一种基于时间分频子序列的干散货船租金预测方法

1.本发明涉及航运领域，尤其是涉及一种基于时间分频子序列的干散货船租金预测方法。


背景技术：

2.随着新一轮科技革命和产业变革孕育兴起，数据已经成为关键生产要素。航运业作为国际贸易发展的重要保障，可将世界各个国家与地区联系起来，并对实现相互之间技术、经济、贸易的沟通交往，具有重要的作用。
3.国际干散货运输市场是国际贸易的派生市场，其运价由供需共同决定。由于运力供给与需求不仅受经济发展因素和政治条件影响、还会受到自然条件等客观因素的影响，因此国际干散货运输市场成为一个波动性非常剧烈的市场。如何运用有效的方法对干散货航运市场未来的变化趋势进行精度较高的预测，将会帮助企业甚至整个航运业决策层进行商业决策、规避市场风险，提高经济效益。
4.干散货航运市场运价的预测由于受制于诸多因素的影响，因此预测市场运价就显得非常困难。一方面，其内部市场竞争激烈，追求规模效益的船舶大型化、不断投入的新船、造船技术持续革新在扩大运力的供需矛盾的同时，引发了更激烈的竞争。另一方面，外部的各种因素：国际政治、经济周期、自然因素都在导致干散货航运市场的不稳定。更为重要的是，互联网科技发展的大趋势倒逼航运市场不得不进行数字化转型，以满足市场供需矛盾的竞争。目前对航运运价指数波动的预测研究的主要研究方法包括计量统计学方法、机器学习方法和时频分析方法三类。
5.早期航运运价波动分析方法大多以统计学和计量经济学原理为基础，利用时间序列分析方法进行运价波动性分析，这种方法未考虑到影响运价供需的因素，无法与运力供应实时变化相结合，所得到的数据不够准确。随着研究的深入，有学者从影响运价供需变化的各种指标入手寻找运价预测的新方法，2010年以后出现以机器学习方法对运价进行预测的研究，如神经网络方法等。


技术实现要素：

6.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于时间分频子序列的干散货船租金预测方法，采用机器学习方法对运价进行预测研究，实现了对纷繁复杂的干散货航运市场多要素、多维度的跟踪、预测和决策，具备高频、精细、超时间跨度的预测能力。
7.本发明的目的可以通过以下技术方案来实现：
8.一种基于时间分频子序列的干散货船租金预测方法，包括以下步骤：
9.s1获取与bdi(波罗的海干散货)指数预测相关的多种指标，并与bdi指数进行相关性分析，筛选出重要的特征作为预测bdi指数的相关指标；
10.s2利用emd经验模态分解方法对bdi指数进行分频，通过特定算法整合为高中低频
三种数据；
11.s3基于步骤s1和步骤s2，通过机器学习方法将相关指标和分频数据放入模型进行预测，分别得到各分频的预测值；
12.s4对于步骤s3中的各分频预测值进行综合重构，得到综合预测值。
13.进一步地，所述的步骤s1中获取与bdi指数预测相关的多种指标包括：利用ais(船舶自动识别系统)算法模型得到的ais衍生指标、运力供给指标、运力需求指标、经济指标等。
14.进一步地，所述的步骤s1中获取的多种指标与bdi指数进行相关性分析具体为基于spark分布式计算框架，使用开源分布式nosql数据库存储船舶轨迹数据，相关算法包括q-dp船舶轨迹压缩算法、船舶轨迹相似性算法、船舶行为自动识别算法、船舶预计抵港精确预测算法和船舶空重载识别算法。
15.进一步地，所述的步骤s2中通过使用emd经验模态分解方法对bdi指数进行频率分解，获得高频、中频和低频三个子时间序列，分别代表短期市场供需、淡旺季影响和航运市场周期影响。
16.进一步地，所述的步骤s2中利用emd经验模态分解方法对bdi指数进行分频时加入了对不同时间颗粒度特征数据的处理，对特征数据统一时间颗粒度，采取最小二乘法拟合的方式对周、月以及季度特征的时间颗粒度转化为按照天统计的特征，与预测序列保持一致。
17.进一步地，所述的步骤s2中通过特定算法整合数据时加入了对特征数据的再构建，对某个特征序列通过时间窗口进行特征提取，包括最大值、最小值、均值以及平方特征。
18.进一步地，所述的步骤s3中利用机器学习方法建立预测模型，具体为通过互信息判定来进行特征筛选，利用xgboost机器学习算法找到先行变化指标，并按照预先设定的周期纳入对未来某一时刻价格的预测之中。
19.进一步地，所述的ais衍生指标包括：在港船舶数量、在港船舶运力、船舶在港平均停泊时间、压港船舶数量以及船舶平均平稳航速。
20.进一步地，所述的ais衍生指标根据2019-2020年的ais数据形成的中间数据和已有的港口和船舶数据计算得出。
21.进一步地，所述的中间数据由ais数据进行压缩，清洗，筛选计算得来。
22.与现有技术相比，本发明具有以下有益效果：
23.1.本发明通过利用ais算法模型得到的ais衍生指标对各序列中的运力供需波动因素进行分析，这些指标颗粒度会精细到每天和对应船舶的航线，该方法可以更好的将运力供应实时变化情况与bdi指数预测结合起来。
24.2.本发明通过机器学习方法将相关指标和分频数据放入模型进行预测，分别得到各分频的预测值，根据所得到的预测值，预测模型可以提供以日为颗粒度的精细价格预测，相比传统以周、月为周期的预测更为精细、更为高效。
25.3.本发明通过利用emd经验模态分解方法对bdi指数进行分频，通过特定算法整合为高中低频三种数据，分别代表短期市场供需、淡旺季影响和航运市场周期影响，相比较传统以统计学和计量经济学原理进行航运运价波动分析的方法，处理数据的能力更强，减少了处理数据所花费的时间，更加具有实用性。
附图说明
26.图1为本发明的流程示意图；
27.图2为本发明的结构示意图；
28.图3为预测逻辑结构示意图；
29.图4为预测模型技术路线示意图。
具体实施方式
30.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
31.如图1所示为一种基于时间分频子序列的干散货船租金预测方法的流程示意图，包括：
32.s1获取与bdi(波罗的海干散货)指数预测相关的多种指标，并与bdi指数进行相关性分析，筛选出重要的特征作为预测bdi指数的相关指标；
33.s2利用emd经验模态分解方法对bdi指数进行分频，通过特定算法整合为高中低频三种数据；
34.s3基于步骤s1和步骤s2，通过机器学习方法将相关指标和分频数据放入模型进行预测，分别得到各分频的预测值；
35.s4对于步骤s3中的各分频预测值进行综合重构，得到综合预测值。
36.如图2和图3所示，一种基于时间分频子序列的干散货船租金预测方法，包括以下步骤：
37.s1获取与bdi指数预测相关的多种指标，并与bdi指数进行相关性分析，筛选出重要的特征作为预测bdi指数的相关指标；
38.s11用cape船舶的档案数据与ais数据进行匹配，得到cape的历史轨迹数据，连同港口水域、锚地、码头岸线泊位和标定数据代入船舶在港状态识别模型，形成cape事件库。对cape靠泊、进港、离港等记录进行统计计算，得出cape的抵离港时间、航次挂靠港口、航行距离、航行时间和航段速度，港口作业时间；船舶静态信息库和cape船舶事件库的数据结合一起，代入船舶吃水计算模型，得出船舶吃水情况和装卸货数量；
39.s12用cape船舶的档案数据与ais数据进行匹配，得到cape的历史轨迹数据，连同港口水域、锚地、码头岸线泊位、标定数据代入船舶在港状态识别模型，计算出cape挂靠港口清单；对货物基础信息进行整理，货流口岸信息整理，根据mmsi与cape与船舶档案对应库，对货物分节点进行信息整合，对照标定数据和挂靠港口数据，统计出cape的货物流向和流量；
40.s13通过提取中cape船舶动态数据，获得船舶航行速度，同时计算船舶停泊事件信息，获取船舶停泊港口数据以及在港时间，根据停泊事件建立港与港之间的停泊表，通过对相同类型船舶的历史轨迹进行计算得到相应的经验模型，经过大量船舶历史轨迹的学习使模型具备一定的精度，输入船舶信息，筛选船舶停泊数据，得到船舶轨迹数据，通过航线聚类算法拟合航线信息，最终得到对船舶航线与预计抵港时间的预测。
41.s2利用emd经验模态分解方法对bdi指数进行分频，通过特定算法整合为高中低频
三种数据；
42.emd经验模态分解方法具体为，经验模态分解(empirical mode decomposition，简称emd)是依据数据自身的时间尺度特征来进行信号分解。emd方法在理论上可以应用于任何类型的信号的分解，将bdi指数的时间序列进行emd分解，按高频(日)、中频(月和季)、低频(年)分别建模，分析bdi指数的变化序列，研究不同频率bdi指数的变化周期，根据bdi自身的变化对趋势进行预测。
43.s3基于步骤s1和步骤s2，通过机器学习方法将相关指标和分频数据放入模型进行预测，分别得到各分频的预测值；
44.所述的高频和中频序列采用有监督学习类型的xgboost机器学习算法，xgboost是对梯度提升算法的改进，求解损失函数极值时使用了牛顿法，将损失函数泰勒展开到二阶，另外损失函数中加入了正则化项。低频采用无监督学习类型的三次指数平滑法。
45.s4对于步骤s3中的各分频预测值进行综合重构，得到综合预测值。
46.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。