基于组合预测模型的大连港集装箱海铁联运量预测

陆云峰

[摘 要]世界经济全球化和区域经济一体化的快速发展，集装箱的多式联运越来越重要，海铁联运作为一个重要的运输形式有着强劲的发展潜力同时对未来的港口发展和规划提供了重要依据。根据集装箱海铁联运量数据的特征，单一的灰色GM（1，1）模型的预测精度不高。构建灰色-马尔科夫链模型和灰色-BP神经网络模型两种组合预测模型，通过对比得出灰色-BP神经网络模型的平均绝对误差在5%左右，较比单一的灰色GM（1，1）模型的11.63%和灰色-马尔科夫链模型的10.21%预测效果较好。通过灰色-BP神经网络模型预测出大连港未来4年的集装箱海铁联运量。

[关键词]海铁联运；组合预测模型；灰色-马尔科夫链模型；灰色-BP神经网络模型；集装箱

1 引 言

近年来我国“一带一路”倡议的全面推进，外向型经济的持续快速发展，港口集装箱的吞吐量增长迅速。但是在海铁联运的发展较比发达国家还有一定差距，对集装箱海铁联运量的预测就显得尤为重要，也是港口决定物流战略、经营管理的基础依据。大连是全国开展集装箱海铁联运最早的港口，大连港在1996年就开始发展了多种班列运营及经营模式，为东北乃至全国起到了引领和示范作用。多年来，大连港港海铁联运发展始终处于全国领先水平，已拥有4个大型物流中心、12个物流场站、31个物流站点，形成了庞大的内陆网络布局，覆盖东北地区50余个站点以及俄罗斯、蒙古、中亚5国和欧洲国家。集装箱海铁联运量有许多综合因素影响，如经济、社会、自然等，具有很大的随机性和模糊性，给预测会带来一定的难度。史磊磊的“基于马尔科夫链的组合预测在港口吞吐量预测的应用”，高玲的“基于灰色马尔可夫组合模型的福州港吞吐量预测”，武政，冯伟的“基于灰色马尔可夫模型的港口吞吐量预测研究”都是以马尔可夫模型为基础对港口吞吐量进行了预测。陈燕琴的“基于灰色理论和BP网络的集装箱海铁联运量预测”和丁敏婕，张少中“基于BP神经网络和SVM的外贸集装箱量组合预测模型研究”选用了BP神经网络模型来解决传统的预测精度低和难以全面考虑影响因素的问题。所以在海铁联运量的预测上也可以选用如上方法。Xiao Yang和Liu Liping在China-Europe Sea-Land Express Passages and the Balkans as the Pivot of the Belt-and-Road Transportation Network中详细讨论了对中国欧洲海陆快速通道建设相关的问题，包括背景情况，基础设施，铁路技术标准的现状。BertilNaslund发表的“Combined Sea Land Transportation In Hamburg”探讨了汉堡港是如何发展海铁联运的。根据上述文章的阐述，也体现了对大连港集装箱海铁联运量的预测是很有价值的。

2 预测模型分析

2.1 灰色GM（1，1）模型

灰色GM（1，1）模型有很鲜明的特点。需要的数据量较少，计算步骤不烦琐可以借助数学软件快速计算，而且灰色GM（1，1）不需要太多的关联因素，资料容易获得，既可以进行短期也可以用于中长期预测。大连港集装箱海铁联运每年的运量可以很容易的得到，按照时间序列，可以构造出系统模型。以下为灰色GM（1，1）模型的运算步骤。

2.2 灰色-马尔可夫链模型

马尔可夫链模型就是时间和状态都是离散的马尔可夫过程。根据海铁联运数据的类型也是离散型，所以采用灰色-马尔可夫链模型来预测集装箱海铁联运量是可行的。根据灰色GM（1，1）模型得出的数据与实际数据的差值规律，划分误差状态等级。并通过每次误差状态所在的等级内，最终调整预测的数值。其中误差等级的划分的数量，跟灰色GM（1，1）模型预测出来的数据与实际数据的相对误差有关。当数据较少的时候，误差等級不宜划分过多，否则失去了模型预测的意义。反之，如果数据较多的话就失去了对误差波动的调整。以下是灰色-马尔可夫链模型的运算步骤。

2.3 灰色-BP神经网络模型

BP 神经网络由输入层、隐含层和输出层组成，每一层都有若干个神经元。层与层之间由权值连接，每层神经元之间无连接。当一组初始样本提供给神经网络开始学习时，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应，然后按照减少实际输出与目标输出之间误差的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，这种算法即为 BP 算法。

本文采用的是灰色预测与BP神经网络相结合的预测方法。灰色-BP神经网络模型的运算步骤如下。

首先用原始样本数据采用GM（1，1）进行预测；然后建立BP神经网络模型的输入层、隐含层和输出层。与海铁联运相关联的数据作为神经网络的输入层，集装箱海铁联运量实际值作为输出层，Levenberg-Marquardt为训练方法，对网络进行学习训练，建立最优神经网络；再用灰色GM（1，1）模型对自变量的预测值作为 BP 神经网络的输入值带入训练好的神经网络模型中，输出的是海铁联运量的预测量。如图1是步骤流程图。

3 预测实例

根据以上对预测模型的分析可以看出，每种方法都有自身的优点和劣势。本文取2010年-2017年大连港的海铁联运量为原始数据来测试灰色GM（1，1）、灰色-马尔可夫链模型、灰色-BP神经网络模型对于海铁联运量的预测的可行性。如表1为2010-2017 年大连港集装箱海铁联运量与相关因素

从表中我们可以得出相对误差绝对值的平均值为11.63%。对于集装箱海铁联运量的预测效果并不是很好。

现采用灰色-马尔可夫链模型对以上数据进行修复。根据实际值与预测值之间的误差即相对误差，将误差状态分别分为3种，如表3所示。

根据表6可以得出灰色-马尔可夫模型预测值得相对误差绝对值的平均数为10.21%。虽然精确度上有所提升，但是还是没有达到预期的效果。

现用灰色-BP神经网络模型进行预测，训练参数为：迭代步数为1000次，训练样本为2010-2017年与大连港集装箱海铁联运量相关因素。集装箱海铁联运量实际值作为神经网络的输出，采用Levenberg-Marquardt为训练方法，对网络进行学习训练。得到最优化的 BP 神经网络结构。用组合预测模型对2010年到2017年的海铁联运运量进行模拟得到数据表7。

4 预测结果的比较分析

根据对表8得出的结果我们不难看出，BP网络组合模型预测的误差小于其他两种预测模型。所以用GM（1，1）预测出未来4年的大连港集装箱吞吐量，外贸集装箱吞吐量，大连地区生产总值，带入到训练好的BP神经网络里，得出未来4年大连港海铁联运量的预测值如表9。

5 结论

本文通过运用GM（1，1），马尔科夫链模型，BP神经网络模型，预测了大连港的海铁联运量。不管是直接原因还是间接原因，对于海铁联运的发展都是很重要的。由于数据样本小，且不充足，因此建立灰色预测模型是最好的选择，运用马尔科夫模型解决灰色预测的不确定性。BP神经网络又可以进一步的减少预测的误差。是预测都存在一定的误差，但是从预测结果来看，将来海铁联运发展是不可限量的，值得更多深入探究。

参考文献：

[1] 王厦. 基于灰色理论的南通港集装箱吞吐量预测分析[J]. 商场现代化，2017，（07）：19-20.

[2] 刘玲. 灰色预测模型在国内物流货运量预测中的应用[J]. 物流科技，2017，40（04）：18-20.

[3] 张家善，林晓群. 基于马尔科夫链的港口吞吐量区间预测模型研究[J]. 数学的实践与认识，2016，46（15）：159-164.

[4] 李洪磊，王德闯. 基于灰色系统理论的大连港口物流需求预测[J]. 物流科技，2016，39（01）：17-20.

[5] 史磊磊. 基于马尔科夫链的组合预测在港口吞吐量预测的应用[J]. 现代经济信息，2015，（16）：86.

[6] 黄桂媛. 基于灰色预测法的广西北部湾物流量预测[J]. 物流技术，2015，34（10）：125-127.

[7] 孙长峰. 基于灰色关联理论的物流成本预测研究[J]. 物流技术，2014，33（23）：242-244.

[8] 张峰，殷秀清，董会忠. 组合灰色预测模型对物流需求预测效果的分析[J]. 物流技术，2014，33（17）：221-223.

[9] 戴霖，黄浩，黄倩盈，屈梦妮，李志强. 基于马尔科夫模型的港口吞吐量预测[J]. 水运管理，2014，36（3）：18-19+22.

[10] 刘亮，杨章伟，刘年锋. 改进灰色预测模型的研究—以安徽省物流量预测为例[J]. 物流技术，2011，30（21）：33-34.

[11] 罗永华，何忠伟. 基于灰色系統理论的茂名市物流需求预测分析[J]. 物流科技，2010，33（7）：19-21.

[12] 刘莉. 基于灰色预测模型与季节指数的区域物流需求预测[J]. 物流技术，2010，29（08）：41-42+46.

[13] 平先秉. 基于灰色系统理论的湖南省物流需求预测分析[J]. 物流工程与管理，2010，32（3）：17-19.

[14] 隆惠君，卓岩，江涛涛，邓淑芬. 基于灰色系统理论的常州市物流需求预测[J]. 物流科技，2008（6）：51-54.

[15] 王娟，杨勇，孙东泉.我国多式联运枢纽发展分析[J].综合运输，2016（10）.