[发明专利]一种基于时间分频子序列的干散货船租金预测方法

说明书

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。

技术领域

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

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。

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。

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。

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。

发明内容

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。

本发明的目的可以通过以下技术方案来实现：

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：

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；

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。

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。