基于粒度计算与模糊规则的钢卷仓储吞吐量长期预测*

姬 克, 黄细霞, 卢占标, 鲍佳松

(上海海事大学 航运技术与控制工程交通行业重点实验室,上海 201306)

0 引 言

为了提高钢铁物流的运输效率,避免出现堆积和空置的现象,有必要对钢卷仓储吞吐量进行预测。时间序列是按时间排列、随时间变化且相互关联的数据,因其延续性可以对历史数据进行建模分析,实现对未来数据的预测。目前,吞吐量预测使用较为广泛的方法是时间序列法和神经网络。

文献[1]将模糊信息粒化理论用于提升时序预测框架的效率和精度,为解决模糊性问题提供了一种解决思路。文献[2]通过分析与港口货物吞吐量相关的多种因素,构建多元回归方程,建立ARIMA模型对青岛港未来10年货物吞吐量进行了预测；文献[3]针对港口集装箱吞吐量数据非线性的特点,利用ARIMA模型预测10个月后的吞吐量数据;文献[4]使用经验模态分析(empirical mode decomposition,EMD)算法和SARIMA算法将时间序列分解,结合(support vector regression,SVR)算法对不同的分量进行预测,再将分量相加得到最终的预测值,为吞吐量的预测提供了新的解决思路;文献[5]通过SARIMA和人工精神网络(atificial neural networks,ANNs)模型将港口吞吐量数据分为线性和非线性部分进行预测,通过混合模型实现对吞吐量的预测;文献[6]建立基于时间序列的港口货物吞吐量广义回归神经网络预测模型,实现对港口货物吞吐量的分析和预测,将小波神经网络首次应用于港口集装箱吞吐量预测。

在基于数据的长期预测方面,文献[7]使用径向基函数神经网络进行风速长期预测,并分别分析了其线性和非线性模式;文献[8]中构造了一种结合模糊集、遗传算法和最小二乘支持向量机的混合模型,用于长期商业周期预测。……