基于ARIMA模型的揚州港口貨物吞吐量預測

中圖分類號：F552 文獻標志碼：A DOI： 10.13714/j.cnki.1002-3100.2025.08.022

Abstract： Withthecontinuous advancement of global economic integration，ports，servingas thecrucial pilarof domesticand internationallogistics，aregraduallyevolvingtowardsamoreinteligentandrefiedoperationalmodeinthefaceofintensearket competition.Asakeyindicatorforevaluatingtheproductionandoperationalactivitiesofenterprises，thepredictinoftohut' futuredataholdssgnificantimportancefortheformulationofinvestmentplaninganddevelopmentstrategiesofenterprises.Hence， theprecisepredictionofortcargothroughputofersavitalscientificbasisforportlgisticsdevelopmentplanning.TakingYaghou Portasanexaplethisatallyodctssriptivestatialaalstoelasatioarityttnddeltote dataof Yangzhou Portfrom20o9 to023，andultimatelydetermines theARIMAmodel.Subsequently，the modelisemployed to forecasttheportcargothroughputfrom2O24to2025.Thevisualizationandstatisticalresultsdemonstratethatthemodelfitswel， providing a reference for relevant personnel and managers.

Key words： cargo throughput prediction; ARIMA; time series model; Yangzhou Port

0引言

隨著全球經濟一體化的不斷發展，港口作為連接國內外市場的重要節點，其貨物吞吐量直接關系到國家和地區的經濟發展。近年來，由于國際貿易的日益增長和物流體系的不斷完善，港口貨物吞吐量呈現出急速上升的趨勢。然而，這種增長也帶來了諸多挑戰，如港口擁堵、運力不足等問題日益凸顯。國際貿易政策的變化，包括關稅的調整、貿易協議的簽署或廢除，對港口貨物吞吐量產生了顯著影響，這使得港口物流跨入一個新的發展階段。日益加劇的競爭環境促使港口向智慧化、精細化方向轉型和發展，港口貨物吞吐量一定程度上反映港口建設、運輸能力、經濟發展實力，對港口規劃建設決策具有重大意義，所以建立科學、合理和準確的港口貨物吞吐量模型能夠給港口的未來發展提供參考性建議。

戴紅偉等利用MPA-BP神經網絡和ARIMA模型對寧波港進行預測，表明MPA優化的BP神經網絡可以提升預測精度[。柳德才等提出基于改進的灰色預測NGMG1，（N）模型預測上海港未來5年集裝箱吞吐量，顯示精度較高2。曹瑩等提出反向BP神經網絡和ARIMA的組合模型，預測天門港精度較高[3]。張聰等提出融合預訓練的港口吞吐量LSTM預測模型，對天津港等15個中大型港口進行預測，能夠有效解決LSTM過擬合問題，整體預測準確率高4。李朝輝等在單一預測模型的基礎上引進了誤差修正Stacking算法及其他組合模型對深圳港進行預測，結果顯示Stacking的能夠融合其優點，增強泛化能力，提高精度減少誤差。寇宇軒等將原始序列分解成線性核函數，構建DKELM選擇性深度集成的集裝箱吞吐量預測模型，對沿海六大港口進行預測，證實了模型的優越性。徐浩帆利用SARIMAX模型提取原始序列中季節性和趨勢成分，引入貝葉斯優化的LSTM網絡，對預測值誤差序列進行修正，提高預測的精度和準確性。

綜上所述，早期的研究多集中在運用傳統的統計方法進行吞吐量預測，如回歸分析、灰色預測等。隨著計算機技術和數據分析方法的不斷進步，國內學者開始嘗試將更先進的算法引入港口貨物吞吐量的預測中，多角度的數據融合和深度挖掘方法為港口管理者提供了更豐富的決策信息。

1相關理論

1.1時間序列模型

時間序列分析是一種連續時間內數據的統計技術，用來分析有序排列的一系列數據點，這些數據點一般是在連續的時間間隔內收集，具有連續性，并且分析旨在揭示隱藏在數據背后的特定模式、趨勢、季節性和周期性等特征。

時間序列分析法是對時間依賴數據進行深入剖析的強大工具，該分析方法的核心在于識別數據點之間的時間相關性。通過挖掘這種依賴性，了解早期數據如何影響后續結果，透徹理解數據隨時間演變的軌跡并進行趨勢分析。同時還能檢測確定的時間周期內反復出現的數據模式，使季節性因素在預測時得以考慮，除了季節性外，時間序列分析還能識別數據的非固定周期性波動，這一點增加了分析的靈活性和深度。常用的時間序列分析法有移動平均法、指數平滑法和趨勢外推法。

1.2 ARIMA模型

ARIMA模型，稱為自回歸滑動平均模型，是時間序列預測中的常用模型。這種模型由自回歸、差分整合和移動平均三個部分組成。通過這三個部分，ARIMA模型可以清楚描述數據中存在的趨勢、季節性和周期性等特征。

ARIMA模型需考慮數據是否平穩，如果數據中存在季節性波動，則應考慮使用更加適合的季節性SARIMA模型或添加季節性調整步驟后再進一步使用ARIMA模型。在運用ARIMA模型時，有效性的確認及參數調整往往是一個不斷調試的過程。預測時需要不斷調整模型和參數并通過驗證來提高預測準確性。ARIMA模型的優點是在于它能夠處理非平穩時間序列數據，還能通過差分運算消除數據的季節性影響，使得模型更加準確地描述數據的內在規律。

ARIMA模型由3個重要的參數 （ p ， d ， q ） 決定，其中 p 為自回歸系數，表示序列值滯后 p 階，公式如下。

d 表示時序數據為平穩序列需要進行 d 次差分， q 為滑動平均系數，表示誤差項滯后 q 階，公式如下。

其中，ARIMA模型的自相關函數體現了序列數據相鄰數據的相關性，其數學公式如下。

偏自相關函數是隨機變量去除中間 k - 1 一個值后 和 之間的相關性，數學公式如下。

ARIMA建模步驟：首先對原始數據進行平穩性檢驗，如果不滿足則差分進行處理；然后對平穩序列進行ACF和PACF分析，確認 p ， d ， q ；模型估計，檢驗擬合效果；最后殘差白噪聲檢驗，檢驗通過，則進行數據預測。

2揚州港口貨物吞吐量預測模型構建

2.1數據來源

本文所使用數據是揚州港口物流相關指標，包括貨物吞吐量（萬噸）、集裝箱吞吐量（萬噸）、生產用碼頭長度（米）、生產用碼頭個數（個）等字段，最終通過熵值法確定了港口物流指標中最核心的貨物吞吐量（萬噸）作為被觀測數據，時間段為2009—2023年。數據來源于《江蘇統計年鑒》及揚州統計局網站。

2.2平穩性檢驗

揚州港貨物吞吐量原始序列如圖1所示，明顯可以看出貨物吞吐量呈逐年上升趨勢。進行ACF和PACF檢驗，結果見圖2及圖3。圖2可以看出數據急劇下降并沒有呈現波動，表現為拖尾；圖3則表現在零軸上下波動，為截尾。因此，原始序列為非平穩序列。

2.3 模型識別

對原始序列進行二階差分后，結果見圖4。然后進行ACF和PACF檢驗，如圖5及圖6所示。從圖5和圖6可以看出，差分后的ACF和PACF均為0階拖尾，所以2階差分后的序列為平穩序列， p = 0 ， q = 0 ， d = 2 。

2.4模型估計

由于原始數據為貨物吞吐量（萬噸）為年度數據，已經排除了季節性影響，所以不需要做季節性分析。根據模型識別中確定的參數建模ARIMA（0，2，0），運用SPSS27進行建模，擬合效果如圖7，模型擬合效果良好。同時，根據SPSS27內置專家建模器，自動建模，擬合效果如圖8。通過比對兩個擬合圖，以及兩者的模型擬合統計量，發現自建模型平穩的R方值更高，因此，選用自建模型ARIMA（O，2，0）。

2.5 殘差白噪聲檢驗

選擇最終模型后，還需要對殘差項進行白噪聲檢驗。如果殘差項存在自相關，則需要不斷重新建模并重復前面的步驟，直至殘差為白噪聲。殘差白噪聲ACF、PACF檢驗如圖9所示。根據檢驗圖可以看出，差分后的自相關系數和偏相關系數全部落在置信區間內，并且越來越接近于零，表明擬合后的殘差項為白噪聲序列，無需繼續建模。

2.6數據預測

根據模型對2024—2025年揚州港口貨物吞吐量進行預測，預測結果見表1、圖10。

3結束語

本文運用ARIMA模型對揚州港2024—2025年貨物吞吐量進行預測，從模型擬合結果看比較良好。ARIMA的邏輯還是基于時間序列分析法的研究，通過構建有效、實用的ARIMA預測模型，為港口貨物吞吐量的預測和規劃提供了新的思路和方法，也可以進一步拓展時間序列分析法的應用領域，優化模型算法，同時結合其他方法模型綜合分析，以此來提高預測精度和穩定性，為港口物流行業的發展貢獻更多的智慧和力量。

未來研究中，我們將進一步完善數據收集渠道，同時加強對數據的預處理，提高數據質量和完整性，以期獲得更準確的預測結果。還可以將現有模型與其他模型混合與集成，將ARIMA模型與其他時間序列模型相結合，或與非線性模型結合，如支持向量機（SVM）和人工神經網絡（ANN）相集成，提高模型在各種情境下的預測穩健性。

參考文獻：

[1]戴紅偉，王博文．基于MPA-BP神經網絡和ARIMA 模型的港口貨物吞吐量預測[J]．大連海事大學學報，2024（8）：1-12.

[2]柳德才，張世林．基于改進灰色預測模型的港口物流需求預測研究——以上海港為例[J]．物流科技，2024，47（15）：75-79.

[3]曹瑩，陳旭，張躍博，等．基于ARIMA—BP神經網絡組合預測的港口吞吐量預測[J]．物流技術，2023，42（12）：84-91.

[4]張聰，許浩然，詹煒，等．融合預訓練的港口吞吐量LSTM預測模型[J]．科學技術與工程，2023，23（32）：13910-13916.

[5]李朝輝，殷銘，王曉倩，等．誤差修正 Stacking 算法在港口吞吐量預測中的應用[J]．計算機仿真，2022，39（2）：512-517.

[6]寇宇軒，李思涵，劉敦虎，等．基于DKELM 選擇性深度集成的集裝箱吞吐量預測模型研究[J]．中國管理科學，2024（7）：1-25.

[7]徐浩帆．貝葉斯優化下SARIMAX和LSTM模型在日照港貨物吞吐量預測中的應用[J]．物流工程與管理，2024，46（4）：24-28.