一种基于时间分频子序列的干散货船租金预测方法

技术特征：
1.一种基于时间分频子序列的干散货船租金预测方法，其特征在于，包括以下步骤：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；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；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；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。2.根据权利要求1所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，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。3.根据权利要求1所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，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。4.根据权利要求1所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，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。5.根据权利要求1所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，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。6.根据权利要求1所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，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。7.根据权利要求1所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，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。8.根据权利要求2所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，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。9.根据权利要求8所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，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。10.根据权利要求9所述的一种基于时间分频子序列的干散货船租金预测方法，其特征在于，所述的中间数据由ais数据进行压缩，清洗，筛选计算得来。

技术总结
本发明涉及一种基于时间分频子序列的干散货船租金预测方法，其特征在于，包括以下步骤：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；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；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；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。与现有技术相比，本发明具有预测准确率高、时间跨度大和预测更精细等优点。时间跨度大和预测更精细等优点。时间跨度大和预测更精细等优点。


技术研发人员：徐凯 郭胜童 孙鑫 郑智方 李燕 常柱 张敏 李思耕
受保护的技术使用者：上海海事大学
技术研发日：2022.10.25
技术公布日：2023/1/13