【“一带一路”背景下港口吞吐量预测探析方法探究12000字（论文）】

·1··PAGE6·PAGE1“一带一路”背景下港口吞吐量预测分析方法研究摘要近些年来，随着物流产业的迅速发展，港口在运输业和航运业中扮演着越来越重要的角色。而港口货物吞吐量是衡量港口生产经营规模的重要指标，关系到港口的具体规划设计和基础设施建设，甚至对推动海运事业的发展具有导向作用。在此背景下，港口的地位的重要性变得不言而喻。本文首先介绍了我国港口的吞吐量研究背景及研究现状，并且简单地介绍了我国常用的港口吞吐量预测技术及其技术的应用。根据宁波舟山港的时代规划和发展趋势，结合两种预测方法的应用条件和其优缺点，选择两种比较合适的预测方法:自回归移动平均模型和灰色系统预测方法。通过，对宁波舟山港未来货物吞吐量的预测进行了分析。在实际案例中进行分析，本文以宁波舟山港为例，搜集该港口历史实例数据，采用港口吞吐量预测方法进行实例分析。通过MATLAB编程以ARMA的模型方式来预测港口吞吐量，再通过与灰色系统法模型的吞吐量预测结果进行比较，对宁波舟山港未来发展趋势进行了分析，为未来宁波舟山港建设的发展提供了一个基础性的理论依据，并且也能够给相关的研究工作人员和运营管理人员提供一个参考。关键词：港口吞吐量预测，典型方法，ARMA模型，灰色系统法1绪论1.1研究背景中国当前正处于经济的黄金发展的历史时期。在最大程度地摆脱新冠状肺炎的影响下，对国内外贸易活动的需求巨大，而航运业正利用这一机会蓬勃发展。而近年来，世界经济增长和发展的缓慢影响已渐渐蔓延至航运业，不断变化的各种不确定性因素，如迄今为止受到的中美贸易摩擦和新型冠状肺炎，也影响了港口的业务量。港口是陆上和海上交通的主体和枢纽，也是我们推动世界国际资源循环的一个重要时间节点，在当前我国社会和市场经济中已经起到了重要的推动作用。大力开发港口建设是推动和促进我们国民经济增长的必然需要。准确把握港口的未来发展需求，是有效组织港口，合理布局港口的前提。因此，研究和分析港口货物吞吐量的需求是对港口物流计划和港口发展起到重要作用。我国目前正处于经济发展的史无前例的历史时期，国内外商业贸易活动需求旺盛，海洋运输业抓住发展机遇借此蓬勃发展。《年鉴》的统计数据表明，由于我国物流业的不断发展和港口货物吞吐量的快速发展，我国社会物流总值呈现出快速增长的趋势。但近年来世界经济发展放缓影响了海洋运输业，随着中美贸易摩擦等不确定因素的不断演变，也将对港口业务量产生影响。不过总的来说，在如此复杂的环境中，我国港口货物吞吐量还是持续不断地增加，增长势头不可阻挡。我国"一带一路"战略的实施，强化了海洋运输业在中国国家战略的地位。但是由此突出的问题也是显而易见的:我们由于历史原因，与发达国家相比，中国的港口建设起步较晚，港口吞吐能力仍然有限，港口建设仍有巨大的发展空间。因此，从大的社会经济发展以及港口运输建设的角度出发，港口运输可以具有良好的未来发展前景，只要对港口集装箱的吞吐量进行预测。为了积极贯彻"一带一路"战略，抓住"一带一路"的政策机遇。布局，并提出适合该地区实际情况的发展计划。而浙江则响应了国家号召建设大批交通基础和配套设施，开放了全省陆海交通运输网络，建立了一系列综合交通运输体系。政府提出了一种开放、适合该国使用渠道的发展战略，建立了由河流，河流，海洋，公路，铁路和民用航空等部分组成的六合一多式联运网络系统，形成了互联，便捷和快速的交通运输网络。一带一路沿线是东方国际商务中心，义乌市和宁波舟山港，它是连接长江经济带和长江经济带的纽带。1.2预测方法的研究现状孙爱民建立了多元线性回归模型，他对西安市2019年到2022年的年总用水量进行预测。覃延将其与神经网络(NNM)和多元线性回归(MLR)在治疗肾结石CT值时进行了比较。张树奎则主要观点是通过分析运用基于gm灰色化的预测系统模型和基于bp组合神经网络的两种预测方法对其问题进行了综合建模，分析并找出这两种预测方法的一些优缺点，将基于gm(1，1)的两种预测模型和基于bp组合神经网络的一些优点问题进行了相互地分析结合，建立了实验所需数据少、网络非线性能力强的灰色神经网络预测模型，自适应网络分析，实验结果表明，改进后的模型预测精度优于GM1、GM2和GM3以及BP神经网络等单一模型验证，其预测精度也有所提升。习宏全使用了灰色系统理论进行了预测，弥补了数理统计在系统分析中应用时突变数据难以处理的缺陷。实验中对于分析样品的样本数量和实验分析出的样本数量是否准确有一定性的规律性都没有严格的定量要求，避免了线性定量分析结果和不确定性定量分析实验结果之间的不一致。通过实验模拟，得出结论，并将灰色模型应用于模拟预测中，灰色模型的预测意义随着距时间原点的距离而变弱。在上海港口的吞吐量和范围预测方面，杨晶晶把时间序列预测的概念与基于上海港数据的宽度学习相结合，提出了一种基于宽度学习的对时间序列进行改善的模型，实验结果表明，该模型的预测效果远远优于经典时间序列的不同模型。孔琳琳利用统计分析软件r，描述了港口集装箱的吞吐量数据的非线性变化趋势，对序列变化趋势和周期性变化方式进行了分解，在将这些数据作为一个非线性的时间序列基础上，应用了自回归综合式移动平均模型(autoregressiveintegratedmovingaverage，arima)实现了吞吐量预测，结果表明该模型能够很好地描述港口集装箱的吞吐量趋势。吴琛以广州港为主要研究对象，选取2010-2017年的港口历史吞吐量统计数据，分析了时间序列的变化趋势和特点，根据原始时间序列的特点选择了ARIMA模型，并对这些预测结果综合分析。在港口的10%内实现基本相对误差控制。赵景丽使用了一个基于结合人工灰色神经网络和两个人工灰色神经网络的两个灰色神经网络的混合模型gm(1，1)模型，分别是一个利用bp的神经网络模型和两个人工灰色神经网络的模型来准确预测端口的吞吐量，并且使用数据验证了测量的结果。测试结果表明该模型有效，灰色混合式神经网络则为最佳。林强利用bp神经网络综合分析了杭州港吞吐量的预测数据，并通过回归分析，bp神经网络与时间序列预测的数据进行了综述。通过对比发现，在短期的预测中，BP神经网络的方法明显优于其他传统的方法，由此从而得出结论。1.3研究的意义在复杂的环境中，我国港口货物吞吐量仍显示出增长势头。随着我国海运各方面能力的持续发展，港口吞吐量的研究是更加被人们重视的。一直以来，港口每年都持续增加资金投资力度和港口海运吞吐量投入和建设，国家政府和地方政府也一并持续开发港口海运吞吐量计算的相关操作系统。但是，随着我国港口海运吞吐量值的持续增大和进化，一些问题也慢慢浮现出来了。举例说明比如说，我国港口的周边基础设施和船舶运输装置等配置在科学持续发展的今天已经远远无法满足港口吞吐量的规模扩大和进化需求，地方政府无法制造这些具有大型吞吐量的物流设备，地方政府也无法改善目前的问题，扩大港口吞吐量的持续发展。解决这个问题的方法是要顺应港口、适应港口、计算好港口吞吐量。因此，为了确保其目前港口经济的持续发展情况，地方政府就必须合理利用资源，必须尽量回避和解决在港口吞吐量发展过程中的重大问题。也因此，对于港口吞吐量的计算方面，地方政府和相关人员也有必要对未来我国港口吞吐量的增长情况进行合理的预测，并且能够在对于未来的预测和分析的过程中提出一些对于我国港口发展的具有建设性的意见。科学合理地进行数据分析和准确地预测各个港口货物的平均吞吐量和运量，不仅能够更好地选择港口的总体投资规模和运营策略，而且还可以有助于帮助我们确定港口的未来发展趋势，总体结构和总体布局。在当今世界经济中，越来越多的相互联系和相互流动的国际火货物和商品。由于运输量大而数量少，航空运输的成本过高。所以，远洋运输已成为各国货运的首选。这也极大的考验了各国远洋运输的能力和港口的配置等等。因此，有效预测港口集装箱的产量对于充分利用港口资源具有重要意义。港口吞吐量的预测为政府和企业提供了重要的信息。港口吞吐量的预测可用于准确确定港口建设工地，提高港口经济效益。合理而准确的港口吞吐量预测将对港口的发展起到指导作用。准确的人口吞吐量预测可以有效地为确定我国港口经济发展的方向作为指引，对公司的投资和对公司的决策作为指引，并且可以避免盲目投资。本文将通过建立合理，准确的港口吞吐量预测模型体系来分析和预测港口吞吐量的未来变化，并在此模型预测的前提下，对港口未来发展的趋势提出一些相关的思路，为今后的科学研究工作提供了指导和依据。2港口吞吐量预测的常用方法对于港口吞吐量的预测方法，可以用到的方法和预测形式如下：首先要对国内港口的港口吞吐量的各类历史数据进行整理、处理和分析，然后通过一些研究方法提取与港口吞吐量规模和量值有关的数据，然后通过数据的显示寻找规律，查找相关规律最后根据结果显示的规律和趋势来预测出未来几年港口吞吐量数据的估计值。因为准确预测未来几年的港口吞吐量大小范围的数据值具有极其重要的社会意义和经济价值，国内外许多学者都关注这些问题并深入地研究它们。按照被动预测分析结果的总体准确性和主动预测的结果准确率不同，预测分析方法大致来说可以分为以下两种:第一种是定量主动预测法，第二种是长期定性主动预测法，包括了是由Helmer和Dalc在1940年代后期设计的公司组成的专业预测组织所使用的德尔菲法专家调查法。2.1定性分析法定性预测分析法主要是对港口未来演变的定性评价，是港口吞吐量预测的早期主要的核心端口输入主观评价方法，定性预测与研究者的个人经验和预测知识水平密切相关。但是预测通常是在没有统计数据和原始数据的情况下，定性预测仍然可以做出更准确的判断。当信息量相对较少时，定性预测的方法虽然可以获得较好的预测结果，但是定性预测的结论不够精确，而且是基于经验的个人预测，具有较强的主观性和健康因素人类，所以是对这种方法的研究越来越少。(1)主观概率法主观概率法是将研究者的经验和知识同被研究对象相结合，将被研究对象的未来发生的可能性概率化。在实际数学应用中，主观相对概率和一个客观相对概率之间的客观相对性关系是不一定的，因为任何一个具有主观性的概率都应该是可能具有一定客观性的。市场趋势因为分析师的市场经验和其他现实生活中的信息都可能是对一个市场中各种客观条件的具体客观反映，因此市场主观条件概率不太有可能被我们认为仅仅是纯粹的市场客观条件概率。另一方面，由于实际的工作中所获得的数据很难满足(大数)定律的要求，因此在确定的过程中，任何客观的概率都将不可避免地带有主观因素。因此，实际上，既没有纯粹的主观概率，也没有纯粹的客观概率。(2)调查判断预测法调查判断预测方法主要针对不同的调查目标，不同的预测项目和不同的预测对象。通过现场调查，重点调查，普查和其他方法获取数据并收集调查数据。结合某些方法和理论，分析这些数据，计算出事物未来发展的预测价值，并分析事物未来的发展趋势。(3)交叉影响分析预测法交叉影响分析预测方法主要由1960年代美国著名学者Hayward和Golden提出。该方法是计算通过互相具有干涉力的矩阵用来预测某些交叉因子的方法。但是，这种方法的不足之处在于，这种方法测得的数据分析因子的概念是不明确的，这种方法往往会缺乏一定的主观判断，它具有某种主观属性和任意属性。2.2定量分析法定量预测顾名思义就是指通过一种数学模型来对所要研究的物体进行定性和数量化预测。根据预测方法的多样性和差异化，定量预测法中常见三种预测类型可以分为：因果分析法、时空序列法和组合预测法。另外还包括指数平滑法和灰色系统发等。在对港口吞吐量的预测中，研究的关键之处便是定量预测，但是定性预测方法也被用作为一种辅助定量预测的重要手段。本文将为大家介绍几种常见的定量预测方法。2.2.1时间序列预测法对于进行时间自动序列统计预测的该方法主要特点是按照每个日历年或者每月对所有时间统计预测指标的数据取平均值系数进行顺序排列，并通过对每个时间时长轴上的数据分析结果来准确判断如何获得因动性变量和获得自动性的因变量之间的相互关系，从而得到可以准确推断因动性变量在将来的特定一段时间内可能发生的预测结果。考虑到在偶然性因素作用下的随机性。为了大大提高预测精度并有效地消除对随机数据的干扰，本文对历史数据进行分析，并对数据进行适当的处理以预测趋势。时间序列预测方法使用统计原理和方法来分析历史数据，研究其变化规律，建立数学模型并预测下一时间轴变量的趋势。2.2.2因果分析法-回归分析法(一元回归法、多元回归法)、神经网络法①回归分析法回归经济分析法主要是进行定量经济预测中一种常用的分析方法。回归分析通常用于处理变量之间的不确定性关系。基于预测目标和预测对象之间的相关性问题进行了分析，预测得出了影响预测目标的因素。利用各种相关的数学理论和技术方法，计算样本中的影响因素和预测指标之间的函数关系，然后把样本中的数据细分为模型参数估计的平均值和测试误差，最后对这些误差进行纠错和修正。根据影响因素的统计资料，预测项目的发展趋势及水平。根据回归分析中的自变量和因子变化之间存在的关系不同的方法及形式，回归分析和预测的方法大致可以再细分两种类型，即线性回归和非线性回归。由于各种类型自变量的总体数目不同，将其划分为亚线性回归预测方法和多元线性回归预测两种方法。该种方法通过对所要研究的对象和其他受影响因子之间的关系进行分析，定量描述了各种受影响因子之间的关系，得到了所要研究的对象和其他受影响因子之间的某种定量关系。然后，确定了回归模型，根据预测结果引入数值因素，预测物体的发展趋势和尺寸，并保证预测结果的准确性。由于回归分析方法简单可行，因此通常用于港口吞吐量的粗略预测。但是有一些缺点。在进行预测时，回归式预测分析主要研究了自变量与因变数之间的相互作用。因此，预测分析具有很大的依赖性，影响因子的多样化和不可预见的风险将限制了对预测分析。在某些场合，这将大大地增加了回归模型设计的难度。多个线性回归模型与非线性回归模型分别为三种最常见的回归分析模型与预测模型。值得注意的一点是，相应回归模型的选择必须以自变量和因性变量为基础的特殊发展趋势。②神经网络法人工神经网络是一种可以用来处理，存储和检索人脑神经系统等各个不同层次的信息。人工神经网络在模拟复杂的非线性系统中具备了明显的优势，它们可以被用来建立一个拟合复杂的非线性系统，并且可以对非线性系统做出更好的预测。对于时间序列方法和回归分析方法，需要在预测之前设置各种假设，但实际上，这些假设并不能完全满足。因此，准确地对研究对象进行建模是不切实际的，并且有效的实时预测变得不可能。人工神经网络可以从网络的深度和广度中学习任何非线性关系，并很好地解决了非线性系统预测的难题。2.3吞吐量预测方法选择虽然目前预测港口货物吞吐量的方法种类有很多，但不同的预测方法的实际预测结果却可能会有所差异，这说明预测结果的准确性是有进一步提高的发展空间的。另外，由于不同的预测方法和条件对情况的影响，预测结果会有一定的差异。只有结合自身条件，提高预测精度，才能最大程度地减少预测误差，进行更加科学的探索，更好地预测港口的发展趋势和方向。对于港口来说，港口货物吞吐量是港口发展战略的重要组成部分。当港口的货物吞吐量突然增加或减少时，管理人员可以通过统计预测的结果，提前制定计划，合理地分配资源，并有效地确保港口高效运营。其次，港口物流主要涵盖了多个业务领域，各个业务的类型和多样化也就意味着在不同的领域下，人们对于港口物流有着完全不同的需求。因此，根据我们所预测的发展趋势，可以针对该地区港口的货物吞吐量情况进行综合分析与预测，可以适当调整该地区港口物流内部产业结构，可以更好地利用该国家或地区潜在的优势，并可以考虑其他地区，从而最大程度地满足多种产品的需求。合理的建设规划，港口建设规模投资，港口管理与发展战略的制定，网络分配系统的分析与规划具有重要意义。因此，鉴于考虑到港口货物吞吐量和货物吞吐量价格变动的复杂度和预测的精确度，本文在研究中选取了一种结合指数平滑的灰色预测模型作为基础，来分析和预测港口货物的吞吐量。本文拟用上述灰色系统法两种算法外，另外使用ARMA预测模型和MATLAB软件编程预测港口的吞吐量，基于宁波舟山港的历史数据计算进行分析与对比。3实例分析3.1港口吞吐量的定义港口吞吐量是指一段时间内进出口到港口区域的货物实际数量。指通过水运输并由船装卸的货物数量，通常以吨或者标准箱(EHT)为单位。港口吞吐量是衡量港口企业生产管理绩效与发展水平的主要指标。它可用于统计各个港口的货物种类和数量，并且从一定意义上反应着各个港口自身的发展规模与经营实力。港口的吞吐量主要可以按照其性质通常情况一般划分为旅客的吞吐量和货物的吞吐量，也就是说我们可以按照港口所经营的各种货物主要的类型划分为旅客的吞吐量和货物的吞吐量。为了准确掌握宁波舟山港建设和发展的总体情况，确定港口的布局，经营策略，发展战略，基础设施的投资与综合交通运输方式的规划，有必要深入地分析宁波舟山港港口货物运输的现状与未来发展趋势，从而提供该区域中的端口。为确定货物的吞吐量和需要提供了依据。3.2宁波-舟山港宁波舟山港项目成立于2015年9月，这是宁波和舟山港口进行了合并和改革重组的结果。宁波港始建于几千年前。唐代中国建立了明州港，元代更名为清远港，明代中国更名为宁波港。舟山在唐宋时期就已经在中国取得了很大的发展。南宋时期成功地设置"舟山渡轮"，明代称之为沉家门港。宁波舟山港口区坐落在位于中国东部大陆沿海东部海岸线以及"长江经济带"西部翼的中部。它不仅既是连接中国对外开放的一流海运港口，又是沟通中国沿海的重要航运港口，又是连接中国多个国家陆路综合交通系统的重要交通枢纽。它目前是管理中国西部铁矿石矿产资源重要的开发生产和加工转运出口基地。原油类产品的转运和仓储交通基地，液体化工产品的储运和仓库交通基地，华东重要商品煤炭，谷物产品储运运输基地;上海港口设施建设服务是连接上海国际航运综合服务中心的重要综合组成功能部分，是通过服务构建长江上游经济带，建设连接浙江舟山大运河等上海国际联运综合服务中心及建设舟山群岛滨江新区等国家海洋区域经济社会发展战略创新型区域综合航运服务开放中心的重要技术支撑。它已被广泛地确认为已经发展成为目前一个位于我国广州市西部珠江深水港区的主要客货综合交通运输综合枢纽，现代化，多功能和一个具有经济综合性的大型港口广州深海港，也已经发展成为目前我国长江珠三角旅游区域内对外贸易的主要海运货物和旅客交通运输集散点。宁波舟山港还有其他良好的自然条件。比如核心港口地带主要航行河段水深超过225米，使30万吨级船舶能够自由地进出。载重量超过40万载重吨的超大型船舶都能够在这里等待一个潮汐进入港口地带，每年平均工作日时间最长可以到达350天。宁波舟山港由于其独特的自然环境和优越的地理位置，拥有曲折的沿海海岸线及丰富的水文和地质资源。这里有许多小岛，沿海还有2000多个小岛，形成了一个天然屏障，能够阻挡公海浪潮。大多数这些岛屿的沿其海岸线水域深近10米，水路较为发达，并且适宜于港口的建设。港口地区的风暴和潮汐较弱，水位之间的距离较大。沿着深水岸线走向的海滩和低谷在较长时间内会趋于平整。自然环境的条件是否合理适宜于港口地区的开发宁波舟山港可以通过高速公路将浙江及华东周边城市连接起来。通过便捷的交通环境，吸引了更多的区域企业和公司来宁波舟山港投资，扩大了集聚效应，带动了浙江省的发展。以国内外资产的流转和利用为主要纽带实现了一个实质性的整合，标志着我们浙江沿线地区海港一体化建设进程中的重要性和关键第一步，也将促使浙江在加快推进"一带一路"和"长江经济带"这一全新的国家发展战略而扬帆起航。这次进行大规模的整合后，将有可能会大大提高宁波城镇功率和工业能级，港口的功率与产业能级，也有可能会大大促进宁波建设成为一个更高层次的技术水平现代化港口城市。这无疑是浙江省积极在国家"一带一路"规划下，在港口周边区域的经济辐射地区及其促进了港口经济圈的建设上得到证明。这也将为促进宁波和舟山的经济社会发展提供新的动力。近年来，宁波舟山港由于其巨大的客运规模和快速发展，其货物吞吐量实现了稳步上升，在全球港口总数榜上居于首位。3.2.1宁波舟山港的吞吐量现状2009年以来，宁波舟山港国际客运综合吞吐量稳步增长，排名全球第一。据统计，2013年12月宁波舟山港已经累计完成海上货物综合吞吐量8亿吨，成为目前首个全球第一港。当年它已经基本实现了全国各地的集装箱口岸总货物综合吞吐量设计规模每年累计达到8.1亿吨，集装箱口岸总货物吞吐量设计规模每年累计达到1733万千吨标箱，居整个全球第六位，成为当时的一个世界第一港。近年来，宁波舟山港的顺利建设和经济发展对宁波港口总量和吞吐量增长做出了重要战略贡献。宁波舟山港的客运货物总量和吞吐量份额市场规模基本上一直维持在10%左右。2009年，宁波舟山港首次实现了客运货物的总办理吞吐量最高达到5700万吨，居两个世界第一，成为全球第一大港口。从那以后，所有的航程都继续保持着上升的趋势，位于世界第一。2013年，港口实现了年平均吞吐量首次达到突破8亿吨，同比上年增长8.74%，成为目前世界上首个在一年内实现了年平均吞吐量达8亿吨的国际性港口。但在2015年，港口吞吐量的增幅并非很明显。这主要是因为当前世界经济低迷，导致中国人均收入远远落后于正常水平。同时，由于港口货物吞吐量大的特点，难以维护较高的总体增长。此外，宁波港和舟山港在资源配置上仍然存在着矛盾。此外，国外港口也存在一些问题。例如，上海港，大连港，福州港，宁波舟山港等也都是在各个方面都具有优势和竞争，这在某种程度上直接限制了我国港口的建设和发展。针对近年来深化经济社会科学发展体制改革中可能遇到的困难和突出问题，宁波舟山港集团有限公司于2015年9月正式注册挂牌并开始运营。一体化的发展进一步推动了区域协调发展和港口吞吐量的稳定增加。3.3ARMA模型最初，只有一种自然的回归模型(Autoregressivemodel)被广泛应用于用来预测政治经济学和国家社会主义中的市场变化规律。在此为基础研究的理论基础上，数学家瓦格尔提出了两种回归移动时间平均序列模型和一种滑动平均时间的自定义回归滑动模型，为今后推广移动时间平均序列滑动分析的基本理论研究奠定了坚实的理论基础。ARMA模型的主要特点是基于滑动预测特定物体和移动机器人的物体运动影响因素以及受自身运动特性不断变化的直接影响，结合自定义回归滑动模型和预测机器人物体移动预测平均系数模型的常用滑动预测平均模型。ARMA回归模型主要目的是广泛应用于对一维、方差稳定的平均移动时间进行序列移动进行回归分析，认为一个平均时间移动序列当前一个观测项的平均值认为可以广泛用来将它表示为其之前的之后p项随机误差观测项的值及其之后q项随机误差的线性组合，为一个移动平均自然数回归值的模型，并将其记入后作为一个新的ARMA(p，q)回归模型，而根据其所预测的时间对象自身时间变动的基本规律，ARMA回归模型又认为可以广泛用来将其表示公式为:（1.1）式（1）中：为平稳的时间序列；q为模型的阶数；（j=1，2，3，...，q）为模型的一个待定系数；为误差。正确判断实时计算系统中的数据时间序列顺序和该序列的实时数据传输是否平稳。对于非数据平稳性的分析数据则可能需要先数据进行后期数据预处理。可以采用差分的方法进行处理，注意不要过度差分。可以使用自相关系数图检验数据是否平稳。求出该序列ACF和PACF的值。样本自相关系数(ACF)（1.2）通过序列相关系数的特点，结合AIC准则，对模型进行定阶。AIC准则是指均衡地考虑模型的精度和参数估计的精度和准确性，寻求最优模型。AIC准则可表示为：（1.3）式中:p为参数数量;L为似然函数。令N为观察数，为残差平方和，则式变为（1.4）最优的自回归模型阶数指的是使取值最小时的p值。确定模型阶数后，找出样本的似然函数，并求使得该函数达到最大的参数值。记，（1.5）检验模型的有效性。若模型能够充分从大量的数据中获得信息，残差被称为白噪声的序列，则该模型有效。若拟合的模型满足条件，重新进行选择后的模型。用数据表代入和预测相关序列的走势。3.3.1ARMA建模综上所述步骤图1所示：图1ARMA预测模型步骤图示3.4应用分析3.4.1数据集分析宁波舟山港实际数据如图表1：表1宁波舟山港2015-2018年吞吐量单位：ETH月份2015201620172018133542234405629420129077322547252906562618262293163290487303197277257258481429459329564425161426570353009682738033262613000026284504274307308741306329729961228673430977028384783265762934743038622993149311936257591240578299245102568532550892518852842621119180425031728054826123012168866277146271085190266

据表中数据在MATLAB中进行代码运算：以2015年-2018年6月的54组时间序列数据为训练样本，以2018年7月-2018年12月的6个月数据为测试样本，对吞吐量预测方法进行验证分析。训练样本时间序列如图所示。得到下图2：图22015-2018年宁波舟山港港口吞吐量可以看出，随着世界经济的飞速发展，近十多年来，宁波舟山港的国际货物吞吐量一直在上升。通过对过去十年宁波舟山港货物吞吐量的增长和发展情况进行统计分析，可以看出宁波舟山港货物吞吐量呈现一个线性上升的趋势。3.4.2平稳性检验使用ARMA模型需要的时间顺序必须保证是平稳的，所以第一步就是对最初的数据进行一个平稳度的检验。检验的方法主要有以下几种，包括ADF、KPSS、P-P等。这里用ADF检验和KPSS检验。本文采用ADF检验和KPSS检验方法进行检验。核心代码如下：y_h_adf=adftest(Y)y_h_kpss=kpsstest(Y)得到结果图3：图3ADF和KPSS检验结果得到y_h_adf=0，y_h_kpss=0，可以看出，该实验数据通过检验。3.4.3模型阶数确定分别按照ACF和PACF方法确定ARMA模型的阶数p和q，其中，ACF法。最后一个在蓝线外（即阈值外）的Lag值就是q值，PACF法。最后一个在蓝线外（即阈值外）的Lag值就是p值。如下图所示，本次建立的ARMA模型阶数为q=3，q=11输入以上代码后，得到下图4、图5图4样本自相关函数图5样本偏自相关函数为了确保所确定的阶数正当，还需要进行一次残差试验。残差即原始信号减去模型中的剩余信号和拟合后的残部。如果一段残差信号都是随机正态分布的、不自相关的，这就可以说明有用的残差信号实际上是一段带白噪声的信号，也就是说明有用的残差信号已经提取到ARMA模型中了。残差检验结果如下图所示。图7标准化残差图6标准化残差分布标准化残差是查看残差是否接近正态分布，理想的残差要接近正态分布；图8检验后的样本自相关函数图9检验后的样本偏自相关函数ACF和PACF检验残差的自相关和偏自相关图10图10是检验残差是否接近正态分布的。可以看出，残差接近正态分布，参数p和q符合要求。3.4.4模型预测根据建立的ARMA模型，对2018年6个月的吞吐量进行预测。预测结果如下图所示。结果如图11所示图11预测结果此为ARMA预测模型进行的预测结果:黑色线为未来取值的预测，红色线为95%置信时间上下限。即未来的真实取值将会有95%以上的概率降低到此范围。基于以上两种预测模型的预测数据，得出以下结果：图13ARMA的预测结果与实际对比可见在MATLAB平台运行出的ARMA预测模型显示。3.4灰色系统法灰色区块系统序列计算机方法的基本概念设计原理思想主要目的是通过综合充分利用大部分的原始图像数据和位于空白区的图像数据来重新计算组成原始的数据序列(0)，并通过对多次累计计算产生的序列算子和其他方法数据进行再次组合重新计算生成原始数据序列(1)，这样就已经能够大大减少和有效削弱了这些原始数据的自然随机性，使其特征能够充分表现出来成为一种更加明显的系统物理学结构特征和逻辑规律。要求我们首先生成一个函数转换后的取值函数微分序列(1)，请我们创建一个基于微分方程组的模型，即gggm模型。gm(1，1)微分模型也是用于描述表示一阶一阶逆变量的一阶微分方程组的模型。在基于gm(1，1)函数模型的所有参考使用次数和分组中，新陈代谢函数模型被广泛认为可能是最理想的。这主要原因是由于在任何一个可能属于系统灰色化的系统后续开发的应用过程中，随着人在时间的不断流逝和水在空气中的流淌，一些随机因素干扰和硬件驱动的直接影响系统因素都将不会继续不断进入影响到该灰色系统，并且整个系统的后续开发也可能会不断受到连续的因素影响。使用值为gm(1，1)的这种预测模型对周期数据初始进行了周期预测，只有在一个原始的周期数据(0)(n)之后的1-2个周期数据才可以能够被广泛认为为这是一种预测精确度相对较高的一种数据预测，也就是说，预测的数据持续时间越远，预测的重要性和意义就越弱。代谢gm(1，1)模型的根本设计思想是，越接近数据，它将会对未来产生重要的影响。换句话说，尽管连续地多次添加了新的应用信息并且对于重新删除老的应用信息来说几乎没有多少重要意义，但此次重新建模的应用序列信息可以认为是比较动态的可以反映整个系统的最新应用功能，而该功能实际上是一个动态预测模型。而本文也将使用灰色系统法在MATLAB中运行输入以下代码clc，clear;symsab;c=[ab]';loaddataA=data;%A=[89677，99215，109655，120333，135823，159878，182321，209407，246619，300670];%2015-2019年的月度吞吐量数据whole_se=[data(:，1)'，data(:，2)'，data(:，3)'，data(:，4)'，data(:，5)'];%训练数据train_se=whole_se(1:end-6);test_se=whole_se(end-5:end);%%A=train_se;B=cumsum(A);%原始数据累加n=length(A);fori=1:(n-1)C(i)=(B(i)+B(i+1))/2;%生成累加矩阵end%计算待定参数的值D=A;D(1)=[];D=D';E=[-C;ones(1，n-1)];c=inv(E*E