基于TEI@I方法論的防城港港口吞吐量預測

范林勝，鄧建新,2，閔 浩，張 琦

（1.廣西大學 制造系統與先進制造技術重點實驗室，廣西 南寧 530004；2.廣西大學 機械工程學院，廣西 南寧 530004）

基于TEI@I方法論的防城港港口吞吐量預測

范林勝1，鄧建新1,2，閔 浩1，張 琦1

（1.廣西大學 制造系統與先進制造技術重點實驗室，廣西 南寧 530004；2.廣西大學 機械工程學院，廣西 南寧 530004）

針對防城港港口吞吐量的波動趨勢，基于TEI@I方法論，提出一種預測防城港港口吞吐量的框架。采用多元線性回歸擬合其線性特征，采用三層BP神經網絡模型擬合其非線性特征，并將其結果集成相加得到防城港港口吞吐量的預測模型。實際預測結果表明，這種預測方法有較高預測精度，優于單一的預測方法，平均絕對百分比誤差從9.33%下降到1.52%，該方法可為未來防城港的發展規劃提供數據支撐。

TEI@I方法論；多元線性回歸；BP神經網絡；防城港；港口吞吐量；預測

1 引言

防城港位于廣西南部北部灣北岸，是全國19個樞紐港之一，地處中國—東盟自由貿易區、泛珠三角經濟圈和廣西壯族自治區北部灣經濟區的結合部，現與世界80個國家的220個港口通商通航。隨著北部灣經濟地位的提升、中國—東盟自由貿易區的進一步發展以及“一帶一路”的推進，防城港對于西南地區通往東盟和海外各國的大通道將發揮越來越重要的作用。當前經過防城港港口的經濟貿易往來更加頻繁，在2014年，防城港港口的吞吐量為1.15萬t，同比增長8.9%。隨著該港口的物流吞吐量迅猛增長，運輸能力不足、貨物壓港嚴重等問題日漸凸顯，同時，港口吞吐量對周邊地區的經濟發展也十分重要，在很大程度上能影響一個地區的投資方向和經濟走向。因此，急需科學有效地預測和分析其港口吞吐量，以實現優化調度和資源配置、促進運輸系統的高效運作，為港口規劃建設、確定港口投資規模提供重要決策信息，從而提高投資效益，促進港口及其所在城市的發展和經濟增長。

針對港口吞吐量的預測，國內外學者開展了大量類似的研究，得到了豐富的研究成果，涉及港口吞吐量、集裝箱量、物流需求量等，提出了多種預測方法或模型，但還鮮見對防城港吞吐量的預測。王景敏等[1]采用三次指數平滑法預測了廣西北部灣港口物流需求；J.G.de Gooijer等[2]使用多變量時間序列模型預測了安特衛普港的交通流量；Chien-Chang Chou[3]運用修改的回歸模型預測了臺灣進口的集裝箱量；C.H.Wei等[4]使用人工神經網絡研究預測了高雄港的集裝箱量；M.T.Chou等[5]應用SARIMA模型分析了高雄港的集裝箱量；C.I.Hsu等[6]應用灰色模型預測了航空貨運業務數量；Xiao Jin等[7]運用粒子群算法預測了轉移集裝箱吞吐量；Shih-Huang Chen等[8]采用遺傳規劃預測了集裝箱吞吐量；侯寶燕[9]基于組合預測方法預測了營口物流需求量；黃俊聰[10]基于組合預測方法預測了福州港物流需求量；許利枝等[11]基于TEI@I方法論預測了青島港口的貨運量；Huang Anqiang等[12]使用混合模型預測了青島港口集裝箱吞吐量；Gang Xie等[13]基于LSSVR的混合模型預測了集裝箱吞吐量。傳統的線性回歸和時間序列預測方法雖然易于操作而且簡單，但是預測精度很難達到要求，智能算法在一定程度上能達到預測的精度，但預測對參數十分敏感，很難就有穩定性。TEI@I方法論在處理具有高度波動性和復雜系統的預測問題上（例如原油價格、匯率），取得了很好的預測效果。

港口吞吐量受港口所在區域的經濟產業發展的多種因素的影響，具有高度的波動性、復雜性和不確定性，表現出很強的線性和非線性特征。圖1所示為防城港1990-2013的吞吐量數據，在1990到2004年這段時間，吞吐量增長速率較穩定，表現為一定的線性關系，從2005到2013年增長速率不穩定，表現為非線性關系，單獨運用線性和非線性模型進行預測，誤差都較大，如對圖1中的數據應用指數模型預測，平均相對誤差在9%左右。為了更準確地預測其吞吐量，本文引入TEI@I框架，定量地分析港口吞吐量的線性和非線性部分，以提高對港口吞吐量的分析能力和預測能力。

圖1 防城港港口歷年吞吐量

2 基于TEI@I方法論的港口吞吐量預測框架

TEI@I方法論是汪壽陽等[14]提出的一種針對具有突現性、不穩定性、非線性和不確定性等特征的現實復雜系統進行分析的全新研究方法論。該方法基于先分解后集成的思想。首先，用計量經濟模型預測線性部分，其次，用人工智能方法，如BP神經網絡擬合非線性部分；然后，利用專家預測系統來量化重要事件的影響結果；最后，集成三者的結果，得到一個綜合的預測數據。

然而，對于影響防城港港口吞吐量不規則的事件，如因北部灣經濟區的批準、政府加大投資等，處理難度較大，且不易量化，很難預測，因此，本文暫不考慮不規則事件對吞吐量的影響，即只基于防城港吞吐量線性和非線性部分進行集成預測，得到一個綜合的預測數據。本文建立的基于TEI@I方法的防城港港口吞吐量集成預測框架如圖2所示。

圖2 防城港港口吞吐量集成預測框架

設防城港港口每年的吞吐量實際數據為{Yt，t=1，2，3，...}。綜合考慮數據的可得性和對防城港港口的實際考察，影響防城港港口吞吐量的可能因素有：防城港市的第一產業總值、第二產業總值、第三產業總值、全年固定資產投資、社會消費品零售總額、進出口總額等。因此，首先用多元線性回歸來擬合防城港港口吞吐量的歷年數據，產生一個新的預測序列，記為{}：

式（1）中，x1表示防城港市的第一產業總值，x2為第二產業總值，x3為第三產業總值，x4表示全年固定資產投資，x5表示社會消費品零售總額，x6表示進出口總額，a和bi（i=1，2，…，6）是需要確定的預測參數。

通過分析{Yt}和{}序列，可以得到防城港港口吞吐量的誤差序列，記為{et}。

在此基礎上，應用三層的BP神經網絡來擬合得到的誤差序列，如圖3所示，即包含1個輸入層、1個隱含層和1個輸出層，每層都有若干個神經元組成，神經元的傳遞函數為S型函數，輸出量是0到1之間的連續量，權值的調整采用反向傳播（Baekpropagation）學習算法，每個輸入都通過一個適當的權值W與下一層相連，網絡輸出表示為a=f(WP+c)。其輸入層為式（2）得到的誤差序列，輸入層的節點個數N，需要根據誤差序列數量的多少來確定，一般不少于3個，如果序列數據量大，輸入為3個以上。輸出層為預測得到的吞吐量新誤差，該吞吐量新誤差仍然是一個時間序列，記為{}。

圖3 三層BP神經網絡模型

用三層BP神經網絡擬合得到的吞吐量誤差序列仍然是一個時間序列，記為{}。實際上{}是一個非線性函數，根據圖3可以表示為：

其中 fi為第i層網絡的輸出值，Wi為第i層的權值矩陣，P為輸入變量矩陣，ci為閾值（i=1,2,3）。

根據式（4）確定隱含層數。

式（4）中，N為輸入層節點數，L為隱含層節點數，M為輸出層節點數，a為0到10之間的常數。

為了評價預測的性能，本文使用平均絕對百分比誤差（MAPE）、均方根誤差（RMSE）作為評價準則，定義為：

式中D為測試周期。

3 預測分析

3.1 數據來源

綜合分析，影響防城港港口吞吐量的可能相關因素為防城港市的第一產業總值、第二產業總值、第三產業總值、全年固定資產投資等。根據廣西年鑒及廣西統計信息網（http://www.gxtj. gov.cn/tjsj/tjnj）的相關信息，統計得到防城港港口1990-2013年的吞吐量數據及影響吞吐量因素的相關數據，見表1。

表1 影響防城港港口吞吐量的各項經濟指標

3.2 預測模型及預測分析

為了建立預測模型和進行驗證，以下選取1990-2010年數據進行模型建立，使用2011-2013年的數據為測試樣本數據，用于檢測預測誤差和評估預測精度。同時，為了評估集成預測模型的性能，還將與二次曲線等獨立預測方法的預測結果進行對比分析。

3.2.1 二次曲線預測。從圖1知，防城港港口1990-2013年吞吐量呈指數發展趨勢，可直接建立指數模型進行預測。根據1990-2010年的數據，利用Excel求解，可以得到對應的指數擬合模型為

3.2.2 多元線性回歸模型。按照圖1所示的框架，首先使用多元回歸模型進行防城港吞吐量的預測分析，處理其線性部分的特征。

使用SPSS20，輸入1990-2010年防城港市的第一產業總值（x1）、第二產業總值（x2）、第三產業總值（x3）、全年固定資產投資（x4）、社會消費品零售總額（x5）、進出口總額（x6）的數據，作為多元線性回歸的訓練樣本，采用逐步進入的方式，選入P≤0.05，剔除標準P≥0.10得到的進入變量和對應的系數，求解結果見表2、表3。

表2 模型概要

表3 模型系數

從表2可以看出R2為0.990，擬合效果較好，從表3中得到對應多元線性回歸模型為：

從模型可以看出，吞吐量主要與第三產業總值、全年固定資產投資直接相關，這與陳濤燾等[15]得出的結論相一致。這是因為防城港及其周邊地區第一產業和第二產業一直薄弱，而且需求比較穩定，在1990至2010年前沒有大量大型企業投產，產生的需求不大。2012年后，防城港才開始了千億元產業園的建立，如防城港鋼鐵項目，但目前這些企業仍未投產，因此對其吞吐量影響不夠明顯。

把2011-2013年防城港港口的吞吐量作為測試樣本，結果見表4。

表4 測試樣本的誤差值

根據式（1）得到誤差序列，將得到的預測誤差序列制作成散點圖，如圖4所示。

圖4 多元線性回歸預測誤差散點圖

從圖4中可以看出，得到的多元線性回歸預測誤差不穩定、呈非線性特征。

3.3 BP神經網絡

根據前面已建立好的三層BP神經網絡模型，使用Matlab求解計算實現時，首先將得到得多元線性預測值標準化處理，其中e*t為標準化的多元線性回歸預測誤差值，et為多元線性回歸預測誤差值，h和g分別是多元線性回歸預測誤差值中的最大值和最小值，設置學習目標誤差值為0.000 1，訓練最大次數為2 000次。其它的網絡參數確定過程如下：

（1）輸入層節點數。由于數據的有限性，確定該實例中的輸入層節點為3個，即將相鄰三年誤差序列作為一組輸入數據，如將1990、1991、1992年多元線性回歸預測模型的誤差序列為第一組輸入數據，將1991、1992、1993作為第二組輸入等。

（2）隱含層節點數。參考式（4），用逐一試算法確定最佳的節點數，經過試算，該實例預測隱含層節點數為4。

（3）輸出層節點數。本文將擬合的誤差序列作為輸出值，即輸出節點數為1。

（4）轉換和學習函數。第一層的轉化函數選為logsig，第二層的轉化函數選為purelin，學習函數選為traimlm。

（5）訓練樣本集。樣本集選為1990-2010年多元線性回歸預測模型的誤差序列。

（6）測試樣本集。測試樣本選為2011、2012和2013年多元線性回歸預測模型的誤差序列。

最后得到以下擬合曲線，如圖5所示，其中橫軸表示誤差序列組，縱軸表示標準化后的預測誤差值或者真實值。

從運行結果可以得出，最后3個點的測試平均絕對百分比誤差分別為57.55%、24.69%、2.86%，隨著樣本量的提高，絕對誤差會逐漸降低。

圖5 BP神經網絡擬合數值與真實值的比較

3.4 綜合集成與單一預測比較

將多元線性回歸擬合值E^t與BP神經網絡值I^t求和，得到綜合預測結果Y^t，預測結果見表5。

從表5可以看出，指數回歸模型預測、單一多元線性回歸預測與集成模型預測的平均絕對百分比誤差分別為9.33%、6.78%和1.52%。它們的均方根誤差分別為1 058.997、290.35和239.60。無論是預測的準確性還是穩定性,綜合集成預測的結果都大大高于單一模型的預測。這也充分說明了集成預測適合防城港港口吞吐量預測。

4 結論

防城港的吞吐量近年不斷增加，波動較大，有明顯的線性和非線性特征，本文基于TEI@I集成理論框架，提出防城港港口吞吐量的預測模型，模型將吞吐量的線性部分通過多元線性回歸進行擬合，非線性部分轉化為線性部分的預測誤差，通過BP神經網絡進行建模預測，該模型框架操作簡單，不存在復雜的數據處理。由實際預測可知，目前防城港的吞吐量主要與第三產業總值、全年固定資產投資直接相關，從預測的效果可以看出，所提出的模型可較好地用于防城港港口吞吐量的預測，在平均絕對誤差和平方誤差上都優于單一的多元線性回歸模型和直接的非線性預測，能較好地適應防城港吞吐量的波動趨勢，可為港口運營管理和相關部門投資決策等提供更準確的依據。

表5 指數回歸模型和多元線性回歸模型與集成模型的比較

[1]王景敏,朱芳陽,隋博文,等.廣西北部灣港口物流需求預測及發展模式研究[J].物流科技,2010,(12):26-28.

[2]Gooijer J G de,Klein A.Forecasting the Antwerp maritime steel traffic flow:A case study[J].Journal of Forecasting,1989,8(4):381-398.

[3]Chou C,C Chu,G Liang.A modified regression model for forecasting the volumes of Taiwan's import containers[J].Mathematical and Computer Modelling,2008,47(9-10):797-807.

[4]Wei C H,Yang Y C.A study on transit containers forecast in Kaohsiung port-applying artificial neural networks to evaluating input variables[J].Journal of the Chinese Institute of Transportation,1999,11(3): 1-20.

[5]Chou M T,Lee H S,Lin K.A study of forecasting the volume of trans and the harbor operation for port of Kaohsiung[J].Journal of Maritime Sciences,2003,12(1):235-250.

[6]Hsu C I,Wen Y H.Applying grey forecast models to predict international air travel demand for Taiwan area[J].Transportation Planning Journal,1997,6(3):525-555.

[7]Xiao Jin,Xiao Yi,Fu Ju Lei,et.al.A transfer forecasting model for container throughput guided by discrete pso[J].系統科學與復雜性（英文版）,2014,27(1):181-192.

[8]Chen S,J Chen.Forecasting container throughputs at ports using genetic programming[J].Expert Systems with Applications,2010,37(3):2 054-2 058.

[9]侯寶燕.基于組合預測法的營口港物流需求預測研究[D].大連:大連交通大學,2013.

[10]黃俊聰.基于組合方法的港口物流需求預測研究[D].福州:福建農林大學,2009.

[11]許利枝,汪壽陽.港口物流預測研究:基于TEI@I方法論[J].交通運輸系統工程與信息,2012,(1):173-179.

[12]Anqiang Huang,Kinkeung Lai,Yinhua Li,Shouyang Wang.Forecastingcontainer throughput of Qingdao port with a hybrid model[J]. Journal of Systems Science and Complexity,2015,28(1):105-121.

[13]Xie Gang,Wang Shouyang,Zhao Yingxue,etal.Hybrid approaches based on LSSVR model for container throughput forecasting:A comparative study[J].Applied Soft Computing Journal,2013,13(5):2 232-2 241.

[14]Wang S Y,Yu L,Lai K K.Crude oil price forecasting with TEI@I methodology[J].Journal of Systems Science and Complexity,2005,18 (2):145-166.

[15]陳濤燾,高琴.港口集裝箱吞吐量影響因素研究[J].武漢理工大學學報(信息與管理工程版),2008,(6):991-994,1 003.

Throughput Forecasting of Fangcheng Port Based on TEI@I Methodology

Fan Linsheng1,Deng Jianxin1,2,Min Hao1,Zhang Qi1
(1.Guangxi Key Laboratory of Manufacturing System&Advanced Manufacturing Technology,Guangxi University,Nanning 530004; 2.School of Mechanical Engineering,Guangxi University,Nanning 530004,China)

In this paper,in view of the fluctuation of the throughput of the Fangcheng Port,and based on the TEI@I methodology,we proposed a framework for the forecasting of the throughput of the port,built the corresponding throughput forecasting model and through an empirical test,showed that the method could yield more accurate result and reduce the average absolute error from 9.33%to 1.52%.

TEI@I methodology;multiple linear regression;BP neural network;Fangcheng Port;port throughput;forecasting

U691.71；F224

A

1005-152X(2015)10-0075-05

2015-08-25

廣西自然科學基金項目“面向資源利用優化的物流業務協同感知模型研究”（2014GXNSFBA118281）

范林勝（1989-），男，廣西桂林人，廣西大學機械工程學院碩士研究生，主要研究方向：物流工程；鄧建新（1979-），男，四川廣元人，博士，副教授，主要研究方向：制造系統及其信息學、物流信息學；閔浩（1989-），男，湖北仙桃人，廣西大學機械工程學院碩士研究生，主要研究方向：物流作業流程管理和智能化決策系統；張琦（1989-），男，河南信陽人，廣西大學機械工程學院碩士研究生，主要研究方向：物流信息化。

10.3969/j.issn.1005-152X.2015.10.022