基于DKELM选择性深度集成的集装箱吞吐量预测模型研究

doi:10.16381/j.cnki.issn1003-207x.2023.0902

中国管理科学 ›› 2025, Vol. 33 ›› Issue (10): 24-35.doi: 10.16381/j.cnki.issn1003-207x.2023.0902

基于DKELM选择性深度集成的集装箱吞吐量预测模型研究

寇宇轩¹, 李思涵², 刘敦虎³, 李若依⁴, 黄静⁵, 肖进²^,⁶()

^1.澳门科技大学商学院，澳门特别行政区 999078
^2.四川大学商学院，四川成都 610064
^3.成都信息工程大学管理学院，四川成都 610225
^4.芝加哥大学哈里斯公共政策学院，美国芝加哥 60637
^5.四川大学公共管理学院，四川成都 610065
^6.四川大学管理科学/运筹学研究所，四川成都 610064

收稿日期:2023-06-01 修回日期:2024-03-26 出版日期:2025-10-25 发布日期:2025-10-24
通讯作者: 肖进 E-mail:xjxiaojin@126.com
基金资助:
国家自然科学基金面上项目(72171160);国家自然科学基金面上项目(71974139);国家自然科学基金面上项目(71974020);四川省“天府万人计划项目”(0082204151153);四川大学国家领军人才培育基金项目(sksyl2021-03)

A DKELM-based Selective Deep-ensemble Model for Container Throughput Forecasting

Yuxuan Kou¹, Sihan Li², Dunhu Liu³, Ruoyi Li⁴, Jing Huang⁵, Jin Xiao²^,⁶()

^1.School of Business，Macao University of Science and Technology，Macao 999078，China
^2.Business School，Sichuan University，Chengdu 610064，China
^3.School of Management，Chengdu University of Information Technology，Chengdu 610225，China
^4.Harris School of Public Policy，The University of Chicago，Chicago 60637，U. S.
^5.School of Public Administration，Sichuan University，Chengdu 610065，China
^6.Management Science and Operations Research Institute，Sichuan University，Chengdu 610064，China

Received:2023-06-01 Revised:2024-03-26 Online:2025-10-25 Published:2025-10-24
Contact: Jin Xiao E-mail:xjxiaojin@126.com

摘要/Abstract

摘要：

随着国际贸易的蓬勃发展，港口集装箱化水平不断提高，集装箱吞吐量成为衡量一个港口在全球商业管理和工业发展方面的关键指标，构建有效的时间序列预测模型来准确预测港口集装箱吞吐量至关重要。本研究提出了基于深度核极限学习机（DKELM）选择性深度集成的集装箱吞吐量预测模型（DSDE）。首先，采用优化变分模态分解法，将原始时间序列分解成若干个本征模函数分量；然后，考虑到分解后的本征模函数大都是高度非线性的，构建不同核函数的DKELM作为基准模型进行预测；进一步引入新的数据分组处理技术（eMIA-GMDH）在每个本征模函数上进行选择性深度集成；最后，整合全部预测结果得到最终的预测结果。为了验证本文构建的预测模型效果，引入4种评价指标在6个港口的集装箱吞吐量月度数据集上进行实证研究。实验结果显示，与3种基于单一深度学习的混合模型以及基于加权平均集成的混合模型相比，DSDE模型的预测性能更优。

关键词: 集装箱吞吐量, 混合预测模型, 深度神经网络, 选择性深度集成

Abstract:

With the rapid development of international trade and the continuous improvement of port containerization level， its throughput has become a key indicator to measure a port's global commercial management and industrial development. Therefore， it is very important to construct an effective time series forecasting model to accurately predict port container throughput. A DKELM-based selective deep-ensemble model is proposed for container throughput forecasting （DSDE）. Firstly， the original time series is decomposed by the optimized variational modal decomposition method， and several intrinsic mode functions are obtained. Then， considering that most of the decomposed intrinsic functions are highly nonlinear， DKELM of different kernel functions is constructed as the benchmark model for prediction. Further， the new enhanced multilayered iteration algorithm of the group method of data handling （eMIA-GMDH） is introduced to carry out the selective deep ensemble on each intrinsic mode function. Finally， the final forecasting result is obtained by integrating all the forecasting results. To verify the effect of the forecasting model constructed in this paper， four evaluation indexes are introduced to carry out empirical analysis on the monthly container throughput data set of six ports. Through experiments， it can be concluded that the performance of DSDE is better than that of the three hybrid models based on a single model and the hybrid model based on the weighted average ensemble

Key words: container throughput, hybrid prediction model, deep neural network, selective deep ensemble

中图分类号:

F551

寇宇轩,李思涵,刘敦虎, 等. 基于DKELM选择性深度集成的集装箱吞吐量预测模型研究[J]. 中国管理科学, 2025, 33(10): 24-35.

Yuxuan Kou,Sihan Li,Dunhu Liu, et al. A DKELM-based Selective Deep-ensemble Model for Container Throughput Forecasting[J]. Chinese Journal of Management Science, 2025, 33(10): 24-35.

图/表 5

图1

图2

图3

图4

表1

参考文献 53

[1]	许利枝，汪寿阳. 集装箱港口预测研究方法：香港港实证研究［J］. 管理科学学报， 2015， 18（5）： 46-56.
	Xu L Z， Wang S Y. Analysis and forecasting methodology for container port： A case study of Hong Kong port［J］. Journal of Management Sciences in China， 2015， 18（5）： 46-56.
[2]	李德昌，杨华龙，宋巍，等. 考虑船舶速度偏差的集装箱班轮运输货运收益鲁棒优化［J］. 中国管理科学， 2023， 31（4）： 151-160.
	Li D C， Yang H L， Song W， et al. Freight revenue robust optimization for container liner shipping considering vessel sailing speed deviation［J］. Chinese Journal of Management Science， 2023， 31（4）： 151-160.
[3]	孟斌，张欣，匡海波，等. 基于政府调控的绿色智慧港口转型演化及扩散研究［J］. 中国管理科学， 2022， 30（8）： 21-35.
	Meng B， Zhang X， Kuang H B， et al. Study on the evolutionary game and diffusion of green smart port construction under government regulation［J］. Chinese Journal of Management Science， 2022， 30（8）： 21-35.
[4]	于少强，周钰博，陈康，等. 基于GRA-GA-BP神经网络的港口集装箱吞吐量预测模型［J］. 物流技术， 2022， 41（9）： 78-82.
	Yu S Q， Zhou Y B， Chen K， et al. Prediction model of port container throughput based on GRA-GA-BP neural network［J］. Logistics Technology， 2022， 41（9）： 78-82.
[5]	Chan H K， Xu S， Qi X. A comparison of time series methods for forecasting container throughput［J］. International Journal of Logistics Research and Applications， 2019， 22（3）： 294-303.
[6]	桂德怀，张显璇. 基于三次指数平滑法的上海港集装箱吞吐量预测分析［J］. 产业与科技论坛， 2020， 19（24）： 59-60.
	Gui D H， Zhang X X. Prediction and analysis of container throughput in Shanghai port based on cubic exponential smoothing method［J］. Industrial & Science Tribune， 2020， 19（24）： 59-60.
[7]	黎锁平，刘坤会. 平滑系数自适应的二次指数平滑模型及其应用［J］. 系统工程理论与实践， 2004， 24（2）： 95-99.
	Li S P， Liu K H. Quadric exponential smoothing model with adapted parameter and its applications［J］. Systems Engineering-Theory & Practice， 2004， 24（2）： 95-99.
[8]	潘婷，汪长江. 宁波舟山港货物吞吐量指数平滑预测分析［J］. 特区经济， 2018（6）： 94-95.
	Pan T， Wang C J. Analysis of Ningbo Zhoushan Port’s cargo throughput forecast based on exponential smoothing method［J］. Special Zone Economy， 2018（6）： 94-95.
[9]	汤霞，匡海波，郭媛媛，等. 基于VMD的中国出口集装箱运价指数分析与组合预测［J］. 系统工程理论与实践， 2021， 41（1）： 176-187.
	Tang X， Kuang H B， Guo Y Y， et al. Analysis and combined forecasting of China containerized freight index based on VMD［J］. Systems Engineering-Theory & Practice， 2021， 41（1）： 176-187.
[10]	董洁霜，潘杰，周亦威. 基于SARIMA模型的上海港集装箱吞吐量预测［J］. 中国水运， 2022（2）： 16-18.
	Dong J S， Pan J， Zhou Y W. Prediction of container throughput of Shanghai Port based on SARIMA model［J］. China Water Transport， 2022（2）： 16-18.
[11]	邹国焱，魏勇. 广义离散灰色预测模型及其应用［J］. 系统工程理论与实践， 2020， 40（3）： 736-747.
	Zou G Y， Wei Y. Generalized discrete grey model and its application［J］. Systems Engineering-Theory & Practice， 2020， 40（3）： 736-747.
[12]	曾波，李惠，余乐安，等. 季节波动数据特征提取与分数阶灰色预测建模［J］. 系统工程理论与实践， 2022， 42（2）： 471-486.
	Zeng B， Li H， Yu L A， et al. Feature extraction and fractional grey prediction modeling of seasonal fluctuation data［J］. Systems Engineering-Theory & Practice， 2022， 42（2）： 471-486.
[13]	Ghaderi H， Cahoon S， Nguyen H O. An investigation into the non-bulk rail freight transport in Australia［J］. Asian Journal of Shipping and Logistics， 2015， 31（1）： 59-83.
[14]	Sun J， Yu S. Research on relationship between port logistics and economic growth based on VAR： A case of Shanghai［J］. American Journal of Industrial and Business Management， 2019， 9（7）： 1557-1567.
[15]	Ni Y. Prediction of port container throughput based on grey prediction model： A case study of Shanghai port［J］. Academic Journal of Engineering and Technology Science， 2019， 2（5）： 13-20.
[16]	李永立，吴冲，罗鹏. 引入反向传播机制的概率神经网络模型［J］. 系统工程理论与实践， 2014， 34（11）： 2921-2928.
	Li Y L， Wu C， Luo P. Introducing the back-propagation into probabilistic neural network［J］. Systems Engineering-Theory & Practice， 2014， 34（11）： 2921-2928.
[17]	Zhang Y， Fu Y， Li G. Research on container throughput forecast based on ARIMA-BP neural network［J］. Journal of Physics： Conference Series， 2020， 1634（1）： 012024.
[18]	Huang A， Zhang Z， Shi X， et al. Forecasting container throughput with big data using a partially combined framework［C］//Proceedings of the 2015 International Conference on Transportation Information and Safety （ICTIS），Wuhan，China. June 25-28， 2015，IEEE， 2015： 641-646.
[19]	Tang S， Xu S， Gao J. An optimal model based on multifactors for container throughput forecasting［J］. KSCE Journal of Civil Engineering， 2019， 23（9）： 4124-4131.
[20]	Yang F， Li M， Huang A， et al. Forecasting time series with genetic programming based on least square method［J］. Journal of Systems Science and Complexity， 2014， 27（1）： 117-129.
[21]	Intihar M， Kramberger T， Dragan D. Container throughput forecasting using dynamic factor analysis and ARIMAX model［J］. PROMET - Traffic&Transportation， 2017， 29（5）： 529-542.
[22]	范厚明，孔靓，马梦知，等. 交箱序列不确定下的堆场箱位分配及多场桥调度优化［J］. 系统工程理论与实践， 2021， 41（5）： 1294-1306.
	Fan H M， Kong L， Ma M Z， et al. Storage space allocation and multi-yard cranes scheduling in terminal yard with container delivery time uncertain［J］. Systems Engineering-Theory & Practice， 2021， 41（5）： 1294-1306.
[23]	Huang A， Lai K， Li Y， et al. Forecasting container throughput of Qingdao port with a hybrid model［J］. Journal of Systems Science and Complexity， 2015， 28（1）： 105-121.
[24]	彭亚美，杨家其. 基于组合预测模型的武汉港集装箱吞吐量预测［J］. 物流技术， 2016， 35（3）： 132-134+138.
	Peng Y M， Yang J Q. Forecasting of Wuhan Port container throughput based on combination forecasting model［J］. Logistics Technology， 2016， 35（3）： 132-134+138.
[25]	Xiao Y， Xiao J， Wang S Y. A hybrid model for time series forecasting［J］. Human Systems Management， 2012， 31（2）： 133-143.
[26]	Mo L， Xie L， Jiang X， et al. GMDH-based hybrid model for container throughput forecasting： Selective combination forecasting in nonlinear subseries［J］. Applied Soft Computing， 2018， 62： 478-490.
[27]	Zha X， Chai Y， Witlox F， et al. Container throughput time series forecasting using a hybrid approach［C］//Proceedings of the 2015 Chinese Intelligent Systems Conference，Berlin， Heidelberg，January 1， Springer， 2016： 639-650.
[28]	Xie G， Zhang N， Wang S. Data characteristic analysis and model selection for container throughput forecasting within a decomposition-ensemble methodology［J］. Transportation Research Part E： Logistics and Transportation Review， 2017， 108： 160-178.
[29]	Schmidhuber J. Deep learning in neural networks： An overview［J］. Neural Networks， 2015， 61： 85-117.
[30]	肖进，李思涵，贺小舟，等. 代价敏感的客户流失预测半监督集成模型研究［J］. 系统工程理论与实践， 2021， 41（1）： 188-199.
	Xiao J， Li S H， He X Z， et al. Semi-supervised ensemble based on metacost model for customer churn prediction［J］. Systems Engineering-Theory & Practice， 2021， 41（1）： 188-199.
[31]	吴俊杰，刘冠男，王静远，等. 数据智能：趋势与挑战［J］. 系统工程理论与实践， 2020， 40（8）： 2116-2149.
	Wu J J， Liu G N， Wang J Y， et al. Data intelligence： Trends and challenges［J］. Systems Engineering-Theory & Practice， 2020， 40（8）： 2116-2149.
[32]	鄢澜，李思涵，肖毅，等. 基于Metacost的客户信用评估半监督异构集成模型研究［J］. 中国管理科学， 2022， 30（12）： 211-221.
	Yan L， Li S H， Xiao Y， et al. Metacost based semi-supervised heterogeneous ensemble model for customer credit scoring［J］. Chinese Journal of Management Science， 2022， 30（12）： 211-221.
[33]	Yang C H， Chang P Y. Forecasting the demand for container throughput using a mixed-precision neural architecture based on CNN-LSTM［J］. Mathematics， 2020， 8（10）： 1784.
[34]	肖进，文章，刘博，等. 基于选择性深度集成的集装箱吞吐量混合预测模型研究［J］. 系统工程理论与实践， 2022， 42（4）： 1107-1128.
	Xiao J， Wen Z， Liu B， et al. A hybrid model based on selective deep-ensemble for container throughput forecasting［J］. Systems Engineering-Theory & Practice， 2022， 42（4）： 1107-1128.
[35]	Dave E， Leonardo A， Jeanice M， et al. Forecasting Indonesia exports using a hybrid model ARIMA-LSTM［J］. Procedia Computer Science， 2021， 179： 480-487.
[36]	Lian J， Liu Z， Wang H， et al. Adaptive variational mode decomposition method for signal processing based on mode characteristic［J］. Mechanical Systems and Signal Processing， 2018， 107： 53-77.
[37]	Yang Y， Hong W， Li S. Deep ensemble learning based probabilistic load forecasting in smart grids［J］. Energy， 2019， 189： 116324.
[38]	Xiao J， Zhou X， Zhong Y， et al. Cost-sensitive semi-supervised selective ensemble model for customer credit scoring［J］. Knowledge-Based Systems， 2020， 189： 105118.
[39]	Buryan P， Onwubolu G C. Design of enhanced MIA-GMDH learning networks［J］. International Journal of Systems Science， 2011， 42（4）： 673-693.
[40]	Dragomiretskiy K， Zosso D. Variational mode decomposition［J］. IEEE Transactions on Signal Processing， 2014， 62（3）： 531-544.
[41]	张丰婷，杨菊花，任金荟，等. 基于优化变分模态分解和核极限学习机的集装箱吞吐量预测［J］. 计算机应用， 2022， 42（8）： 2333-2342.
	Zhang F T， Yang J H， Ren J H， et al. Container throughput prediction based on optimal variational mode decomposition and kernel extreme learning machine［J］. Journal of Computer Applications， 2022， 42（8）： 2333-2342.
[42]	罗宏远，王德运，刘艳玲，等. 基于二层分解技术和改进极限学习机模型的PM_2.5浓度预测研究［J］. 系统工程理论与实践， 2018， 38（5）： 1321-1330.
	Luo H Y， Wang D Y， Liu Y L， et al. PM_2.5 concentration forecasting based on two-layer decomposition technique and improved extreme learning machine［J］. Systems Engineering-Theory & Practice， 2018， 38（5）： 1321-1330.
[43]	Lv L， Wang W， Zhang Z， et al. A novel intrusion detection system based on an optimal hybrid kernel extreme learning machine［J］. Knowledge-Based Systems， 2020， 195： 105648.
[44]	Ding S， Zhang N， Zhang J， et al. Unsupervised extreme learning machine with representational features［J］. International Journal of Machine Learning and Cybernetics， 2017， 8（2）： 587-595..
[45]	Ismail Fawaz H， Forestier G， Weber J， et al. Deep learning for time series classification： A review［J］. Data Mining and Knowledge Discovery， 2019， 33（4）： 917-963.
[46]	Li J， Xi B， Du Q， et al. Deep kernel extreme-learning machine for the spectral-spatial classification of hyperspectral imagery［J］. Remote Sensing， 2018， 10（12）： 2036.
[47]	颜学龙，马润平. 基于深度极限学习机的模拟电路故障诊断［J］.计算机工程与科学，2019，41（11）： 1911-1918.
	Yan X L， Ma R P. Fault diagnosis of analog circuits based on deep extreme learning machine［J］. Computer Engineering & Science， 2019， 41（11）： 1911-1918.
[48]	Xiao J， Jia Y， Jiang X， et al. Circular complex-valued GMDH-type neural network for real-valued classification problems［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020， 31（12）： 5285-5299.
[49]	肖进，孙海燕，刘敦虎，等. 基于GMDH混合模型的能源消费量预测研究［J］. 中国管理科学， 2017， 25（12）： 158-166.
	Xiao J， Sun H Y， Liu D H， et al. GMDH based hybrid model for China’s energy consumption prediction［J］. Chinese Journal of Management Science， 2017， 25（12）： 158-166.
[50]	Onwubolu G C. GMDH-Methodology and Implementation in MATLAB［M］. London： World Scientific， 2016.
[51]	Li X， Ma X， Xiao F， et al. Time-series production forecasting method based on the integration of Bidirectional Gated Recurrent Unit （Bi-GRU） network and Sparrow Search Algorithm （SSA）［J］. Journal of Petroleum Science and Engineering， 2022， 208： 109309.
[52]	Shankar S， Ilavarasan P V， Punia S， et al. Forecasting container throughput with long short-term memory networks［J］. Industrial Management & Data Systems， 2019， 120（3）： 425-441.
[53]	Xi B， Li J， Li Y， et al. Multiscale context-aware ensemble deep KELM for efficient hyperspectral image classification［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021， 59（6）： 5114-5130.

港口	预测模型	RMSE	MASE	MAPE	Dstat
上海港	OVMD-DKELM-L	3.7214	0.0099	0.1970	0.8291
	OVMD-DKELM-G	3.7457	0.0096	0.1930	0.7826
	OVMD-DKELM-W	4.2422	0.0105	0.2113	0.8696
	OVMD-AVERAGE	3.6545	0.0098	0.1958	0.8696
	DSDE	2.2831	0.0038	0.1047	0.9565
深圳港	OVMD-DKELM-L	2.1587	0.0080	0.0962	0.9565
	OVMD-DKELM-G	3.6493	0.0141	0.1671	0.8696
	OVMD-DKELM-W	1.7591	0.0063	0.0749	0.9130
	OVMD-AVERAGE	2.2196	0.0080	0.0952	0.9565
	DSDE	1.2456	0.0032	0.0448	1.0000
广州港	OVMD-DKELM-L	3.4906	0.0164	0.2512	0.7391
	OVMD-DKELM-G	3.5752	0.0184	0.2823	0.7391
	OVMD-DKELM-W	3.4522	0.0167	0.2564	0.7391
	OVMD-AVERAGE	3.4715	0.0171	0.2628	0.7391
	DSDE	1.9748	0.0089	0.1479	0.9565
厦门港	OVMD-DKELM-L	3.2451	0.0308	0.5021	0.6957
	OVMD-DKELM-G	1.0336	0.0097	0.1588	0.8261
	OVMD-DKELM-W	1.2468	0.0113	0.1846	0.8696
	OVMD-AVERAGE	1.3911	0.0129	0.2076	0.8696
	DSDE	0.7187	0.0084	0.1578	0.0896
大连港	OVMD-DKELM-L	1.7331	0.0180	0.2430	1.0000
	OVMD-DKELM-G	1.8033	0.0195	0.2767	0.9565
	OVMD-DKELM-W	1.2904	0.0140	0.1951	0.9130
	OVMD-AVERAGE	1.5367	0.0165	0.2291	0.9565
	DSDE	1.1093	0.0789	0.1656	1.0000
连云港	OVMD-DKELM-L	0.7332	0.0142	0.3021	0.7826
	OVMD-DKELM-G	0.4274	0.0084	0.1809	0.8261
	OVMD-DKELM-W	0.6736	0.0134	0.2877	0.7826
	OVMD-AVERAGE	0.5767	0.0118	0.2519	0.7826
	DSDE	0.3837	0.0045	0.1253	1.0000

基于DKELM选择性深度集成的集装箱吞吐量预测模型研究

A DKELM-based Selective Deep-ensemble Model for Container Throughput Forecasting

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 53

相关文章 1

Metrics

本文评价

推荐阅读 0