and the accurate and scientific prediction of port cargo throughput is an important factor in promoting port development. In order to improve the accuracy of prediction， this paper adopts BP neural network algorithm， grey prediction GM （1，1） model and cubic exponential smoothing method to analyze the cargo throughput of Port of Ningbo-Zhoushan， Port of Shanghai and Port of Suzhou in the Yangtze River Delta port group from 2009 to 2021， and establishes a combined prediction model. The results show that the combined prediction model reduces prediction errors and improves prediction accuracy， which can provide certain reference value for the development of the Yangtze River Delta port group.

【Key words】? ?port cargo throughput; BP neural network algorithm; grey prediction GM （1，1）; cubic exponential smoothing method; combination prediction

〔中圖分類(lèi)號(hào)〕? F552.7? ? ? ? ? ? ? ? ?〔文獻(xiàn)標(biāo)識(shí)碼〕? A ? ? ? ? ? ? ?〔文章編號(hào)〕 1674 - 3229（2024）01- 0092 - 08

0? ? ?引言

港口吞吐量是衡量一個(gè)港口生產(chǎn)能力的重要指標(biāo)，也是一個(gè)國(guó)家物流發(fā)展程度的重要評(píng)價(jià)指標(biāo)。黨的二十大報(bào)告提出，加快建設(shè)交通強(qiáng)國(guó)、海洋強(qiáng)國(guó)，提升產(chǎn)業(yè)鏈、供應(yīng)鏈的韌性和安全水平［1］。長(zhǎng)三角港口群是中國(guó)重要的港口群，我國(guó)也致力于將長(zhǎng)三角港口群打造成世界級(jí)港口群，故在未來(lái)幾年長(zhǎng)三角港口群的發(fā)展必然受到廣泛關(guān)注。隨著數(shù)字經(jīng)濟(jì)的到來(lái)，長(zhǎng)三角港口群的數(shù)字化發(fā)展勢(shì)在必行，而科學(xué)精準(zhǔn)地預(yù)測(cè)港口貨物吞吐量，對(duì)長(zhǎng)三角世界級(jí)港口群的建設(shè)具有重要意義。

目前學(xué)者們已經(jīng)提出了多種預(yù)測(cè)方法，并不斷改進(jìn)以提高預(yù)測(cè)精準(zhǔn)度。通過(guò)文獻(xiàn)統(tǒng)計(jì)來(lái)看，大部分學(xué)者采用的主要是單項(xiàng)預(yù)測(cè)模型（即通過(guò)單一的某個(gè)模型來(lái)對(duì)研究對(duì)象進(jìn)行預(yù)測(cè)）和組合預(yù)測(cè)模型。其中使用比較廣泛的預(yù)測(cè)方法主要有灰色預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)法、因子分析法、時(shí)間序列法、線(xiàn)性趨勢(shì)外推法等。高秀春等［2］、蔡婉貞等［3］、Dongning Yang ［4］運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)出唐山港、汕頭港的港口貨物吞吐量在不斷增長(zhǎng)。Eskafi M等［5］、Tian Xin 等［6］運(yùn)用貝葉斯統(tǒng)計(jì)方法預(yù)測(cè)了港口吞吐量。高秀娟等［7］采用灰色GM（1，1）模型，對(duì)武漢市2010-2019年貨運(yùn)量進(jìn)行分析。但單一模型預(yù)測(cè)誤差較為明顯，存在一定的局限性。陳端海［8］提出了遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)的方法，以此方法來(lái)預(yù)測(cè)港口物流量，預(yù)測(cè)精準(zhǔn)度得到了較為明顯的改善。丁天明等［9］學(xué)者通過(guò)粒子群算法改進(jìn)灰色馬爾可夫模型對(duì)寧波舟山港進(jìn)行了預(yù)測(cè)分析，預(yù)測(cè)誤差降低了37%。凌立文［10］明確組合預(yù)測(cè)模型的普遍性?xún)?yōu)勢(shì)，以提高組合模型預(yù)測(cè)精度為出發(fā)點(diǎn)，圍繞單項(xiàng)模型篩選策略和組合權(quán)重確定方法展開(kāi)研究，明晰了組合預(yù)測(cè)模型構(gòu)建方法。樊東方等［11］提出了基于pccsAMOPSO算法的多目標(biāo)變權(quán)組合預(yù)測(cè)模型，通過(guò)調(diào)整模型權(quán)重，來(lái)優(yōu)化組合模型，對(duì)我國(guó)1989-2008年的宏觀(guān)物流量進(jìn)行預(yù)測(cè)分析，結(jié)果表明，該組合模型具有較高的預(yù)測(cè)精度和穩(wěn)定性。楊新湦等［12］、郁小鋒等［13］學(xué)者提出了基于指數(shù)平滑模型、灰色預(yù)測(cè)、趨勢(shì)外推法的組合預(yù)測(cè)模型，對(duì)比單一預(yù)測(cè)模型，平均相對(duì)誤差明顯降低。張婉琳［14］提出了基于灰色關(guān)聯(lián)預(yù)測(cè)與ARIMA模型預(yù)測(cè)的組合預(yù)測(cè)模型，進(jìn)一步表明了組合預(yù)測(cè)模型的優(yōu)勢(shì)。

單一預(yù)測(cè)模型通常僅包含預(yù)測(cè)對(duì)象的部分信息，通過(guò)一定規(guī)則組合各單項(xiàng)模型，可通過(guò)更全面的預(yù)測(cè)信息從而提高預(yù)測(cè)精度［10］?，F(xiàn)有研究多采用單一預(yù)測(cè)模型，并且之前的研究多是針對(duì)珠三角港口或集中對(duì)某一港口的預(yù)測(cè)，而對(duì)長(zhǎng)三角港口群的貨物吞吐量預(yù)測(cè)研究不足。據(jù)此，本文采用基于BP神經(jīng)網(wǎng)絡(luò)算法、灰色預(yù)測(cè)GM（1，1）和三次指數(shù)平滑法的組合預(yù)測(cè)模型，對(duì)長(zhǎng)三角港口群三大港口（即寧波舟山港、上海港、蘇州港）2009-2021年的港口貨物吞吐量進(jìn)行預(yù)測(cè)分析，根據(jù)單一預(yù)測(cè)模型誤差大小賦予模型相應(yīng)權(quán)重，計(jì)算出組合預(yù)測(cè)模型，得到更為精準(zhǔn)的三大港口貨物吞吐量預(yù)測(cè)結(jié)果。

1? ? ?預(yù)測(cè)模型

1.1? ?BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要有輸入層、隱藏層和輸出層，信息由輸入層通過(guò)隱藏層處理向輸出層正向傳遞，當(dāng)輸出的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果有誤差時(shí)，經(jīng)由隱藏層向輸入層進(jìn)行傳遞，該次傳遞被稱(chēng)為誤差反向傳遞，以此誤差信息來(lái)修正各層權(quán)值。經(jīng)過(guò)正向和反向的反復(fù)傳遞與權(quán)值修正，得到最優(yōu)預(yù)測(cè)結(jié)果。

利用Matlab仿真軟件進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，包括輸入層、隱藏層與輸出層的確定，以及學(xué)習(xí)函數(shù)、訓(xùn)練方法等，利用mapminmax函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理；確定newff函數(shù)用來(lái)建立一個(gè)前饋BP神經(jīng)網(wǎng)絡(luò)；采用的傳遞函數(shù)為logsig、purelin，訓(xùn)練函數(shù)采用系統(tǒng)默認(rèn)的trainlm函數(shù)［15］。

1.2? ?灰色預(yù)測(cè)GM（1，1）模型

（1）設(shè)原始數(shù)據(jù)序列為[X（0）=x（0）1，x（0）2， …， x（0）n]，通過(guò)一次累加生成新序列[X（1）=x（1）1，x（1）2， …， x（1）n]。

其中，[x（1）t=i=1ix0i，（t=1，2，…，n）]，即[x（1）1=x（0）1，x（1）2=x（0）1+]

[x（0）2，x（1）3=x（0）2+x（0）3，…]。[X（1）]的均值（MEAN）序列Z（1）為：[Z（1）=z（1）2，z（1）3，…，z（1）n]。

其中，[z（1）t=-0.5（x（1）t+x（1）t-1）， t=2，3，…，n;]則GM（1，1）的灰微分方程模型為[x（0）t+az（1）t=b]，其中xt（0）為灰導(dǎo)體；a為發(fā)展系數(shù)；Zt（1）為白化背景值；b的大小反映數(shù)據(jù)變化關(guān)系。

（2）最小二乘法求參數(shù)a，b的值：[（a，b）T=（BTB）-1][BTY]

其中B和Y分別為如下矩陣：

[B=-1/2（x（1）1+x（1）2）? ?1-1/2（x（1）2+x（1）3）? ?1?? ? ? ? ? ??? ? ? ? ? ? ? ?-1/2（x（1）n-1+x（1）n） 1;? Y=x（0）2x（0）3? ?x（0）n]? ? ? ? ? ? ? ? ? ? ? ?（1）

（3）計(jì)算模型參數(shù)[（a，b）T]

稱(chēng)微分方程[dx（1）dt+ax（1）=b]為灰色微分方程[x（0）t+az（1）t=b]的白化方程，也稱(chēng)影子方程，求方程解得

[x∧（1）t=x（1）0-ba∧e-a∧t+ba∧，t=1，2，…，n]? ? ? ? （2）

（4）時(shí)間響應(yīng)函數(shù)

[x∧（1）t+1=x（0）1-ba∧e-a∧t+ba∧，t=1，2，…，n]? ?（3）? ? ? ? ? ? 取[x（1）0=x（0）1]

[x∧（1）t+1=x（1）0-ba∧e-a∧t+ba∧，t=1，2，…，n]? ? ? ? （4）

（5）寫(xiě)出GM（1，1）預(yù)測(cè)模型

得到新序列后可由式（4）再進(jìn)行預(yù)測(cè)，求得原始數(shù)據(jù)的預(yù)測(cè)模型：

[x∧（0）t+1=x∧（1）t+1-x∧（1）t，t=1，2，…，n]? ? ? ? ? ? ? ? ? ? ? ? ? （5）

（6）GM（1，1）模型檢驗(yàn)

模型建立后，必須仔細(xì)分析、比較和檢驗(yàn)所求結(jié)果，以便分析出與真實(shí)數(shù)值的偏差，若與真實(shí)的偏差很小，則說(shuō)明可以得到很好的預(yù)測(cè)結(jié)果，否則，就要修正模型。

絕對(duì)誤差：

[ε（0）（t）=x（0）（t）-x∧（0）（t），t=1，2，…，n]? ? （6）

相對(duì)誤差：

[ω（0）（t）=x（0）（t）-x∧（0）（t）x（0）（t），t=1，2，…，n]? ? ? ? ? ? （7）

其中[x∧（0）（t）=x∧（1）（t）-x∧（1）（t-1），t=1，2，…，n，]相對(duì)誤差越小，模型精度越高。

1.3? ?三次指數(shù)平滑法預(yù)測(cè)模型

令[X∧t+T]為t+T期預(yù)測(cè)值，有[X∧t+T=at+btT+][12ctT2]，at、bt、ct為模型參數(shù)，其計(jì)算公式為：

[bt=α2（1-α）2（6-5α）S（1）t-（10-8α）S（2）t+（4-3α）S（3）t]? ? ? ? ? ? ? ? ? ? ?（8）

[ct=α2（1-α）2（S（1）t-2S（2）t+S（3）t）]? ? （9）

[S（1）0=S（2）0=S（3）0=X0]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（10）

[S（1）t=αXt+（1+α）S（1）t-1]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （11）

[S（2）t=αS（1）t+（1-α）S（2）t-1]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（12）

[S（3）t=αS（2）t+（1-α）S（3）t-1]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（13）

公式中， X0，X1，…，Xn為實(shí)際觀(guān)測(cè)值，St（1）、St（2）和St（3）分別是一次平滑、二次平滑和三次平滑；[α]為平滑系數(shù)（0<[α]<1）；T為預(yù)測(cè)期距當(dāng)前期長(zhǎng)度。

1.4? ?組合預(yù)測(cè)模型

假設(shè)有n個(gè)預(yù)測(cè)模型，根據(jù)這n種模型的預(yù)測(cè)相對(duì)誤差進(jìn)行權(quán)重分配，誤差小的模型給予較大的權(quán)重，誤差大的模型給予較小的權(quán)重，經(jīng)過(guò)對(duì)所有預(yù)測(cè)模型的預(yù)測(cè)誤差分析可確定第i個(gè)模型的權(quán)重為[fi（i=1，2，…，n）]，權(quán)重的分配方法依據(jù)以下公式：

[fi=（e2i）-1i=1i（e2i）-1? ? （i=1，2…，n）]? ? ? ? ? ? ? ? ? ? ? ? ? ? （14）

式中，ei為第i種預(yù)測(cè)模型的平均相對(duì)誤差值，ei2為第i種預(yù)測(cè)模型的平均相對(duì)誤差值的平方值。

則組合預(yù)測(cè)模型為[Yt=f1y1+f2y2+…+fnyn]。

式中[i=1nfi=1]；Yt表示在t時(shí)間n個(gè)預(yù)測(cè)模型的組合預(yù)測(cè)值；yn表示在t時(shí)間的第n個(gè)預(yù)測(cè)模型的預(yù)測(cè)值。

2? ? ?長(zhǎng)三角港口貨運(yùn)量預(yù)測(cè)對(duì)比分析

2.1? ?數(shù)據(jù)處理

本文選取長(zhǎng)三角港口群中的寧波舟山港、上海港、蘇州港三大港的年貨物吞吐量為研究對(duì)象，以《中國(guó)物流年鑒》作為數(shù)據(jù)來(lái)源，經(jīng)過(guò)整理形成了2009-2021年三大港口貨物吞吐量數(shù)據(jù)（表1）。

2.2? ?BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

根據(jù)上述BP神經(jīng)網(wǎng)絡(luò)的模型建立過(guò)程，在Matlab中進(jìn)行操作，得到三大港口貨物吞吐量預(yù)測(cè)結(jié)果（表2）。

由圖2三大港口的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差可以看出，三個(gè)港口中寧波舟山港預(yù)測(cè)精準(zhǔn)度更高，上海港和蘇州港誤差波動(dòng)較大，這表明BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)于預(yù)測(cè)上海港和蘇州港的貨物吞吐量數(shù)據(jù)具有更大的局限性。

2.3? ?灰色預(yù)測(cè)GM（1，1）模型預(yù)測(cè)結(jié)果

根據(jù)上述灰色預(yù)測(cè)模型，利用Matlab進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表3所示。

根據(jù)上述的灰色預(yù)測(cè)GM（1，1）模型，利用Matlab得出寧波舟山港的預(yù)測(cè)模型為[x∧（1）t+1=][1122752.60e-0.0575t-][1065053]，其中均方誤差比值C=0.0602，小于0.35，小誤差概率P=1，大于0.95，所以該模型合格，模型精度等級(jí)為優(yōu)。

上海港的預(yù)測(cè)模型為[x∧（1）t+1=18473172.79e-0.0039t-]

[18413972]，其中均方誤差C=0.3675，大于0.35小于0.5，小誤差概率P=0.9231，大于0.8小于0.95，故該模型合格，模型精度等級(jí)為良。

蘇州港的預(yù)測(cè)模型為[x∧（1）t+1=957091.23e-0.0410t-]

[932491]，其中均方誤差C=0.2383，小于0.35，小誤差概率P=1，大于0.95，故該模型合格，模型精度等級(jí)為優(yōu)。

2.4? ?三次指數(shù)平滑模型預(yù)測(cè)結(jié)果

根據(jù)上述三次指數(shù)平滑模型，利用計(jì)算公式進(jìn)行三次指數(shù)平滑預(yù)測(cè)，其中初始值為前五個(gè)時(shí)間序列值的平均值。通過(guò)對(duì)平滑系數(shù)[α]的不同取值進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果進(jìn)行比較，發(fā)現(xiàn)當(dāng)[α]=0.9時(shí)，預(yù)測(cè)誤差最小，預(yù)測(cè)精準(zhǔn)度最高［16］ 。預(yù)測(cè)結(jié)果見(jiàn)表4。

由圖4可以看出，使用三次指數(shù)平滑模型對(duì)三大港口進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果均較為貼合實(shí)際值，其中對(duì)上海港預(yù)測(cè)誤差最小、精準(zhǔn)度最高。由圖可發(fā)現(xiàn)對(duì)蘇州港2009年的預(yù)測(cè)結(jié)果誤差較大，是由于2009年正處于國(guó)際金融危機(jī)時(shí)期，蘇州港受到影響較大，其后在2010-2013年隨著經(jīng)濟(jì)的恢復(fù)，蘇州港貨物吞吐量增速較大，而三次指數(shù)平滑模型預(yù)測(cè)的特點(diǎn)使得在2009年預(yù)測(cè)存在較大偏差。

2.5? ?組合模型預(yù)測(cè)結(jié)果

上面分析了BP神經(jīng)網(wǎng)絡(luò)模型、灰色預(yù)測(cè)GM（1，1）模型和三次指數(shù)平滑模型這三種預(yù)測(cè)模型，現(xiàn)根據(jù)這三種模型的預(yù)測(cè)誤差大小來(lái)分配權(quán)重，誤差小的模型給予較大的權(quán)重，誤差大的模型給予較小的權(quán)重，權(quán)重的分配方法依據(jù)公式（14）。計(jì)算求得各港口不同預(yù)測(cè)模型的權(quán)重大小（表5）。寧波舟山港的三種預(yù)測(cè)模型權(quán)重分別為f1=0.770103、f2=0.126513、f3=0.103384，則寧波舟山港的組合預(yù)測(cè)模型為Yt=0.770103y1+0.126513y2+0.103384y3。

上海港的三種預(yù)測(cè)模型權(quán)重分別為f1=0.428728、f2=0.103080、f3=0.468192，則上海港的組合預(yù)測(cè)模型為Yt=0.428728y1+0.103080y2+0.468192y3。

蘇州港的三種預(yù)測(cè)模型權(quán)重分別為f1=0.462550、f2=0.102140、f3=0.435310，則蘇州港的組合預(yù)測(cè)模型為Yt=0.462550y1+0.102140y2+0.435310y3。

根據(jù)上述三個(gè)港口的組合預(yù)測(cè)模型，求出三大港口的組合預(yù)測(cè)結(jié)果（表6）。

由表5可知，寧波舟山港的貨物吞吐量三種模型預(yù)測(cè)的平均誤差分別為0.8104%、1.9995%和2.2119%，而經(jīng)過(guò)組合預(yù)測(cè)得出的預(yù)測(cè)結(jié)果精準(zhǔn)度明顯提高，平均誤差降低為0.7619%。上海港的貨物吞吐量三種模型預(yù)測(cè)的平均誤差分別為1.6034%、3.27%和1.5343%，而經(jīng)過(guò)組合預(yù)測(cè)得出的預(yù)測(cè)結(jié)果精準(zhǔn)度明顯提高，平均誤差降低為1.4404%。蘇州港的貨物吞吐量三種模型預(yù)測(cè)的平均誤差分別為3.5351%、7.523%和3.6441%，而經(jīng)過(guò)組合預(yù)測(cè)得出的預(yù)測(cè)結(jié)果精準(zhǔn)度明顯提高，平均誤差降低為3.1298%。該組合預(yù)測(cè)模型的平均誤差均低于其他三個(gè)模型，預(yù)測(cè)精準(zhǔn)度得到了很大提高。

2.6? ?貨物吞吐量預(yù)測(cè)

根據(jù)港口貨物吞吐量組合預(yù)測(cè)模型，對(duì)寧波舟山港、上海港、蘇州港2022-2026年的港口貨物吞吐量進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表7所示。

2022年寧波舟山港實(shí)際貨物吞吐量為126134萬(wàn)噸，預(yù)測(cè)誤差為6.7%；上海港實(shí)際貨物吞吐量為72777萬(wàn)噸，預(yù)測(cè)誤差為10.6%；蘇州港實(shí)際貨物吞吐量為57276萬(wàn)噸，預(yù)測(cè)誤差為2.9%。2022年在疫情、供應(yīng)鏈危機(jī)、地緣政治等因素影響下，外貿(mào)趨冷，能源供需嚴(yán)重失衡，大宗商品市場(chǎng)反復(fù)波動(dòng)。其中寧波舟山港和上海港作為全球重要的物流交換港口，即使在我國(guó)宏觀(guān)經(jīng)濟(jì)的調(diào)控下，港口運(yùn)營(yíng)仍然受到了影響，而蘇州港主要以?xún)?nèi)河水運(yùn)為主，受到影響較小，故2022年寧波舟山港和上海港預(yù)測(cè)誤差較大。

3? ? ?結(jié)論

本文采用BP神經(jīng)網(wǎng)絡(luò)模型、灰色預(yù)測(cè)GM（1，1）模型和三次指數(shù)平滑模型分別對(duì)長(zhǎng)三角港口群的寧波舟山港、上海港、蘇州港這三大港口的貨運(yùn)吞吐量進(jìn)行預(yù)測(cè)，結(jié)果發(fā)現(xiàn)預(yù)測(cè)值與實(shí)際值存在一定偏差，且同一個(gè)模型對(duì)三個(gè)港口的預(yù)測(cè)精準(zhǔn)度也存在明顯不同，這表明在實(shí)際操作的過(guò)程中要根據(jù)數(shù)據(jù)特點(diǎn)選擇合適的預(yù)測(cè)模型。為提高預(yù)測(cè)精準(zhǔn)度，發(fā)揮每個(gè)模型的優(yōu)勢(shì)，避免單一模型的局限性，基于這三種模型提出了組合預(yù)測(cè)模型。根據(jù)三種模型對(duì)港口貨物吞吐量預(yù)測(cè)的誤差大小給予該模型相應(yīng)的權(quán)重，計(jì)算出各港口的組合預(yù)測(cè)結(jié)果。結(jié)果顯示，寧波舟山港組合預(yù)測(cè)平均誤差為0.7619%，上海港組合預(yù)測(cè)平均誤差為1.4404%，蘇州港組合預(yù)測(cè)平均誤差為3.1298%。組合模型的預(yù)測(cè)精準(zhǔn)度均高于其他三種單一預(yù)測(cè)模型，預(yù)測(cè)效果更優(yōu)，能夠更好地描述長(zhǎng)三角三大港口的貨物吞吐量變化趨勢(shì)，有利于協(xié)調(diào)港口經(jīng)濟(jì)發(fā)展，有效制定長(zhǎng)三角港口群未來(lái)發(fā)展規(guī)劃。

但目前該模型在應(yīng)對(duì)突變的經(jīng)濟(jì)形勢(shì)時(shí)還存在很多不足，預(yù)測(cè)值與實(shí)際值還存在一定偏差。今后將針對(duì)不斷變化的經(jīng)濟(jì)形勢(shì)下港口貨物吞吐量預(yù)測(cè)進(jìn)行研究，不斷改善該組合預(yù)測(cè)模型。

［參考文獻(xiàn)］

［1］ 劉長(zhǎng)儉，黃川，鐘鳴，等.“十四五”長(zhǎng)三角港口面臨的政策機(jī)遇、需求特征和建設(shè)重點(diǎn)［J］.水運(yùn)工程，2023（7）： 7-12+19.

［2］ 高秀春，徐晶晶，高艷玲.基于BP模型的港口物流需求預(yù)測(cè)研究［J］.物流技術(shù)，2014，33（3）：99-101.

［3］ 蔡婉貞，黃翰.基于BP-RBF神經(jīng)網(wǎng)絡(luò)的組合模型預(yù)測(cè)港口物流需求研究［J］.鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2019，40（5）：85-91.

［4］ Yang D .Logistics Demand Forecast Model for Port Import and Export in Coastal Area ［J］. Journal of Coastal Research， 2020， 103 （sp1）： 678-681.

［5］ Eskafi M，Kowsari M，Dastgheib A，et al. A model for port throughput forecasting using Bayesian estimation ［J］.Maritime Economics ＆ Logistics，2021（3）：1-21．

［6］ Tian Xin，Liu Liming，Lai K K， et al. Analysis and forecasting of port logistics using TEI@ I methodology ［J］.Transportation Planning and Technology，2013，36（8）：685-702.

［7］ 高秀娟，張志清.基于灰色預(yù)測(cè)模型的后疫情武漢市物流需求預(yù)測(cè)分析［J］.物流科技，2022，45（7）：12-16.

［8］ 陳端海.遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)的港口物流量建模與預(yù)測(cè)［J］.艦船科學(xué)技術(shù)，2020，42（8）：184-186.

［9］ 丁天明，潘寧，杜柏松，等.基于改進(jìn)灰色馬爾可夫的港口貨物吞吐量預(yù)測(cè)研究［J］.重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，42（9）：130-136.

［10］ 凌立文，張大斌. 組合預(yù)測(cè)模型構(gòu)建方法及其應(yīng)用研究綜述［J］. 統(tǒng)計(jì)與決策，2019，35（1）：18-23.

［11］ 樊東方，羅凱，靳志宏.基于pccsAMOPSO的宏觀(guān)物流量多目標(biāo)變權(quán)組合預(yù)測(cè)模型［J］.大連海事大學(xué)學(xué)報(bào)，2021，47（4）：19-29.

［12］ 楊新湦，王翩然.基于組合預(yù)測(cè)的民航運(yùn)輸量分析——以珠三角地區(qū)為例［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2019，49（8）：301-310.

［13］ 郁小鋒，余靜.組合預(yù)測(cè)模型在港口物流量預(yù)測(cè)中的應(yīng)用［J］.中國(guó)水運(yùn)（下半月），2008（6）：72-74.

［14］ 張婉琳.基于GM（1，1）-ARIMA組合模型的寧波港口物流需求預(yù)測(cè)分析［J］.物流工程與管理，2023，45（1）：32-35.

［15］ 張婷，王志明，王培良. GA-BP神經(jīng)網(wǎng)絡(luò)模型在集裝箱船縱搖角度預(yù)測(cè)中的應(yīng)用［J］. 上海海事大學(xué)學(xué)報(bào)，2023，44（2）：52-56.

［16］ 王洪德，曹英浩. 道路交通事故的三次指數(shù)平滑預(yù)測(cè)法［J］. 遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，33（1）：42-46.