原文传递
基于支持向量机的干散货运价指数预测研究
| 论文题名： | 基于支持向量机的干散货运价指数预测研究 |
| 关键词： | 干散货航运;运价指数;预测模型;支持向量机 |
| 摘要： | 国际干散货航运市场是国际航运市场中非常重要的一个子市场。由于干散货航运市场运价波动剧烈，走势难以琢磨，受到的影响因素非常复杂，是一个非线性的复杂系统，因而，传统的预测方法并不适合对它进行预测。这给航运经营者和货物托运人决策带来了困难。因此，考察运价指数波动的内在规律和外在影响，并在此基础之上开发新的模型预测运价指数，可以为航运市场经营者和投资者提供把握市场态势、规避价格风险的有力的工具。 本文针对巴拿马型干散货船舶，进行基于支持向量机(Support Vector Machines，SVM)模型的波罗的海运价指数预测研究。SVM充分考虑了运价指数的随机性，同时其泛化能力较之神经网络有明显改善，更适用于对非线性时间序列进行预测。 首先，分析干散货航运市场的内部供给和需求的运行机制，挖掘运价指数剧烈波动的深层原因。其次，对运价指数的形成过程及计算原理进行阐述，通过分析，运价指数可以准确反映航运市场的变化，本文选取巴拿马型船舶运价指数(Baltic Panamax Index，BPI)指数作为研究对象。论述运价指数波动的外部影响因素，在此基础上，对干散货航运市场的现状和未来走势进行定性分析。接着，本文建立了小波变换-SVM混合预测模型，对小波变换、SVM的理论和适用性进行简要介绍，并且论证了混合预测模型的构建原理。最后，本文针对BPI序列进行实证分析，先用小波变换对运价指数序列进行去噪，消除无规律的突发事件造成的影响；随后用前五个月的BPI值作为输入变量，以第六个月的运价指数作为输出变量，对SVM模型进行训练，得到训练好的预测模型和单步预测结果。通过与ARIMA模型、神经网络模型得到的预测结果进行比较，发现小波-SVM模型具有最高的预测精度。在该模型上加入相关因素作为输入，进行BPI单步预测，取得了更好的预测效果。本文接下来尝试运用此模型进行多步预测，并构建了滞后3期的小波-SVM混合预测模型，可以较为准确的进行BPI的中期预测。 |
| 作者： | 靳廉洁 |
| 专业： | 交通运输规划与管理 |
| 导师： | 杨忠振 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2010 |
| 正文语种： | 中文 |
检索历史
应用推荐
