原文传递
基于SVM和混沌时间序列的干散货运价指数预测研究
| 论文题名： | 基于SVM和混沌时间序列的干散货运价指数预测研究 |
| 关键词： | 支持向量机;混沌时间序列;干散货运输;运价指数;波动规律;预测模型 |
| 摘要： | 作为干散货航运市场的“晴雨表”，干散货运价指数反映了干散货运输市场的运价水平。由于受到多种因素的影响，近年来干散货运价指数始终处于剧烈波动之中，且走势难以琢磨，表现出了复杂的非线性特征，传统的预测方法难以取得良好的预测效果，这也给干散货航运市场经营者的决策带来了困难。 干散货运价指数波动剧烈，蕴含了国际干散货航运市场长期以来的演化信息。本文在深刻分析干散货运价指数波动的内在规律及外在影响的基础上，提出结合混沌时间序列分析和支持向量机(Support Vector Machine，SVM)回归原理的混合预测模型，对干散货运价指数(Baltic Dry Index，BDI)进行了有效地预测。 本文首先对国际干散货航运的供需市场进行深入分析，揭示了干散货市场运价波动的内在原因。其次，文中阐述了干散货运价指数的成因及航线构成，并对运价指数的影响因素及波动性进行了定性分析，为选择适当的预测方法奠定了基础。鉴于干散货运价指数的非线性特征，本文提出了结合混沌时间序列分析的相空间重构和支持向量机(SVM)的混合预测模型，探讨并阐述了混合模型的预测原理及建模思路。接着，本文在对混合预测模型关键参数的选取进行系统分析的基础上，建立了参数联合优化问题的数学模型，并采用遗传算法对该优化问题进行求解。最后，选取BDI月度均值进行实证分析，对BDI样本序列进行混沌性识别，验证混合预测模型的可行性;对样本序列进行噪声平滑等处理，通过构建混合预测模型对数据处理后的BDI序列进行单步和多步预测，在单步预测中分别采用传统的单独参数优化方法与基于遗传算法的参数联合优化进行仿真实验，采用遗传算法进行参数的优化选取，提高了SVM混合模型的预测能力。通过与ARIMA模型和神经网络模型进行比较，预测结果分析表明，SVM混合模型在BDI序列的单步和多步预测中具有较高的预测精度，能够更好地把握运价指数的变化趋势。 |
| 作者： | 王晓薇 |
| 专业： | 物流工程与管理 |
| 导师： | 田征 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2013 |
| 正文语种： | 中文 |
检索历史
应用推荐
