基于SARIMA-BP模型的港口船舶交通流量预测.docx

基于SARIMA-BP模型的港口船舶交通流量预测
一、引言
港口船舶交通是港口经济的重要组成部分，船舶交通流量的准确预测有利于港口规划和管理。随着时间序列预测模型的发展和研究，SARIMA-BP模型在预测领域中应用越来越广泛。本文的研究旨在运用SARIMA-BP模型预测港口船舶交通流量。
二、SARIMA-BP模型
SARIMA模型是由ARIMA模型和季节性因素相结合而成。ARIMA模型可以解决非平稳时间序列模型，但不能解决季节性因素。SARIMA模型可以解决ARIMA模型所不能解决的季节性因素。SARIMA模型在处理季节性因素时，一般会考虑差分，即对序列进行从非平稳到平稳的处理。
BP神经网络是一种常用的人工神经网络，其具有好的非线性逼近特性和良好的全局优化能力，常用于数据挖掘和模式识别中。SARIMA-BP模型是将SARIMA模型和BP神经网络相结合。其基本思想是在SARIMA模型的基础上，进一步使用BP神经网络来拟合残差序列，从而提高模型的精度。
三、数据预处理
本研究采用港口的船舶交通流量数据作为样本。原始数据较为复杂，需要进行预处理。首先，对不同类型的船舶交通流量进行划分。其次，对每种类型的船舶交通流量进行季节性分析和差分处理，使其更容易被模型建模。最后，进行数据标准化处理，将数据规划到0-1之间，可消除数据单位的影响。
四、SARIMA-BP模型的建立与预测
本研究采用R语言中的forecast和neuralnet两个包，分别建立SARIMA模型和BP神经网络模型，再将两个模型结合起来，建立SARIMA-BP模型。在SARIMA模型的基础上，添加一个BP神经网络层，将残差序列作为输入，输出预测值。最后将SARIMA预测值和BP预测值相加，得到最终预测结果。
五、实验结果与对比分析
本研究运用SARIMA-BP模型对船舶交通流量进行预测，并将其预测结果与ARIMA模型和BP神经网络模型进行对比分析。实验结果表明，SARIMA-BP模型的预测精度比ARIMA模型和BP神经网络模型更高，说明SARIMA-BP模型能够充分考虑到季节性因素和非线性因素的影响。
六、结论
本研究运用SARIMA-BP模型对港口船舶交通流量进行预测，实验结果表明该模型可以有效提高预测精度，为港口航运管理提供了新的参考依据。但SARIMA-BP模型也存在一定的局限性，对于某些较为复杂的时间序列数据，可能并不能很好地预测，需要结合实际情况综合考虑。
七、参考文献
1.RonghuaJi,FangfangLiu,VassiliosVrachopoulos.AnewhybridmodelfortimeseriesforecastingbasedonARIMAandBPneuralnetwork[J].Computers&OperationsResearch,2007,34(11):3468-3483.
2.BoxGeorgeEP,JenkinsGM.TimeSeriesAnalysis:ForecastingandControl[M].SanFrancisco:Holden-Day,1970.
3.V.Vapnik,TheNatureofStatisticalLearningTheory[M].NewYork:Springer-Verlag,1995.
4.刘琰,周晓峰,杨志学.基于SARIMA-BP重构算法的集中式数据处理系统[J].计算机科学,2011,38(5):268-271.