基于SVM和混沌時間序列的干散貨運價指數(shù)預測研究.pdf

1、作為干散貨航運市場的“晴雨表”，干散貨運價指數(shù)反映了干散貨運輸市場的運價水平。由于受到多種因素的影響，近年來干散貨運價指數(shù)始終處于劇烈波動之中，且走勢難以琢磨，表現(xiàn)出了復雜的非線性特征，傳統(tǒng)的預測方法難以取得良好的預測效果，這也給干散貨航運市場經營者的決策帶來了困難。
　　 干散貨運價指數(shù)波動劇烈，蘊含了國際干散貨航運市場長期以來的演化信息。本文在深刻分析干散貨運價指數(shù)波動的內在規(guī)律及外在影響的基礎上，提出結合混沌時間序列分析和

2、支持向量機(Support Vector Machine，SVM)回歸原理的混合預測模型，對干散貨運價指數(shù)(Baltic Dry Index，BDI)進行了有效地預測。
　　 本文首先對國際干散貨航運的供需市場進行深入分析，揭示了干散貨市場運價波動的內在原因。其次，文中闡述了干散貨運價指數(shù)的成因及航線構成，并對運價指數(shù)的影響因素及波動性進行了定性分析，為選擇適當?shù)念A測方法奠定了基礎。鑒于干散貨運價指數(shù)的非線性特征，本文提出了結合

3、混沌時間序列分析的相空間重構和支持向量機(SVM)的混合預測模型，探討并闡述了混合模型的預測原理及建模思路。接著，本文在對混合預測模型關鍵參數(shù)的選取進行系統(tǒng)分析的基礎上，建立了參數(shù)聯(lián)合優(yōu)化問題的數(shù)學模型，并采用遺傳算法對該優(yōu)化問題進行求解。最后，選取BDI月度均值進行實證分析，對BDI樣本序列進行混沌性識別，驗證混合預測模型的可行性;對樣本序列進行噪聲平滑等處理，通過構建混合預測模型對數(shù)據(jù)處理后的BDI序列進行單步和多步預測，在單步預測