跳到主要內容

臺灣博碩士論文加值系統

(34.204.169.230) 您好!臺灣時間:2024/03/03 02:06
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:吳姿儀
論文名稱:支持向量迴歸建構高雄港運量之預測模型
論文名稱(外文):Establishing the Prediction Model of Container Throughput in Kaohsiung Port with Support Vector Regression
指導教授:劉霈陳世晃陳世晃引用關係
口試委員:洪境聰
口試日期:2014-06-16
學位類別:碩士
校院名稱:逢甲大學
系所名稱:運輸科技與管理學系
學門:運輸服務學門
學類:運輸管理學類
論文種類:學術論文
論文出版年:2014
畢業學年度:102
語文別:中文
論文頁數:102
中文關鍵詞:貨櫃量預測SARIMA支持向量迴歸
相關次數:
  • 被引用被引用:4
  • 點閱點閱:368
  • 評分評分:
  • 下載下載:65
  • 收藏至我的研究室書目清單書目收藏:1
經濟環境全球化,海上貨物運送亦有貨櫃化趨勢,因此各國港口逐漸轉為深水港,以利作為軸心港,成為各國貨櫃運送之轉運中心。高雄港為台灣第一大港口,為了瞭解高雄港經營現況及如何因應經濟環境之變遷,運用預測結果,評估高雄港貨櫃起重設備及裝卸效率是否需要調整,本研究預測高雄港貨櫃裝卸量,資料類別為月資料及季資料,資料期間為1985年1月至2013年12月,共計348筆月資料及116筆季資料,研究方法分別為季節性自我迴歸整合移動平均(SARIMA)、支持向量迴歸(SVR)及遺傳規劃法(GP)共三種。最後運用平均絕對誤差百分比誤差(MAPE)作為指標,評估各模式預測績效。本研究運用高雄港貨櫃裝卸量歷史資料進行三種預測方法之比較,研究結果顯示,使用SARIMA模是誤差約為3.8~5.1%,GP模式則因資料變動較大,模式無法良好收斂,因此無法以GP預測貨櫃裝卸量,SVR之預測結果誤差為0.01~0.05%,SVR預測核函數以Radial Basis Function (RBF)最佳。針對下年度(2014年)之預測結果,而SVR各月誤差較小,但無法預測出2月農曆年之變動,因此整體誤差較SARIMA差,SARIMA能準確預測出季節特性。依據高雄港官方提供之貨櫃起重設備數量及工作時數,計算各年貨櫃裝卸效率,近十年平均裝卸效率達51TEU,最後以SVR及SARIMA預測結果分析高雄港貨櫃裝卸效率,以目前現有之設備,若要順利裝卸所有貨櫃,平均每機每小時需達到60TEU。因此建議高雄港需增加貨櫃碼頭及貨櫃起重設備,以降低每機每小時,不僅可降低船舶等待之時間,提高效率亦可吸引各國進入高雄港作為轉口港。
Container is the most popular tool of marine cargo, and the container throughput is also an important index to evaluate port’s performance and forecast the trend in future. The objective of this study is forecasting the container throughput in Kaohsiung Port, and the result of prediction will be used to understand the Kaohsiung Port situation and make the operation strategic in the future. The data unit were month and quarter, the data was from January 1985 to December 2013, total number month data was 384, and total number of quarter data is 116. The approach included Seasonal Auto Regression Integrated Moving Average, Support Vector Regression, and genetic Programming, were utilized to build up the forecasting model. The Mean Absolute Percentage Error (MAPE) was used to estimate the performance of predict model. Observation of three forecast model, the MAPE of SARIMA model is about 3.5% to 5.1%, the MAPE of GP model is too large to accept, and the MAPE of SVR is only 0.01~0.05%. The best kernel function of SVR is Radial Basis Function (RBF). According the forecasting result of 2014, compared with SARIMA, the SVR model own the better accuracy month forecasting capacity, and the SARIMA model could predict the quarter trend very well. Based the recent ten years historical data, the average container throughput conductivity of Kaohsiung Port is 51 TEU per hour. According to two best models forecasting results and all facilities in Kaohsiung port, the container throughput conductivity should be over 60 TEU, and it is almost impossible to reach. For solving this challenge, the administration should construct couples new piers and facilities as soon as possible, the vessel waiting time would be reduced, and it would be helpful to let Kaohsiung port to be the important Hub around world.
目錄 v
圖目錄 viii
表目錄 x
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 4
1.3 研究範圍 5
1.4 研究內容 5
1.5 研究流程 6
第二章 文獻回顧 8
2.1需求預測之相關研究 8
2.1.1 遺傳規劃法在需求預測之相關研究 8
2.1.2 SARIMA在需求預測之相關研究 11
2.1.3 類神經網路在需求預測之相關研究 13
2.2支持向量回歸需求量預測之應用 16
2.2.1 SVR於海運需求量預測之應用 16
2.2.2 SVR於陸運需求量預測之應用 17
2.2.3 SVR於空運需求量預測之應用 19
2.2.4 SVR於其他需求量預測之應用 22
2.3 預測理論相關文獻 23
2.3.1 預測的基本性質 23
2.3.2 預測方法的選取原則 25
2.4 小結 27
第三章 研究方法 28
3.1 研究架構 28
3.2 運量預測模型 29
3.2.1 SVR模型 29
3.2.2 拉格朗奇乘算子 32
3.2.3 核函數 33
3.3 遺傳規劃法 33
3.4 SARIMA 40
3.5 預測誤差之評估準則 43
第四章 模式建立與分析 44
4.1 高雄港貨櫃裝卸量市場之分析 44
4.2 資料描述 46
4.3 參數設定 47
4.4 SVR建構高雄港貨櫃裝卸量 47
4.4.1 高雄港貨櫃裝卸量預測模式之月資料建構結果 47
4.4.2 高雄港貨櫃裝卸量預測模式之季資料建構結果 50
4.5 SARIMA建構高雄港貨櫃裝卸量 53
4.5.1 高雄港貨櫃裝卸量預測模式之月資料建構結果 53
4.5.2 高雄港貨櫃裝卸量預測模式之季資料建構結果 55
4.6 GP建構高雄港貨櫃裝卸量 57
4.6.1 高雄港貨櫃裝卸量預測模式之月資料建構結果 57
4.6.2 高雄港貨櫃裝卸量預測模式之季資料建構結果 58
4.7 高雄港貨櫃裝卸量預測結果 59
第五章 貨櫃營運效率分析 67
5.1 基隆港 67
5.2 台中港 69
5.3 高雄港 71
5.4 高雄港未來營運效率分析 73
5.4.1 高雄港歷年貨櫃裝卸效率之分析 73
5.4.2 分析SVR預測結果之貨櫃裝卸效率 80
5.4.3 分析SARIMA預測結果之貨櫃裝卸效率 82
5.5 小結 84
第六章 結論與建議 85
6.1結論 85
6.2建議 86
參考文獻 87
[1]曾志煌、陳一昌、林美霞、徐順憲、陳素惠、蕭清木、鄭國璘、鄭樂堯、蔡瑞鉉、沈世婷、王世俠、張淑滿,「臺灣地區商港整體發展規劃(101~105 年)」,交通部運輸研究所,2011
[2]洪瑞霙,「東南亞與歐洲重點航線運量預測模式之建構」,逢甲大學運輸科技與管理學系研究所碩士論文,2011。
[3]古桂菊、許承先、劉介宇,「台灣地區境外移入登革熱病例之時間數列分析」,輔仁醫學期刊第8卷第4 期,頁199-208,2010
[4]王賢崙、陳俊諺、范聖義、顧聖傑,「應用時間序列法於港埠運量預測之研究─以中國國際港埠為例」,明新學報第1期,頁101-115,2010。
[5]謝慧婷,「以支持向量回歸及遺傳規劃法建構台灣散裝大宗貨物進行預測」,逢甲大學運輸科技與管理學系專題研究報告書,2009。
[6]鍾孟蓉,「應用支持向量迴歸及Holt-Winter建構兩岸往來人數之預測模式」,逢甲大學運輸科技與管理學系專題研究報告書,2009。
[7]李婉婷,「機場運量需求預測模式之研究─南部國際機場」,國立高雄大學都市發展與建築研究所碩士論文,2009。
[8]楊慧華、張其教、洪莉媖、吳天心,「兩岸三地航空貨運需求量預測模式建構與評估」,稻江學報第三卷第三期,2009。
[9]蘇盈如,「以遺傳規劃法、倒傳遞類神經網路及SARIMA建構台灣海港營運量預測模式」,逢甲大學運輸科技與管理學系專題研究報告書,2008。
[10]鍾彥妍,「東南亞主要貨櫃港口之櫃量預測與競爭因素評估─灰色理論之應用」,國立高雄海洋科技大學航運管理研究所碩士論文,2008。
[11]林虹伶,「以遺傳規劃及模糊時間序列建構兩岸往返旅客數預測模式」,逢甲大學運輸科技與管理學系專題研究報告書,2008。
[12]柯旻嬋、邱煜勝、劉秋蘭、馬偉誠,「台灣高鐵運輸需求預測及對運輸市場的衝擊分析研究」,逢甲大學學生報告,2007。
[13]蔡宗憲、李治綱、魏健宏,「短期列車旅運需求之類神經網路預測模式建構與評估」,運輸計畫季刊第三十五卷第四期,頁475-506,2006。
[14]游智元,「時間序列方法於台鐵短期旅運需求預測之研究」,國立成功大學交通管理科學研究所碩士論文,2006。
[15]林東慶,「以灰色理論和類神經網路預測航空客貨運量之變化」,國立成功大學民航研究所碩士論文,2006。
[16]朱金元、謝幼屏、王克尹,「國內各國際港埠船舶進出港操作效率比較分析」,交通部運輸研究所,2006
[17]林佳慧,「台灣國際航空貨運量之預測」,國立高雄第一科技大學運籌管理系碩士論文,2005。
[18]樂美龍、方奕,「基於遺傳規劃方法的集裝箱吞吐量預測」,上海交通大學學報,2003。
[19]陳寬裕、何嘉惠、蕭宏誠,「應用支援向量迴歸於國際旅遊需求之預測」,旅遊管理研究第四卷第一期,頁8 1- 9 7,2004。
[20]許純君,預測的原則與應用,台灣西書出版社,1999
[21]吳柏林,時間數列分析導論,華泰書局,1995。
[22]公共工程電子報 2012年3月
[23]Gong, Jun; Qi, Li; Liu, Mingyue; Chen, Xiuyang, “Forecasting urban traffic flow by SVR” 2013 25th Chinese Control and Decision Conference, CCDC 2013, p 981-984, 2013
[24]Weipeng Zhang; Suqin Zhao, “Forecasting Research on the Total Volume of Import and Export Trade of Ningbo Port by Gray Forecasting Model” JOURNAL OF SOFTWARE, VOL. 8, NO. 2, pages 466-471 FEBRUARY 2013
[25]Li, Xin; Lu, Huapu, “The research of forecasting model of cargo based on two different methods” ICCTP 2011: Towards Sustainable Transportation Systems - Proceedings of the 11th International Conference of Chinese Transportation Professionals, p3820-3826, 2011
[26]Russo, Suzana Leitao; Camargo, Maria Emilia; Fabris, Jonas Pedro; Munhoz, Pelayo Olea; Klidzio, Rejane, “The comparative study of the flow of trucks in the ports of uruguaiana and foz of iguacu” 16th ISSAT International Conference on Reliability and Quality in Design, p 352-356, 2010
[27]Qu, Lili; Chen, Yan; Qin, Shengjun; Liu, Shuyong “An ensemble forecasting model for port throughput” 2010 2nd International Conference on Industrial and Information Systems, IIS 2010, v 2, p 117-120, 2010
[28]Wu, Dengfeng; Pan, Xuhua, “Container volume forecasting of Jiujiang port based on SVM and Game Theory” 2010 International Conference on Intelligent Computation Technology and Automation, ICICTA 2010, v1, pages 1035-1038, 2010
[29]Shian-Chang Huang, Pei-Ju Chuang, Cheng-Feng Wu, Hiuen-Jiun Lai, “Chaos-based support vector regressions for exchange rate forecasting”, Expert Systems with Applications, Volume 37, Issue 12, Pages 8590-8598, 2010.
[30]Chi-Yuan Yeha, Chi-Wei Huanga and Shie-Jue Lee, “A multiple-kernel support vector regression approach for stock market price forecasting”, Expert Systems with Applications, In Press, Corrected Proof, 2010.
[31]Jinxing Chea, and Jianzhou Wang, “Short-term electricity prices forecasting based on support vector regression and Auto-regressive integrated moving average modeling”, Energy Conversion and Management, Volume 51, Issue 10, 1911-1917, 2010.
[32]António Samagaio, Mark Wolters, “Comparative analysis of government forecasts for the Lisbon Airport”, Journal of Air Transport Management, Volume 16, Issue 4, 213-217, 2010.
[33]Heng, Hong-Jun;Zheng, Bing-Zhong;Li, Ya-Jing, “Study of SVM-based air-cargo demand forecast model” CIS 2009-2009 International Conference on Computational Intelligence and Security, v 2, p 53-55,2009
[34]Chi-Jie Lu, Tian-Shyug Lee, Chih-Chou Chiu, “Financial time series forecasting using independent component analysis and support vector regression”, Decision Support Systems, Volume 47, Issue 2, 115-125, 2009.
[35]Kuan-Yu Chen, Cheng-Hua Wang, “Support vector regression with genetic algorithms in forecasting tourism demand”, Original Research Article Tourism Management, Volume 28, Issue 1, 215-226, 2007.
[36]John R. Koza, Martin A. Keane, Matthew J. Streeter, William Mydlowec, Jessen Yu, Guido Lanza, “Genetic programming IV : routine human-competitive intelligence”, Springer, 32-32, 2005.
[37]Eddie C. M. Hui; William Seabrooke; Gordon K. C. Wong, “Forecasting Cargo Throughput for the Port of Hong Kong: Error Correction Model Approach “ Journal of Urban Planning and Development, v 130, n 4, p 195-203, December 2004
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top