[發(fā)明專利]一種國際航運集裝箱運價預測方法

在審

• 申請?zhí)枺?/td>: 202011635237.9
• 申請日: 2020-12-31
• 公開（公告）號: CN112785041A
• 公開（公告）日: 2021-05-11
• 發(fā)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(shù)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(shù)據進行分類，得到同一數(shù)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(shù)據去噪：對含有隨機噪聲的原始價格數(shù)據進行小波去噪，去掉數(shù)據中的隨機波動；

步驟二、價格時間序列平穩(wěn)化：通過一階差分可以將非平穩(wěn)隨機游走其轉化為平穩(wěn)的白噪聲，數(shù)據補齊；

步驟三、對歷史數(shù)據的缺失進行補齊，將缺失數(shù)據分類成非系統(tǒng)性缺失和系統(tǒng)性缺失；對非系統(tǒng)性缺失數(shù)據，采用前后數(shù)據的均值補齊；對系統(tǒng)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(shù)據進行歸一化處理；

步驟五、有監(jiān)督學習數(shù)據集生成：分析所述多維度價格的數(shù)據規(guī)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(shù)據；

S3、挖掘價格序列與外在影響因子的數(shù)據規(guī)律與關系，得到特征-價格序列數(shù)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(shù)作為不同維度特征關聯(lián)程度的指標，通過關聯(lián)程度加權計算得到加權指數(shù)；其pearson系數(shù)計算公式為：

其中，是隨機變量X,Y的協(xié)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(shù)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(fā)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(shù)量，價格維度具體為：歷史提價，降價次數(shù)，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(shù)。

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(wěn)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(wěn)檢驗；

求得序列的自相關系數(shù) ACF 和偏自相關系數(shù) 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(shù) 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(shù)據的優(yōu)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(shù)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(shù)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(guī)避量綱不同對預測模型的影響;價格序列數(shù)據包括：根據連續(xù)多天出發(fā)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(shù)，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(shù)。

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(shù)據的標準化，然后通過兩個全連接神經網絡層將數(shù)據映射為一個n維特征向量。