世界新船订单趋势预测组合模型应用分析.docVIP

世界新船订单趋势预测组合模型应用分析 　　摘要：本文利用趋势移动平均法、灰色系统的GM（1，1）方法和BP神经网络方法的组合模型进行了新船订单趋势的预测。预测结果的对比发现，组合模型能够比单一模型得到更准确的趋势预测结果。 　　关键词：新船订单 移动平均 灰色系统 神经网络 组合模型 　　一、组合模型的优势 　　以往的研究通常通盘考虑新船订单的全部影响因素，谋求建立大而全的预测模型，因此不要说对新船订单进行准确地定量化预测，即便是对新船订单的趋势预测都难免会出现偏差。从新船订单的历史数据来看，这些数据具有较强的周期性和趋势性，反映了新船订单的发展过程和演化规律，因此，针对事物的时间序列数据，利用不同模型把握序列的不同特征，再对各单项预测结果进行组合是一种有效的方法体系。本文单独采用移动平均、灰色系统和神经网络对世界新船订单趋势进行预测，再对单个预测结果进行拟合回归，建立新船订单趋势预测的组合模型，结果表明，组合模型比单一模型提高了预测精度。 　　二、新船订单趋势预测的组合模型 　　（一）趋势移动平均方法 　　新船订单在一定时期内具有明显的线性变动趋势，本文首先采用趋势移动平均进行预测，以获取新船订单的线性趋势特征。假设新船订单时间序列y1，y2，…，yt，从某时期开始具有线性趋势，并认为未来亦按此直线趋势变化，则可设此直线趋势预测模型为： 　　上式中t为当前时期数，T为由当前时期数t到预测期的时期数，即t以后模型外推的时间，■为第t＋T期的预测值， at为截距； bt为斜率。利用世界新船订单历史数据进行移动平均预测，得到直线趋势预测模型的结果，发现有的年份误差较大，原因是该年份中船东或航运企业的投资性需求出现了大规模扩张，导致新船订单的突变。利用该方法预测2012年的新船订单为77百万修正总吨，2013年为66百万修正总吨。 　　（二）灰色系统预测算法 　　灰色系统能够利用“较少数据”建模，并发现未来发展趋势的波动性。灰色系统的GM（1，1）模型是较常用的数列预测方法。本文利用1975—2011年的历史数据，以2003年为分界选择两段样本数列进行GM（1，1）建模，并得到相应的预测结果。从预测结果能够看出，第一个周期的预测效果较好，而在第二个周期中，由于新船订单表现出非线性的特点，每年的新船订单数量会出现大幅波动，因而GM（1，1）模型比移动平均方法更为适合。利用第二周期的样本数列得到辨识算式为： 　　求得a＝0.2151，b＝237.5794，得到GM（1，1）预测模型为： 　　X（K＋1）＝ - 1025.3063exp 　　（-0.21512k）＋1104.4063 （3） 　　利用式（3）预测到2012年的世界海运周转量为55百万修正总吨，2013年为44百万修正总吨。 　　（三）BP神经网络算法 　　BP神经网络算法由一个输入层，一个或者多个隐含层和一个输出层组成，每一层由一定数量的神经元构成，诸多神经元是互相关联的。以往的研究表明，对于三层和三层以上的BP神经网络，如果隐层神经元数目足够多，就能以任意精度逼近一个非线性函数。因此，隐含层上的神经元个数对增加预测准确性和收敛稳定性具有非常关键的影响。根据Kolmogorov定理，本文以前4年的新船订单量作为输入量，输出量是下一年的世界新船订单，隐含神经元选择为8个。BP神经网络计算选择Matlab2009软件完成，从预测结果和实际值的对比发现，虽然最近几年的新船订单波动较大，但是用BP神经网络能够获得新船订单的非线性特征，进行预测的效果明显好于前面的移动平均和GM（1，1）模型，进一步预测2012年的世界新船订单为72百万修正总吨，2013年为53百万修正总吨。 　　三、组合模型预测 　　组合预测模型通过利用不同模型的优点集合了尽可能多的有用信息，总体来看能够弥补单个预测模型的片面性，本文选择常用的回归拟合法确定单个模型的权重值，从而得到组合预测模型的公式为： 　　R＝R1*r1＋R2*r2＋R3*r3＋C＝R1*0.155＋R2*0.484＋R3*0.479 （4） 　　其中R1为移动平均预测值，R2为灰色系统预测值，R3为神经网络预测值，r1、r2和r3分别为三种方法在组合预测中的权重。表1中列出了三种单独预测模型和组合模型的误差平方和，由误差对比可以看出，本文所提出的组合模型可以对新船订单进行较准确的趋势预测，且其预测效果优于单项预测模型。针对2012年和2013年的世界新船订单发展趋势，前面三种单项预测模型得到了各自的预测结果，进一步利用组合模型，得到2012年的世界新船订单为72.84百万修正总吨，2013年为56.41百万修正总吨。 　　四、结论与建议 　　新船订单在复杂多变的环境下，其长期走势不具有能够把握的