摘要：港口集装箱吞吐量是港口承载能力的主要指标，也是港口规划和基础设施建设的重要基础。这项研究提出了选择港口运输指标和宏观经济指标作为输入，通过机器学习预测下个月的港口集装箱吞吐量。实验结果表明，机器学习预测模型具有良好的性能，并且发现宏观经济变化对港口集装箱吞吐量的预测结果具有更积极的影响。

　　关键词：机器学习;集装箱吞吐量;短期预测

　　1.引言

　　随着全球经济一体化的发展，港口集装箱吞吐量直接反映了区域经济的发展水平。根据世界银行的统计，自21世纪以来，全球港口集装箱吞吐量大幅增长，2014年为679264.7百万标准箱。但是，由于港口装卸能力的饱和以及集装箱运输行业供需平衡，集装箱吞吐量的增长下降，年均增长率从15%下降至7%。随着集装箱运输环境的不断变化，出现了港口拥挤和运力不足的情况，这将导致经济损失和时间成本的增加。因此，基于集装箱运输过程中的内外部环境变化，准确预测未来集装箱吞吐量将有助于减少港口资源浪费和装卸时间，灵活规划港口规模，促进港口发展。

　　2.港口集装箱吞吐量的预测现状

　　对于港口集装箱吞吐量预测的研究，传统的时间序列预测模型已经使用了很多年，例如指数平滑，自回归积分移动平均值和季节性自回归移动平均值。研究者通过因果分析模型，包括回归分析和弹性系数分析，捕获港口集装箱吞吐量变量及其相关变量之间的因果关系。基于此功能，一些研究人员使用计量经济学模型，选择因变量作为输入指标，预测集装箱的吞吐量并分析其影响因素。另外也有些研究者提出了基于改进的回归模型预测台湾的集装箱吞吐量，实验表明将宏观经济变量作为输入指标更有利于提高预测模型的准确性。同时也有研究者使用回归模型预测孟买港口的货运量，并对影响货运量的因素进行了简单的弹性分析，这种预测模型不仅考虑了集装箱吞吐量的时间序列，而且研究了相关影响因素对集装箱吞吐量的影响，从而有效地提高了预测精度。但是，这种具有因果分析理论基础的模型需要确保输入指标和相关变量的完整性，它们不能准确地捕获动态非线性数据的趋势。

　　3.实验结果分析

　　在本研究中，在观察港口集装箱吞吐量时间序列时有一定的周期性。本文以天津港为例来预测集装箱吞吐量。根据预测结果，如图1所示，港口集装箱吞吐量显示出更明显的周期性变化。一月份，集装箱吞吐量将降至一年中的最低值。夏季将升至一年中的最高值，机器学习预测模型可以准确地捕获容器吞吐量的周期性变化，历史经济和港口运输信息可用于准确预测下个月港口集装箱吞吐量的变化。为了评估机器学习模型在港口集装箱吞吐量预测中的预测性能，本研究将机器学习预测模型与其他预测模型进行了比较。在实验中，总共进行了五组比较实验，最终结果示于表1。

　　表1 机器学习预测模型结果

　　另外，在实验中将每个预测模型与小波模型结合。应该注意的是，该模型通过小波获得信息的预测结果要好于没有小波的模型。具体而言，小波的DB函数可以更好地分解时间序列数据的变化，这更有利于模型从复杂数据集中获取信息。另外，可以看出，容器吞吐量的预测不仅可以通过引入更复杂的预测机制来提高容器吞吐量的预测性能，而且可以改善原始数据的输入。

　　图1 集装箱吞吐量预测结果分析

　　4.实验结论

　　随着集装箱运输环境的不断变化，导致港口拥堵和运输能力不足，这将造成巨大的经济损失和时间成本。因此，根据集装箱运输过程中的内外部环境变化，准确预测未来集装箱吞吐量将有助于减少港口资源浪费和装卸时间，灵活规划港口规模，促进发展。在这项研究中，基于机器学习的方法建立了一个集装箱吞吐量预测模型，以预测港口集装箱的吞吐量。研究总结如下：

　　(1)本研究在模型中使用机器学习预测模型来获得更准确的港口集装箱吞吐量预测。与其他预测模型相比，预测的MAPE低至7.74%。与复杂且具有高计算成本的模型相比，该方法更适合于具有非线性时间序列变化的预测环境。因此，机器学习预测模型在港口集装箱吞吐量的预测中具有较高的准确性和应用价值。

　　(2)通过误差分析(MAE，RMSE，MAPE)，机器学习预测模型的预测误差低于本研究中的其他模型(例如线性回归，多元线性规划，SARIMA，ARIMA)。尽管所提出的机器学期模型在预测方面具有令人满意的性能，但仍有一些领域需要改进。例如，为了提高异常突变值的预测精度，可以使用更多的输入参数，例如不同的行业和天气指数以及不同的时间标度序列。C

　　(作者单位：天津理工大学管理学院)

　　参考文献

　　[1]叶子奇，蒋惠园,冯琪等.基于GA-SVM 模型的长江干线港口集装箱需求量预测[J].水运管理，2018,40(4):18-22.

　　[2]吴琛.基于时间序列模型的港口集装箱吞吐量预测[J].珠江水运，2019(5):73-74.

　　[3]张树奎，鲁子爱.港口集装箱吞吐量的灰色神经网络预测模型研究[J].江苏科技大学学报：自然科学版，2014,28(3):216-219.

　　[4]吴琛.基于时间序列模型的港口集装箱吞吐量预测[J].珠江水运，2019(5):73-74.