[發明專利]一種國際航運集裝箱運價預測方法

在審

• 申請號: 202011635237.9
• 申請日: 2020-12-31
• 公開（公告）號: CN112785041A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 郭彥儒;方結
• 申請（專利權）人: 上海匯航捷訊網絡科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/08;G06Q30/02;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種國際航運集裝箱運價預測方法，其特征在于：包括以下步驟：

S1、獲取歷史集裝箱價格數據，并在時間維度，航線維度和價格維度多個維度對價格歷史數據進行分類，得到同一數據在不同維度下的分類結果；

S2、對分類后的歷史價格進行技術面預處理，包括以下步驟：

步驟一、數據去噪：對含有隨機噪聲的原始價格數據進行小波去噪，去掉數據中的隨機波動；

步驟二、價格時間序列平穩化：通過一階差分可以將非平穩隨機游走其轉化為平穩的白噪聲，數據補齊；

步驟三、對歷史數據的缺失進行補齊，將缺失數據分類成非系統性缺失和系統性缺失；對非系統性缺失數據，采用前后數據的均值補齊；對系統化缺失分類成結構性缺失和非結構性缺失；對結構性缺失采用三階滑動平均法進行填補，對非結構性缺失，采用隨機森林預測的方法進行補齊；

步驟四、歸一化處理：從時間維度，航程維度，航線維度，價格維度分別對價格數據進行歸一化處理；

步驟五、有監督學習數據集生成：分析所述多維度價格的數據規律與關系，對集裝箱價格預測問題進行描述和定義得到時間序列-特征-價格數據；

S3、挖掘價格序列與外在影響因子的數據規律與關系，得到特征-價格序列數據，具體為：

因果關系判定：使用格蘭杰因果關系分析法，測試一個序列對于價格時間序列是否具有預測信息；使用Pearson相關系數作為不同維度特征關聯程度的指標，通過關聯程度加權計算得到加權指數；其pearson系數計算公式為：

其中，是隨機變量X,Y的協方差，分別為X,Y的標準差，取值范圍[0,1],越大表示X,Y相關性越強；

=1時，表示X,Y成正相關，=0時，代表X,Y無線性關系；

S4、根據歷史價格序列數據與上述影響因子對未來時間段的價格進行回歸預測。

2.根據權利要求1所述的一種國際航運集裝箱運價預測方法，其特征在于：所述S1中時間維度分類具體為：同一天出航的集裝箱價格在不同的觀測日期的價格，不同出發日期在同一個觀測日期的價格，所述航線維度具體為：起始港，目的港，沿途上卸貨港，航程，是否經過運河，是否船公司主力航線，開船頻次，月開船數量，價格維度具體為：歷史提價，降價次數，價格序列的平均值、標準差、最小值和最大值，價格波動平均間隔時間，波動平均次數。

3.根據權利要求1所述的一種國際航運集裝箱運價預測方法，其特征在于：所述S2中步驟五的價格時間序列平穩化具體為：將時間序列經過 d 次差分處理后，用移動平均模型來擬合平穩檢驗；

求得序列的自相關系數 ACF 和偏自相關系數 PACF，通過對自相關圖和偏自相關圖的分析，得到最佳的階層 p 和階數 q。

4.根據權利要求1所述的一種國際航運集裝箱運價預測方法，其特征在于：所述S2中步驟五集裝箱價格時間序列與時間的先后順序強烈相關，利用LSTM處理時序數據的優勢，構建多變量時間序列預測模型，分別對多種因素進行綜合考慮，在輸入數據類型的層面，將與價格相關的外在影響因子作為輸入特征來進行時序預測，進行特征連接融合，得到最終訓練模型。

5.根據權利要求1所述的一種國際航運集裝箱運價預測方法，其特征在于：所述S2中步驟五在國際集裝箱航運數據中，不同的特征屬性的量綱不同，特征屬性值的取值范圍不一，需要對各特征屬性值做歸一化處理，以規避量綱不同對預測模型的影響;價格序列數據包括：根據連續多天出發日期對應的價格序列，與同一天出航日期多個觀測日期的價格序列，歷史提價，降價次數，價格序列的平均值、標準差、最小值和最大值，價格波動平均間隔時間，波動平均次數。

6.根據權利要求1所述的一種國際航運集裝箱運價預測方法，其特征在于：所述S2中步驟五對所有的外部特征，利用BatchNormalization層做數據的標準化，然后通過兩個全連接神經網絡層將數據映射為一個n維特征向量。