数据传输吞吐量

2024-10-21

数据传输吞吐量（共10篇）

数据传输吞吐量篇1

一、引言

协作分集作为一种虚拟多天线分集技术, 可以为单天线网络终端提供分集增益, 是解决无线信道多径衰落的一种有效技术, 这对于能量受限网络具有重要的价值。

关于协作分集技术, Laneman等深入研究了分集的实现策略, 提出了固定中继、选择中继和增量中继三种策略对于协作中继的选择。Bletsas[3]首先将MAC层的机会性中继选择与物理层的协作分集相结合, 在文献[2]提出的方案中, 候选中继利用MAC层的RTS/CTS获得源与中继以及中继与目的之间的信道状态信息, 并根据不同准则将这两个信道的信息进行综合, 从而获得了一个信道的综合量度。

本文提出的协议是基于机会协作的, 根据相关的信道条件来选择中继节点, 中继节点以目的节点解调所要求的最小信噪比来调节发送功率, 从而达到减小能耗和干扰范围的目的。

二、系统模型

网络中所有节点相对静止, 且所有节点可以通过与另一节点交互信息获得当前信道的衰落信息。交换信息主要有RTS, CTS, RTH等。

与之前的协作协议最大不同是, 本协议中继节点的发送功率是可调节的, 发送功率大小可通过下式决定:

其中Pr-min是要求中继节点提供的最小发送功率, Hrd是中继节点和目的节点之间的信道衰落参数, Hsd是源节点和目的节点之间的信道衰落参数, N是噪声功率, SNR0是目的节点正确解调所要求的最小信噪比阈值。中继节点根据Pr-min调节自身的发送功率。

三、协作协议的设计

本协议是基于802.11设计的, 如图 (1) 所示, 假设S为本次传输的源节点, D为本次传输的目的节点。

如果SD间信道的通信状态良好 (hSD≥h0, h0为预先确定的阈值) , 则采用直接传输;如果SD间的信道条件较差 (hSD≤h0) , 则采用协作传输。协作传输首先要确定协作节点, 如图 (1) , 假设节点R1={r1, r2, r3, …rn, r≥0}都是源节点S和目的节点D的邻居节点, 收到目的节点广播的CTS后, 与目的节点间信道条件比较差的邻居节点, 不采取任何动作;与目的节点间信道条件比较好的节点R2={r1, r2, r3, …rm, r≥0}, 向源节点S发送请求协作的信令RTH, S节点根据收到的RTH, 计算出最好的中继节点, 即

最大的节点, 假设为节点rk。在数据传输时, 源节点S以固定地功率P0同时给中继节点rk和目的节点D发送数据, 中继节点rk计算出满足目的节点要求信噪比下的最小发送功率Pr, 并以Pr的功率转发数据给目的节点D。

四、性能分析

为了分析网络的总吞吐量, 必须分析单次传输的平均吞吐量以及网络中可激活的链路条数。首先, 从干扰范围的角度分析网络的总链路条数。

现在, 分析下单次直接传输和协作传输下的干扰面积, 假设单个发射节点的干扰面积用S=βP2表示:P为发送功率, β为固定常数。协作传输链路的干扰范围CLIR可以用一个椭圆等效表示[4], 椭圆大小约等于源节点、中继节点和目地节点三个节点干扰范围的并集。可以根据几何关系计算出直接传输和协作传输下的平均干扰面积Sd和Sc, 与已激活单条链路不发生干扰的概率为Q=1-S/St;

则在总链接数为n, k条可激活的概率为

激活链接条数的期望值为

单条链路的平均吞吐量, 可参考文献[5], 总时延时MAC层时延和数据传输时延的和:

平均吞吐量:

网络总的吞吐量为

我们假设在瑞利衰落信道下, 每个数据包的数据长度L=900 Bytes, 接收端要求的误码率阈值为pM=10-5, 并分析计算三种协议的网络吞吐量, 就会发现, 在发送节点提供的信噪比比较低时, 协作传输的吞吐量比直接传送的要高, 这是因为直接传输误码率较高, 大量丢包, 而采用协作传输, 可以提高接收端的信噪比, 减小误码率, 提高网络吞吐量。随着发送节点提供的信噪比逐渐变大, 三种协议的网络吞吐量都是先变大后变小, 这是因为, 发送信噪比提高, 有利于减小单条链路的误码率, 提高单条链路的吞吐量, 但信噪比变大, 链路干扰范围也会随之变大, 整个网络中可激活的链路条数变少, 因此总的网络吞吐量才会呈现出先变大后变小的趋势。此外, 中继节点发送功率可调比固定中继节点发送功率的协作协议有更高的吞吐量, 这是因为中继节点根据目的节点接收灵敏度要求适当降低发送功率, 可以减小协作传输的干扰范围, 使得网络中链路间的相互干扰减小, 从而提高了网络的传输效率。

参考文献

[1]Laneman J N, Tse D N, Wornell G W.“Cooperative diversity in wireless networks-efficient protocols and outage behavior, ”IEEE Trans.Inf.Theory, vol.50 (12) , pp.3062-3079, 2004.

[2]A.Bletsas, A.Khisti, D.P Reed, A.Lippman, “A simple cooperative diversity method based on network path selection, ”Journal on selected areas in communication, vol.24 (3) , pp.659-672, March 2006.

[3]A Bletsas, D P Reed, A Lippman, “A simple distributed methodfor relay selection in cooperative diversity wireless networks based on reciprocity and channel measurements, ”Proceeding of 61st IEEE semiannu Vech Technol Conf[C], Stockholm, Swede, pp.1484-1488, May 2005.

[4]Yong Zhou, Weihua Zhuang, “Beneficial Cooperation Ratio in Multi-hop Wireless Ad Hoc Networks, ”Department of Electrical and Computer Engineering, University of Waterloo, Waterloo.

[5]Sanghoon Kim, “Energy and Rate Tradoff for Wireless Sensor Network.

日照港:吞吐量增幅居首篇2

截至2009年12月31日，日照港2009年累计完成货物吞吐量18131万吨，同比增长20.1%，增速和增量均居全国沿海十大港口之首。

区位优势明显

日照港在1982年正式开工建设，并于1986年投产运营，是我国沿海主枢纽之一。2003年5月18日，原日照港务局与岚山港务局企业部分联合重组为日照港（集团）有限公司。

对于港口类公司来说，优越的地理位置和广阔的经济腹地极为重要，日照港在这两方面无疑都有着明显的优势。

首先，日照港位于我国海岸线中部，东临黄海，北与青岛港、南与连云港毗邻，隔海与日本、韩国、朝鲜相望。港口陆上铁路兖石线与全国铁路网相联；公路有三条干线通往全国各地；水路可直通我国沿海及世界各港，目前已与世界50多个国家和地区通航。

其次，日照港腹地广阔，运输需求旺盛。直接经济腹地包括山东南部、河南北部、河北南部、山西南部及陕西关中等地区。间接经济腹地包括甘肃、宁夏、新疆等西北广大地区。广阔的经济腹地覆盖面，使其成为国家实施“西煤东运、北煤南运”战略的重要出口，也是西部大开发战略的重要通道。

运力上，公司目前拥有石臼、岚山两大港区，46个生产性泊位，设计通过能力1.5亿吨以上。

根据券商预测综合值，未来三年公司的盈利能力不断增强，其中，2009年~2011年里，公司的每股收益分别为0.22元、0.29元和0.33元，对应的预测市盈率分别为31倍、24倍和21倍。

业绩增长稳定

公司主要业务为装卸业务，煤炭和铁矿石是主要作业货种。近年来，港口自身的诸多优势，使得年吞吐量不断攀升。2003年港口的年吞吐量仅为4507万吨，时至2009年，已经增至18131万吨。

随着吞吐量的上升，公司净利润总额也不断增长。2006年~2008年间，公司净利润总额分别为1.8亿元，1.8亿元和2.6亿元，保持了稳定的增长态势。2009年前三季度，公司的净利润总额已达2.52亿元，接近2008年全年水平。

未来，受益于国内宏观经济特别是房地产行业的回暖，钢材的需求将不断回升，在铁矿石库存消化后，铁矿石进口在博弈和投资背景下逐步走强，作为铁矿石重要运输港口之一，铁矿石贸易的走强，将对日照港业绩的改善起到明显的推动作用。

数据传输吞吐量篇3

认知无线电系统能检测到主用户的空闲频段并利用该空闲频段进行通信, 从而能提高频谱资源的利用率[1]。由于主用户拥有对该频谱资源的优先使用权, 因此, 认知无线电系统的目标是在满足对主用户保护的前提下, 尽可能的提高认知用户的吞吐量, 从而尽可能的提高频谱资源的利用率。

频谱检测是认知无线电系统的关键技术。频谱检测越准确, 认知用户就能更好的检测到出空闲频段, 从而提高频谱利用率。提高频谱检测准确性可以通过增加频谱检测时间实现, 但增加频谱检测时间会减少认知用户用于数据传输的时间。因此, 在周期性的频谱检测中, 检测时长和传输时长的折中越来越受到关注。

文献[2-4]研究了单信道下的检测时长和传输时长的折中问题。文献[2]首先研究了认知无线电系统中检测时长和传输时长折中的问题, 研究结果表明可以求得一个最佳的检测时间使得认知用户的吞吐量最大。文献[3]研究了时变信道下的频谱检测与数据传输方案设计, 认知用户根据信道状态的变化制定相应的检测策略, 在满足对主用户保护的条件下最大化用户的吞吐量。文献[4]研究了协作式频谱检测时长与传输时长折中的问题, 在满足一定的检测概率的条件下求解最优的检测时长。

文献[5-7]研究了在多信道下的检测-传输方案的优化问题。文献[5]研究了在多个可用信道情况下怎样选择最合适的信道并得到最优检测时长, 从而最大化认知用户吞吐量。文献[6]利用了信道的信道状态信息 (Channel State Information, CSI) 来选择检测信道以及最优检测时长。文献[7]中, 认知用户能在一个时隙内检测多个信道, 直到获得空闲信道, 然后停止检测, 开始数据传输。

以上的研究并没有考虑到认知用户可以利用多个空闲的信道同时通信, 以提高认知用户的吞吐量。认知用户可以采用信道聚合的方式同时在多个空闲信道上通信[8,9]。为此, 本文研究了在多个可用信道存在的条件下, 怎样设计最优的检测-传输方案, 以最大化认知用户的吞吐量。本文分别设计了CSI不可获取和CSI可获取情况下的最优检测-传输方案设计。在CSI不可获取时, 认知用户需要在每一时隙开始时, 就决定检测信道以及相应的检测时长。而在CSI可获取情况下, 在每个信道检测完成之后, 认知用户可以根据已知的检测结果以及CSI来调整接下来的检测-传输策略。

1 系统模型

考虑一个认知用户有M个可用信道[1, ⋯, i, ⋯, M], 认知用户的时隙结构如图1所示。

认知用户时隙长为Tf, 在每时隙开始时, 认知用户可以从M个信道中, 选择N个信道进行频谱检测, 检测时长分别为[T1, ⋯, Ti, ⋯, TN], 且各信道带宽均为W。同时由于用户环境以及硬件条件的限制, 设定认知用户在每一时隙的检测信道数N≤Nmax, Nmax为一常数。在每一时隙, 信道i (1≤i≤M) 空闲 (即没被主用户占用) 的概率为θi, 且各时隙之间以及各信道之间也是相互独立的, 为不失一般性, M个可用信道的空闲概率满足θ1≥θ2≥⋯≥θM。与文献[7]类似, 设定信道的信噪比 (Signal-to-Noise Ratio, SNR) γ在各信道以及各时隙独立同分布, 且概率密度函数 (Probability Density Function, PDF) 为h (γ) 。在每一时隙, 各信道的γ是固定的, 然后在下一时隙的开始会根据h (γ) 变化。本文中, 信道建模为瑞利衰落信道, 则:

式中Γ为常数。

在频谱检测完成后, 认知用户会对多个可用的空闲信道进行信道聚合 (Channel Aggregation, CA) , 从而在多个可用信道上进行数据传输。认知用户的吞吐量为多个空闲信道的吞吐量之和。值得注意的是, 由于对多个空闲信道进行了信道聚合, 因此在任何一个信道上的频谱检测中发生漏检, 都会造成数据传输的冲突, 从而认知用户在该时隙的吞吐量为0。

认知用户的优化目标为怎样选择检测信道以及设定各信道的检测时长, 从而最大化认知用户的吞吐量。

2 检测-传输方案设计

基于上一节的系统模型和优化目标, 本节对最优的检测-传输方案进行建模和求解。在认知无线电的频谱检测算法中, 能量检测算法不需要主用户信号的先验信息, 且该算法复杂度低, 简单易行, 在认知无线电的频谱检测中被广泛使用。因此本文的检测-传输方案研究也同样基于能量检测。能量检测算法的虚警概率Pf可以表示为:

式中:Q (⋅) 是高斯Q函数;fs是能量检测算法的采样频率;γp是认知用户所接收到的主用户信号的SNR, Pd是检测概率;Ts是检测时长。为了保护主用户系统, 能量检测算法的检测概率必须满足, 其中为系统设定的检测概率门限。因此, 本文中检测概率设定为

本节首先研究在CSI不能获取的情况下, 怎样设计最优的检测-传输策略。然后, 在CSI可获取的情况下, 设计自适应的检测-传输方案, 以提高认知用户的吞吐量。

2.1 固定检测时长方案

在第一种检测-传输方案设计中, 假定各信道的检测时间相同, 即T1=T2=⋯=TN=Ts。在每一时隙开始时, 认知用户需要决定选择哪些主用户信道进行检测。对于认知用户而言, γ在各信道以及各时隙独立同分布, 因此如果检测信道个数为N, 则最优的检测信道集合为选择空闲概率最大的N个信道:[1, ⋯, i, ⋯, N], 1≤N≤Nmax。在频谱检测完成之后, 认知用户会同时使用多个空闲的信道进行通信。认知用户的吞吐量为多个空闲信道的吞吐量之和。此外, 由于在任一信道的频谱检测中发生漏检错误都会造成数据传输的冲突, 因此, 可以得到认知用户在信道i上获得的吞吐量期望值为:

式中是在其余检测信道上不会出现漏检的概率。

在检测信道数为N的情况下, 最大化吞吐量的检测-传输方案可建模为:

求解上式, 可以得到在检测信道数为N的情况下的最优检测时长T (N) s, 以及相应的最大吞吐量R (N) max。由于N可以在1到Nmax中选择, 则可以求出不同检测信道数对应的最大吞吐量, 以及相应的最优检测时长。最后可以求得最优的检测信道数为:

相应的最优检测时长和检测概率。这样就求得了固定检测时长下的最优检测-传输方案, 其可获得的最优吞吐量记为

2.2 可变检测时长方案

上一小节考虑了各信道检测时长相同情况下的最优方案设计, 在该条件下, 各信道上的虚警概率Pf是相同的。而实际上, 由于在每一时隙中, 各信道的空闲概率是不同的, 因此, 相同的虚警概率会对造成不同的吞吐量损失, 空闲概率θi越大, 则损失的传输机会就越多, 因此, 适当的调整检测时长的分配, 增大在空闲概率高的信道i上的检测时长Ti, 可以减小该信道上的虚警概率Pf (i) , 从而提高认知用户的吞吐量。

与上一小节类似, 在检测信道数为N时, 最优的检测信道集合为选择空闲概率最大的N个信道[1, ⋯, i, ⋯, N], 其中1≤N≤Nmax。定义各信道的检测时长向量为Ts (N) =[T1, ⋯, Ti, ⋯, TN], 与式 (3) 相似, 可得到认知用户在信道i上获得的吞吐量期望值为:

从而在检测信道数为N的情况下, 可变检测时长下的检测-传输方案可建模为:

通过求解上式, 可以得到最优的Ts (N) *=[T1*, ⋯, Ti*, ⋯, TN*], 最优检测概率Pd (N) *, 以及相应的最大吞吐量Rmax (N) 。可变检测时长下的最优检测-传输方案其吞吐量会优于固定检测时长条件下所获得的吞吐量, 只有当θ1=⋯=θi=⋯=θN时, 即各信道空闲概率相同时, 可变检测时长下的最优检测-传输方案中, 会得到T1*=⋯=Ti*=⋯=TN*, 从而等同于固定检测时长下的最优检测-传输方案。

与求解固定时长最优检测方案类似, 通过式 (5) , 可求得最优的检测信道数, 并求得相应的最优检测时长向量和最优检测概率。这样便获得了可变检测时长下的最优检测-传输方案, 并可计算出对应的最优吞吐量

2.3 自适应检测-传输方案

之前的两种检测-传输方案都是在每一时隙开始前就已经确定了所要检测的信道以及相应的检测时长。而实际上, 由于检测结果以及信道状态的不确定, 这种方式并不能达到最优。如果在每一个信道检测完成之后, 可以获取该信道的CSI, 也就获取了当前时隙该信道的SNR, 则可以在多信道频谱检测的过程中, 根据已有的检测结果以及空闲信道的CSI来调整接下来的检测-传输策略, 这便是自适应检测-传输方案。在自适应检测-传输方案下, 在每次频谱检测之后, 如果该信道空闲, 认知用户会在检测完成之后立即通过信道反馈获得CSI。

自适应检测-传输方案主要步骤如下:

下面将详细推导和讲述整个方案的执行过程。在每一时隙开始时, 认知用户首先选择空闲概率最大的信道进行检测, 与可变检测时长的检测-传输方案类似, 认知用户先获得在检测信道数为N时的最优检测-传输方案:

然后可以求得最优检测信道数为:

从而得到相应的最优检测时长, T1*即是第一次频谱检测的检测时长。认知用户随即在信道1上用T1*时长进行频谱检测, 若检测结果为空闲, 则可通过反馈获得第一个信道的γ1。与之前的检测-传输方案不同, 在每一次检测之后, 认知用户需要根据已有的检测信息和信道信息, 去调整检测-传输方案。假定在第i次检测之后 (1≤i≤Nmax) , 认知用户在各信道所耗费的检测时长为, 获得检测结果。sj=1表示信道i空闲, 否则sj=0。同时, 如果sj=1, 则认知用户也会获得相应的信道状态γj。认知用户需要在第i次检测之后判断是否需要继续在第i+1个信道上进行检测, 以及相应的最优检测时长。当然, 如果i=Nmax, 则检测终止, 开始数据传输。

首先计算在检测信道数N=i时的吞吐量, 也就是用户不再继续检测而直接开始数据传输所得获得的吞吐量。在N=i时, 在检测结果为空闲的信道上成功进行数据传输的概率为:

其中Pf, k是在信道k上频谱检测的虚警概率, 可由式 (2) 得到。这里可以计算出吞吐量为:

如果认知用户继续选择信道进行检测, 则, 这种情况下成功进行数据传输的概率为:

定义, 则相应的最优检测-传输方案可建模为:

很显然, 在自适应检测-传输方案的设计中, 不断利用获取的检测信息以及CSI来调整检测-传输方案, 从而能获得更好的性能。

3 仿真结果与分析

对提出的三种认知用户检测-传输方案进行仿真, 并进行性能分析。仿真参数如下:Tf=0.005s, 信道数M=9且空闲概率为[0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1], 各信道带宽为W=50k Hz。瑞利衰落信道模型h (γ) 中参数Γ=10, 检测概率门限Pˉd=0.9, 能量检测的采样频率fs=500k Hz。

图2比较了在不同的最大信道检测数Nmax下, 三种检测-传输方案的性能, 主用户信道强度设定为γp=-20d B。可以看到, 可变检测时长方案要优于固定检测时长方案, 这和之前的理论分析是吻合的, 这是因为在可变检测时长方案中, 空闲概率高的信道能够获得比空闲概率低的信道更长的检测时间, 从而减小了传输机会的损失, 提高了认知用户的吞吐量。另一方面, 自适应检测-传输方案的性能始终是最好的, 此外, 随着Nmax的增大, 自适应检测-传输方案的性能提升更为明显, 这是因为随着已检测信道的增加, 认知用户获得的检测结果和信道状态等先验信息增多, 从而认知用户能更好的调整检测-传输策略, 从而更好的提升认知用户性能。

图3比较了在不同的主用户信号SNRγp下, 三种检测-传输方案的性能, 最大检测信道数设为Nmax=4。相比于主用户SNR较高的时候, 在主用户SNR较低的时候, 可变检测时长方案相比于固定检测时长方案有更为明显的性能提升。这是因为在主用户SNR较低时, 虚警概率Pf所带来的性能损失会更多, 而可变检测时长方案能在降低空闲概率高的信道上的虚警概率和增大空闲概率低的信道上的虚警概率上做到很好的折中, 从而提高认知用户的吞吐量。而不管主用户信号的γp怎样变化, 自适应检测-传输方案均能明显的提升认知用户的吞吐量。

4 结语

在多个空闲信道上, 认知用户可以采用信道聚合的方式同时进行通信。从最大化认知用户吞吐量的角度出发, 本文分别研究了CSI不可获取和CSI可获取情况下的最优检测-传输方案设计, 并综合分析了各信道频谱检测的虚警, 漏检以及检测时长对认知用户吞吐量的影响。在CSI不可获取时, 本文分别在固定检测时长和可变检测时长两种情况下设计了相应的检测-传输方案。而在CSI可获取情况下, 提出了自适应检测-传输方案, 该方案在每个信道检测完成之后, 认知用户可以根据已知的检测结果以及CSI信息来不断调整检测-传输策略。仿真结果显示, 该自适应检测-传输方案能有效的提高认知用户的吞吐量。

参考文献

[1]MITOLA J.Cognitive radios:making software radios more per-sonal[J].IEEE Personal Communications, 1999, 6(4) :13-18.

[2]LIANG Y C, ZENG Y, PEH E C Y, et al.Sensing-throughput tradeoff for cognitive radio networks[J].IEEE Transaction on Wireless Communications, 2008, 7(4) :1326-1337.

[3]HE H, LI G Y, LI S.Adaptive spectrum sensing for time-vary-ing channel in cognitive radios[J].IEEE Wireless Communica-tions Letters, 2013, 2(1) :1-4.

[4]PEH E C Y, LIANG Y C, GUAN Y L.Optimization of cooper-ative sensing in cognitive radio networks:a sensing-throughput tradeoff view[J].IEEE Transactions on Vehicular Technology, 2009, 58(9) :5294-5299.

[5]ZHOU X, LI Y, KWON Y H, et al.Detection timing and channel selection for periodic spectrum sensing in cognitive radio[C]//Proceedings of IEEE Global Telecommunications Conference.New Orleans, LO, USA:IEEE, 2008:302-306.

[6]HOANG A T, LIANG Y C, ZENG Y H.Adaptive joint sched-uling of spectrum sensing and data transmission in cognitive ra-dio networks[J].IEEE Transactions on Communications, 2010, 58(1) :235-246.

[7]JIANG H, LAI L F, FAN R F, et al.Optimal selection of channel sensing order in Cognitive Radio[J].IEEE Transac-tions on Wireless Communications, 2009, 8(1) :297-307.

[8]SU H, ZHANG X.The cognitive radio based multi-channel MAC protocols for wireless ad hoc networks[C]//Proceedings of IEEE Global Telecommunications Conference.Washington, DC, USA:IEEE, 2007:4857-4861.

数据传输吞吐量篇4

【关键词】内河港口；吞吐量；影响因素

0 引言

截至2012年底，我国内河航道通航里程共计12.5万km，约占河流总长的29%。目前，全国形成了以长江、珠江、京杭运河、淮河、黑龙江和松辽水系为主体的内河航运布局。

2007年，原交通部颁布了《全国内河航道与港口布局规划》，第一次针对全国内河航道和港口布局进行规划，并由行业规划上升为国家规划。2008年世界性的金融危机使我国内河港口建设在外向型经济向内向型经济转变的过程中面临新的机遇，在综合运输体系和国民经济建设中发挥更加显著的作用。内河水运具有占地少、能耗低、污染小、运能大等优势。加快发展内河水运，可有效缓解流域的土地资源紧张状况和大宗物资陆路运输压力，对节约使用能源和减少污染物排放都具有积极作用。内河航运作为我国综合运输体系的重要组成部分，其运营效率以及发展与改善的方向和空间都是现行研究中的热点问题。所有研究以内河港口吞吐量的影响因素为前提，因此，本文运用计量经济的方法对影响因素进行量化分析。

1 内河港口吞吐量影响因素计量分析

1.1 样本选取

鉴于数据的可得性和完整性，本文选取2012年我国17个主要内河港口为样本，其中：长江水系11个，分别为宜昌港、荆州港、武汉港、黄石港、镇江港、南昌港、九江港、芜湖港、安庆港、马鞍山港、南通港；珠江水系1个，为梧州港；京杭运河和淮河水系3个，分别为江阴港、杭州港、嘉兴内河港；黑龙江和松辽水系2个，分别为哈尔滨港、佳木斯港。

1.2 变量选择

与一般沿海港口不同，内河港口发展的制约因素更多，区域性也更强，如水文地理条件极大地限制了内河航运以及港口的发展。同时，发展内河港口需要充分考虑防洪防汛以及气候环境的影响。从发展水平上看，内河港口发展阶段也与沿海港口有所不同，不少内河港口还未完全具备通过市场化手段进行建设和发展的条件。以上差别是造成长期以来内河航运和港口发展相对滞后的重要原因。因此，本文通过对经济指标和客观环境指标中影响内河港口发展的众多因素进行分析（见表1 ）。

1.3 实证结果

运用Stata 19.0软件对原样本变量进行线性回归分析（见图1），同时对自变量相关性进行线性回归分析可以发现，各解释变量直接存在严重的相关性。去除多重共线性运行结果见图2。

最终分析结果剩余3个显著变量：x1―GDP、x3―年平均降水量、x5―最高水位。这3个影响指标的t值均通过显著性经验，拟合优度为79.42%，较为满意。

2 结果分析

从实证结果看：

首先，当地国民生产总值对内河港口吞吐量有显著的正方向影响，即一个地方的GDP高将带动港口吞吐量的增加。这是由于一方面GDP的大小直接决定了对港口基础设施的投资力度；另一方面较高的GDP必然会带动内河航运的需求，从而拉动港口吞吐量。

其次，吞吐量与年平均降水量、最高水位均成正相关关系。降水量和水位是一个问题的两个方面。水位越低表明航道越窄、越危险，突出表现在河流上游地区的航运能力不足从而使港口吞吐量受限。这也直观地证明了长江水系等下游三角洲地区的港口吞吐量遥遥领先于中上游地区的原因。

3 结语

通过实证结果可以发现，我国主要内河港口现存问题和改进方向。制约我国内河港口发展的首要问题是资金投资不足，造成各地港口船舶运力规模普遍偏小，经营分散，难以形成规模效应，而且市场竞争能力不强，安全状况差，抗风险能力低，难以适应建设资源节约型、环境友好型社会和水运业可持续发展的需要。因此，提高GDP增长并重视内河港口规划投资是必由之路。

此外，航道等级低、通航里程短也是我国内河港口发展存在的问题。内河港口与沿海港口存在巨大的差异，突出表现为内河港口更多地受到当地地理环境和水文特征的影响。我国部分地区多数航道处于自然状态，航道等级和通航条件有待提高和改善。

总之，内河港口建设与当地经济建设相互促进，因此，开发和建设内河港口要充分结合各地航道水文条件，并因地制宜地促进内河航运的发展。

参考文献：

[1] 柯蓉，文扬，高更君.内河港口运输统计调查方法的评价与改进[J].水运管理，2006，28（6）：30-33.

【摘要】通过运用计量经济的方法，对影响我国内河港口吞吐量的因素作量化分析，形成因素重要度排序，得出3个显著变量：GDP、年平均降水量、最高水位。基于3个变量与内河港口吞吐量的关系，剖析我国主要内河港口的现存问题和改进方向，为内河航运的发展规划提供参考。

【关键词】内河港口；吞吐量；影响因素

0 引言

1 内河港口吞吐量影响因素计量分析

1.1 样本选取

1.2 变量选择

1.3 实证结果

最终分析结果剩余3个显著变量：x1―GDP、x3―年平均降水量、x5―最高水位。这3个影响指标的t值均通过显著性经验，拟合优度为79.42%，较为满意。

2 结果分析

从实证结果看：

3 结语

总之，内河港口建设与当地经济建设相互促进，因此，开发和建设内河港口要充分结合各地航道水文条件，并因地制宜地促进内河航运的发展。

参考文献：

[1] 柯蓉，文扬，高更君.内河港口运输统计调查方法的评价与改进[J].水运管理，2006，28（6）：30-33.

【关键词】内河港口；吞吐量；影响因素

0 引言

1 内河港口吞吐量影响因素计量分析

1.1 样本选取

1.2 变量选择

1.3 实证结果

最终分析结果剩余3个显著变量：x1―GDP、x3―年平均降水量、x5―最高水位。这3个影响指标的t值均通过显著性经验，拟合优度为79.42%，较为满意。

2 结果分析

从实证结果看：

3 结语

总之，内河港口建设与当地经济建设相互促进，因此，开发和建设内河港口要充分结合各地航道水文条件，并因地制宜地促进内河航运的发展。

参考文献：

湘江长沙港吞吐量集成预测与分析篇5

当前, 内河水运发展已上升为国家战略, 湖南省将湘江打造成“东方莱茵河”, 重点建设长沙、岳阳等国家内河主要港口。为了有计划、有步骤地进行长沙港区建设, 必须制定科学、合理的港区发展建设规划, 预测好港口吞吐量规模。在运营期内, 经水运运进、运出港区范围并经装卸的货物数量称为港口吞吐量。[1]港口吞吐量的准确预测是港口总体规划的主要依据和港口航道工程可行性研究的重要内容, 也是港口规模扩大建设主要考虑的因素之一。国内外学者已对其进行了大量的定量研究, 现有的港口吞吐量预测方法有: 向量机回归非线性组合法、时间序列预测法、灰色理论模型、神经网络优化算法、综合预测等。[2 - 4]这些方法对稳步增长的吞吐量序列较为有效, 在港口建设规划中起了重要作用, 然而这些研究主要针对海运港口吞吐量预测。内河港口作为服务区域多种运输方式之一, 其物流货运量具有高度的波动性、复杂性和不确定性, 使货运量数据同时具有线性和非线性特种。本文在对湘江长沙港口物流货运量研究分析和预测中, 运用综合集成思路, 参考汪寿阳的TEI@ I方法论[5，6]来分析和解决问题, 定量研究影响内河港口吞吐量的线性部分和非线性部分。内河港口货运量作为一个复杂系统, 同时考虑了同腹地其他港口间的竞争动态关系, 公铁水几种运输方式属性与竞争, 港口经济腹地发展, 港口区位商的角度, 以及其他干扰因素, 如枯水期、自然灾害、航道能力等, 提高了对内河港口货物吞吐量的分析和预测能力。

2 湘江长沙港吞吐量预测构建思路

考虑到湘江长沙港口物流货运量具有复杂系统的波动性、复杂性和不规则性, 在对长沙港口物流货运量研究分析和预测中, 根据集成预测方法进行预测分析, 基本思路如下: 1长沙港口吞吐量线性发展趋势。以港口历年吞吐量数据, 利用计量经济模型对吞吐量数据的线性趋势进行建模预测。2长沙港口吞吐量非线性波动影响。长沙港口吞吐量非线性波动影响因素较多, 但主要有: 腹地经济与产业结构变动, 公铁水三种运输方式竞争变动, 港口群同一腹地货源竞争变动。3长沙港口吞吐量外部系统冲击影响。港口作为开放系统, 系统的动态运行受系统外部冲击对它的影响, 比如枯水期、自然灾害、航道等干扰因素。4长沙港口吞吐量集成预测。把123预测成分作集成预测处理, 其中12部分共同作用形成了港口物流货运复杂系统的内部运行结构, 构成了港口物流货运量发展的主要趋势和不确定性波动趋势。3部分作为随机冲击影响。最后把三者结合起来作综合集成预测。图1描述了长沙港口吞吐量集成预测理论框架。

3 湘江长沙港吞吐量预测分析实证

3. 1 数据来源与评价指标

本文选取长沙市2000 ~ 2012 年长沙港水运吞吐量及影响吞吐量的各项经济指标作为预测数据。通过综合分析, 认为影响长沙港口水运量的影响要素主要为: 公路货运量 ( X1) 、铁路货运量 ( X2) 、GDP ( X3) 、第一产业 ( X4) 、第二产业 ( X5) 、工业 ( X6) 、建筑业 ( X7) , 输出为长沙港口水运吞吐量 ( Y) , 如表1。

单位: 万吨∕亿元

数据来源:长沙统计信息网[7]

3. 2 趋势预测及实现

趋势预测法又称趋势外推法, 是以历史的时间序列数据为基础, 按时间预测的趋势外推目标因子未来发展变化的一种定量预测方法。[8]趋势预测法的主要优点是考虑时间序列发展趋势, 使预测结果能更好地符合实际。常见的方法有直线趋势预测和曲线趋势预测。对表1 数据中长沙港口吞吐量分别作直线、曲线方程拟合, 并分别得到相关系数值, 相关系数值越接近于1 说明相关程度越高, 拟合情况越好, 因此选择值最大的拟合方程进行预测。通过Excel对长沙港口货物吞吐量进行拟合, 得出当拟合函数为二次多项式曲线时值最大, 拟合度最高。此时, 相关系数, 为了检测预测误差, 使用平均相对误差 ( MAPE) 作为准则来评价预测性能。

平均相对误差 ( MAPE) 为2. 71% , 说明二次多项式曲线拟合度很高, 误差也较低, 可以进行预测, 此时预测模型函数为。

Y为预测量, t为时间序列。

3. 3 BP神经网络预测及实现

时间序列法, 由于其只考虑了港口吞吐量自身历史的变化, 影响因素单一, 而影响港口吞吐量的因素较多, 且各因素之间存在复杂的非线性关系。BP神经网络是一种多层前馈神经网络, 其神经元的传递函数是S型函数, 输出量为0 到1之间的连续量, 权值的调整采用反向传播 ( Baekpropagation) 学习算法, 可以实现从输入到输出的任意非线性映射。

运用BP神经网络对长沙港口吞吐量进行预测, 由于一个三层的BP神经网络可以任意逼近一个非线性函数, 因此, 选择三层BP神经网络进行仿真模拟。首先要确定网络输入的特征参数, 本文中将影响长沙港口水运量的主要因素作为模型的输入变量。神经网络输入层的确定不宜过多, 一旦输入层过多, 则隐含层与输入层之间的权值就会相应增加。在实际应用中, 通常认为训练样本的数量是网络权值总数的5 ~ 10较为合适, 这种情况下模型的预测精度较高。为减少网络神经元的输入个数, 根据相关的建模原则, 本文确定长沙港口水运量的神经网络预测模型的输入层特征参数为7, 通过综合分析, 认为影响长沙港口水运量的影响要素主要为: 公路货运量、铁路货运量、GDP、第一产业、第二产业、工业、建筑业, 输出为长沙港水运吞吐量, 即表1 数据。

经过反复的训练, 最终确定神经元的个数为5 个时, 网络预测的误差最小, 相对稳定。网络隐含层神经元的激活函数采用S型正切函数tansig. m, 输出层神经元传递函数采用线性函数purelin. m, 采用改进BP算法进行学习, 得到BP网络模型。

应用表1 的2000 - 2012 年的样本数据构建BP神经网络预测模型。模型构建由网络训练、测试和预测三个阶段进行。因此, 将数据分为训练样本、测试样本和预测样本。构建三层的BP神经网络, 应用训练样本对BP神经网络进行训练, 用测试样本对训练好的网络进行测试, 反复进行训练和测试的过程, 直到训练的误差达到最小, 此时得到最佳的BP网络模型, 再应用预测样本进行预测, 得出2013 年预测结果。再利用BP神经网络和2000 ~ 2012 的统计数据, 预测X1…, X7 的每一项数据2013, 2014, …, 2025 年趋势。再以2013 的X1…, X7 和2013 预测结果Y, 预测2014 结果Y, 依次类推, 得出后面时间预测结果Y。

为了加快BP网络的学习速度, 减少较大数值对预测结果的影响, 需要将样本数据进行归一化处理。本文应用MTLAB神经网络工具箱中的premnmx函数进行归一化处理, 采用postmnmx函数进行反归一化处理。数据归一化处理后, 构建三层BP网络, 其中, 隐含层神经元个数为5 个, 其激活函数为“tansig”; 输出层神经元个数为1, 其激活函数为“purelin”; 应用“train. m”函数对网络进行训练, 学习的速度快误差小。用MTLAB程序实现, 应用归一化后的测试样本对训练好的网络进行测试, 在测试过程中, 2012 年长沙港口水运吞吐量的实际值为3980 万吨, 预测值为3972. 2, 相对误差小于0. 01, 说明BP神经网络训练成功, 可以用于预测。经过多次反复训练, 其误差结果见图3, 得到相对误差最小时BP网络的权值和阈值, 运用训练好的BP网络权值和阈值预测, 得到预测结果见表3。

3. 4 不规则事件影响

除了上述模型拟合的线性和非线性趋势之外, 长沙港水运量需求同时受到一些不规则事件的影响, 如枯水期、自然灾害、航道能力等。本文采用基于WEB的文本挖掘技术总结归纳影响长沙港水运量的6 大类15 小类不规则事件, 如表2。

当某个不规则事件发生时, 通过专家系统模块可以确定事件对长沙港水运量的影响, 得到一个预测值, 进而对预测值作出相应的调整。当然, 上述表格还需要及时根据实际情况进行更新和调整, 以保证其鲁棒性和活力。

从上面分析可知, 15 个不规则事件有11 个影响是下降, 4个上升, 所以长沙港水运吞吐量未来增速会进入下降期, 应该在前面预测基础上进行下降调整, 以符合实际。

3. 5 综合集成预测分析

将多项式趋势预测值^YT和BP神经网络的预测值求组合值^IT, 再在预测结果的基础上考虑不规则事件影响值^Tt, 得到综合集成预测结果^Yt。

集成预测的关键是如何恰当地确定各个单项预测方法的加权系数, 而且采用不同的最优准则就会有不同的最优组合预测模型。标准差法可以使拟合度较好, 误差较低的预测模型被赋予较高的权重, 是一个比较简单可行的权重计算方法, 本文采用标准差法确定组合预测模型的权重。具体计算如下:

Si为单项预测模型的标准差, n为单项预测模型个数。

根据表3的结果可以计算出二个预测的标准差, 由此可计算出趋势预测模型权重ω1, ω2分别为0.4212, 0.5788, ω1+ω2=1。

趋势预测法因突出时间序列暂不考虑外界因素影响, 因而存在着预测误差的缺陷, 当遇到外界发生较大变化, 往往会有较大偏差, 时间序列预测法对于中短期预测的效果要比长期预测的效果好。因为客观事物, 尤其是经济现象, 在一个较长时间内发生外界因素变化的可能性加大, 它们对市场经济现象必定要产生重大影响。如果出现这种情况, 进行预测时, 只考虑时间因素不考虑外界因素对预测对象的影响, 其预测结果就会与实际状况严重不符, 所以应结合其他预测及社会经济变化情况做集成预测。

4 结论及分析

本文基于集成预测方法, 提出了适合内河港口水运吞吐量的复杂系统综合集成预测模型。并使用趋势预测、BP神经网络预测和不规则事件方法对长沙港区水运吞吐量进行集成预测与分析。集成预测综合考虑各单项预测数据及其他因素, 其误差与单项预测相比有较大降低, 效果远远优于单项预测。预测得出长沙港区2015, 2020 年水运吞吐量在六千万吨和八千万吨左右, 将来也基本稳定在这个范围。尽管随着社会经济的发展, 长沙港区吞吐量与预测有一定偏差, 但未来一段时间仍有较大增长空间, 随着湘江水运规划发展和湘江港口群物流整合, 长沙港区借鉴国内外内河港口物流发展经验, 充分把握自身情况与优势, 做好港区规划及集疏运规划与发展, 向大型化专业化方向发展, 提升长沙港口物流综合发展水平。

摘要：内河港口物流吞吐量具有较大的波动性、复杂性和不确定性, 很难用单一方法预测。为此综合时间趋势预测、BP神经网络预测, 以及不规则事件量化, 建立湘江长沙港区吞吐量集成预测模式, 并采集20002012样本数据, 预测未来吞吐量, 数据实证表明这种预测方式优于单一模型预测。预测出来的中长期结果可为长沙港区物流发展对策提供参考。

关键词：集成预测,吞吐量,长沙港,BP神经网络

参考文献

[1]肖青.港口规划[M].大连:大连海事大学出版社, 1999:12-13.

[2]林强, 陈一梅.灰色多元回归模型在港口吞吐量预测中的应用[J].水运工程, 2008, (7) :77-84.

[3]韦汉超, 谢如鹤.广东省港口货物吞吐量预测及分析[J].物流工程与管理, 2012, 34, (3) :41-44.

[4]江志娟.基于BP神经网络的港口吞吐量预测模型[J].物流科技, 2014, (1) :56-59.

[5]Wang SY.TEI@I:a new methodology for studying complex systems[Z].The International Workshop on Complexity Science, Tsukuba, Japan, 2004.

[6]田歆等.基于TEI@I方法论的香港集装箱吞吐量预测方法[J].运筹与管理, 2009, (18) 4:82-89.

上海浦东国际机场货运吞吐量预测篇6

根据国际机场协会最新公布的世界民用机场货运量排名, 浦东国际机场以2007年货邮吞吐量255.93万吨的成绩排名世界第四, 比上一年度跃升了两位, 18%的增幅名列世界第一。西货运区和第三跑道等扩建工程的建成并投入使用, 使得浦东机场的货运吞吐能力得到进一步提高, 对浦东机场未来航空货运吞吐量的预测就显得尤其重要了。

对于浦东机场这样的扩建机场, 已有部分历史数据作为预测的基础, 在分析未来年度的机场货运吞吐量时, 可采用时间序列法、趋势外推法和计量经济法等进行预测[1]。根据各种方法的预测结果, 计量经济法的结果最为理想, 且可用于长期预测, 下面将具体说明浦东机场航空货运吞吐量的计量经济法预测过程。

1建立模型

1.1参数选择

航空运输业与国民经济之间有着密切的相关性, 这里我们选择相关回归分析法。而影响航空货运量的因素有很多, 但其中最直接的并且具有系统数据的相关因素就是国内生产总值, 而其他影响因素的经济指标都是以国民经济发展水平为基础产生的, 都与国内生产总值存在相关性, 所以不宜共处于一个模型中[2]。

区域经济学家缪尔达尔曾在地区发展方面提出过极化效应 (Backwash Effect ) 和扩散效应 (Trickling Down Effect) 的理论。对于航空物流, 一个城市圈的机场间及机场与周围地区间也存在这种效应。从这个意义上讲, 极化效应相当于机场的吸引效应 (决定机场的进港货运吞吐量) , 而扩散效应相当于机场的辐射效应 (决定机场的出港货运吞吐量) [1]。而对于浦东国际机场来说, 其所属的城市圈正是长三角城市圈, 因而不能单纯地选择上海地区的GDP作为自变量进行预测, 而要选在浦东机场所辐射的城市圈即长三角地区的整体GDP来进行预测。

1.2模型的建立

浦东机场航空货运吞吐量和长三角地区GDP的统计数据如表1所示。

数据来源:浦东机场航空货运吞吐量数据来源于2002至2008年版《统计看民航》, 长三角GDP数据来源于长三角地区16个城市2001至2007年统计公报。这里我们只使用2001年至2006年数据作为预测用数据, 2007的数据留作对预测模型进行验证。根据浦东机场航空货运吞吐量与长三角GDP的相关特点, 建立如下模型:

$\hat{y} = a + b \ln (x)$ (1)

其中, $\hat{y}$ 是浦东机场航空货运吞吐量预测值, x是长三角GDP, a和b是待定系数。

运用Excel软件模拟出曲线如图1所示。

并得出预测公式为:

$\hat{y} = - 22 436 331.197 2 + 2 330 703.002 6 \ln (x)$ (2)

1.3对模型的统计检验

上述模型的本质依然是线性回归模型。由于模型中用到的变量均是随机变量, 在做回归分析时, 必须进行统计检验。

1.3.1 相关系数检验

数据传输吞吐量篇7

近年来, 泸州市大力实施“以港兴城”发展战略, 港口建设受到高度重视, 港口基础设施建设取得重大阶段性进展, 集疏运体系不断完善, 服务腹地延伸至川滇黔广阔区域。随着长江经济带发展战略和“一带一路”发展战略的深入实施, 川滇黔经济社会快速发展, 带动港口货物吞吐量持续快速增长, 2014年全港完成货物吞吐量达3134万t, 集装箱吞吐量达32万TEU。泸州港已成为川滇黔地区实力领先的枢纽港, 在完善区域综合运输体系, 带动腹地资源开发, 支撑沿江产业布局, 促进内陆开放型经济发展中发挥了重要作用。

泸州港的经济腹地以四川省、云贵北部、甘陕青藏部分地区为主。其中直接腹地包括泸州市所辖的四县三区;间接腹地包括成都经济区、川南经济区、滇北、黔北以及陕、甘、藏、青等几个西部省区的部分地区。成都经济区是泸州港重要的间接腹地, 也是四川省经济实力最强的地区, 2013年经济总量达1.6万亿元, 经济区以成都为核心, 已形成了装备制造、电子信息、化工等主导产业, 经济外向度高, 成都市2013年进出口总额达到506亿美元, 以汽车零部件、整车为代表的高附加值货种为泸州港集装箱、商品汽车运输带来了旺盛需求。

川滇黔矿产资源十分丰富。四川省铁、钛、钒、硫铁矿、芒硝、岩盐、玻璃用石英、石棉、石墨等32种矿产资源的保有储量居全国前5位, 钒、钛磁铁矿已查明储量和远景资源总量约90亿吨, 居全国首位, 川东北和川东南地区是重要的煤炭产区。滇北、黔北的习水、仁怀、毕节、昭通等地无烟煤储量丰富, 品质优良, 铁、磷、铅锌、硅石等均属大型矿床, 具有较高开发价值, 区域内农业经济作物也较为发达。总体上, 川滇黔地区以大宗散货为主的资源外运需求十分旺盛, 为泸州港提供了稳定的货源保障。

二、组合预测基本原理

组合预测法是对同一个问题, 采用两种以上不同预测方法的预测。它既可是几种定量方法的组合, 也可是几种定性的方法的组合, 但实践中更多的则是利用定性方法与定量方法的组合。组合的主要目的是综合利用各种方法所提供的信息, 尽可能地提高预测精度。

在进行港口预测时, 目前常采用的方法有时间序列法、回归预测法、灰色预测法以及产运销平衡法等方法。本次我们采用三次指数平滑预测法和回归分析法对泸州港吞吐量进行组合预测。由于2014年部分数据还未公布, 本次预测以2013年为基础年, 预测水平年为2020年和2030年。

三、三次指数平滑预测

指数平滑法是根据历史资料的上期实际数和预测值, 用指数加权法进行预测的一种方法, 此法实质上是由加权移动平均法演变而来的。其优点是只要有上期实际数和上期预测值, 就可计算下期的预测值。这样可以节省很多数据和处理数据的时间, 减少数据的存储量, 是一种实用的中、短期预测方法。

三次指数平滑法预测出的结果更精确。, 它认为数据的重要程度按时间上的近远呈非线性递减。即近期数据影响价值大, 权数亦大;远期数据影响价值小, 权数亦小。腹地经济在“十二五”期间飞速发展, 泸州港货物吞吐量在“十二五”以来也保持了15.32%的年平均增长率, 呈现高速上升趋势。设时间序列为X1, X2, X3, ……, Xn, 记St (1) , St (2) , St (3) 分别为第t期一次指数平滑值, 二次指数平滑值和三次指数平滑值。

指数平滑值计算公式为:

St (1) =a Xt+ (1-a) St-1 (1)

St (2) =a St (1) + (1-a) St-1 (2)

St (3) =a St (2) + (1-a) St-1 (3)

平滑系数a的确定:模型中的平滑系数a取 (0~1) 之间的一个数值, 若原数列波动不大, a取小值 (0.1~0.3) , 若原数列波动较大, a宜取大值 (0.6~0.8) 。考虑到泸州港货物吞吐量在”十二五”期间持续稳步上升、波动不大, 因此平平滑滑系系数数取取值值0.3

平滑初值的确定:, 指数平滑过程见表1。

三次指数平滑预测过程表

三次指数平滑数学模型为:

Yt+T=at+btT+ctT2

其中式中:

t为目前的周期序号;

T为预测超前周期数;

Yt+T为第 (t+T) 周期的预测值。

为了更加精确地预测2020和2030年本航段内的水路货物运输量, 本文采用的方法是:从2011年开始到2013年每年作一个预测, 最后将这3个值求平均得出最终预测结果, 即预测2020年和2030年的水路货物运输量为6021万t和13210万t, 详见表2。

三次指数平滑预测结果

单位:万t

四、回归预测

回归预测法是指通过确定两种或两种以上变量间相互依赖的定量关系, 来对因变量进行预测的一种统计分析方法。在本项目中, 我们将腹地范围内的国内生产总值经过汇总计算后设为自变量x, 将泸州港的货物吞吐量设为因变量y, 具体数据见表3。

对自变量x和因变量y进行回归分析, 得出回归方程如下:

y=-9.6585+0.0873x

通过分析, 腹地经济除四川省外, 在近几年均保持15%左右的年平均增长率, 同时结合腹地各地区的”十二五”国民经济与社会发展规划提出的经济发展目标, 预测2020年自变量x的值为55000亿元。但考虑到我国经济进入新常态发展期, 转变发展方式、加快转型升级的压力日益增大, 经济增速将由两位数高速增长逐渐转向一位数中快速增长, 预测2030年自变量x的值为100000亿元。据此, 通过回归模型预测出2020年和2030年的水路货物运输量为4793.78万t和8723.86万t。

五、预测结果

组合预测法是指建立一个模型, 把两个或两个以上不同预测方法得出的不同预测值通过适当的加权平均, 最后取其加权平均值作为最终预测结果的一种预测方法。在本项目中, 我们将三次指数平滑预测法和回归预测法得到的2020年和2030年得到的预测值按照“估计误差的方差极小”作为组合预测的最优权重确定准则, 以此求出最终预测值。即, 设Y为预测对象, 三次指数平滑预测法得出的预测值为Y1, 回归预测法得出的预测值为Y2, Y1和Y2均为Y的无偏估计, 三次指数平滑预测模型和回归预测模型的相关性较弱, 那么Y1和Y2的组合预测模型为:

Y*=k Y1+ (1-k) Y2

其中系数k=, e1为回归预测模型的估计误差;e2为三次指数平滑预测模型的估计误差;cov为协方差;var为方差;Y*为组合预测的估计值。Y*是Y的无偏估计, 而且组合预测值的估计误差e0的方差var (e0) 是比组合的单一预测值的估计误差的方差var (e1) 、var (e2) 要小。按照此种方法求出的系数k为0.104, 组合预测模型为:

Y*=0.104Y1+0.896Y2

三次指数平滑预测法依据水路货物运输量自身变化规律进行预测, 在短期预测时结果可信度较高, 但由于水路货物运输量增长的历史规律特点, 将导致中长期预测结果偏高。回归预测法根据水路货物运输量和腹地国内生产总值的历史变动规律进行预测, 对预测期内腹地经济发展、集疏运条件改善等有利因素均无法反映, 导致预测结果偏低。组合预测法按照“估计误差的方差极小”的最优权重确定准则, 确定出了三次指数平滑预测结果和回归预测结果在最终预测结果中的理论最优权重, 预测结果准确度较高, 即2020年和2030年最终预测结果为4921万t和9190万t。

参考文献

[1]邹俊善.现代港口经济学[M].人民交通出版社.

[2]张欣.组合预测模型在上海内河港口吞吐量预测中的应用[M].水运工程, 2007, (04) .

[3]黄荣富, 真虹.三次指数平滑法在港口吞吐量预测中的作用[J].港口管理, 2003, (02) .

数据传输吞吐量篇8

目前国内预测港口的吞吐量多依据港口的总体规划, “十二五”规划等专项规划, 对于港口项目及相关的配套线路规划能够起到很好的效果。但在区域的交通规划比如辽中南城市群综合交通规划中, 会出现多个港口规划年度不统一, 港口运量难以协调等问题, 有必要将辽宁沿海经济带港口作为一个整体, 对其吞吐量进行预测。本文拟采用时间序列、回归分析、弹性系数等方法, 综合分析预测规划年度的辽宁沿海经济带港口吞吐量。

1 时间序列法

时间序列分析是概率统计学的一个重要分支, 对既有统计数据进行分析来预测未来年度。主要有移动平均预测模型、指数平滑预测模型、ARIMA模型等。其中ARIMA模型是与上世纪70年代由美、英国统计学家联合提出, 全称为自回归移动平均模型, 广泛用于各类型时间序列数据分析方法, 可以把握过去数据变动模式, 有助于解释预测变动规律, 是一种动态预测相当高的时间序列预测方法, 该模型一般表达式如下:

Xt=φ1Xt-1+…+φpXt-p+εt-θ1εt-1

-…-thetaqεt-q, t∈Z

式中, 前半部分为自回归部分, 非负整数p为自回归阶数, φ1, …, φp为自回归系数, 后半部分为滑动平均部分, 非负整数q为滑动平均阶数, θ1, …, θq为滑动平均系数;Xt为吞吐量数据序列, εt为WN (0, σ2) 。

本文采用的基础数据均来自于辽宁省历年统计年鉴, 1990年至2010年的辽宁港口吞吐量及辽宁省GDP见下表。

由历年的港口吞吐量图可看出辽宁港口历年吞吐量是无周期的平稳数据, 可直接用于ARIMA模型预测。将1990年至2009年20年间的辽宁港口吞吐量数据看作一个时间序列, 通过对过去的吞吐量数据变化趋势, 应用ARIMA模型, 预测未来年度辽宁港口吞吐量见后表, 其中2010—2012年数据用于对比预测结果。

2 回归分析法

回归分析是在分析具有因果关系的两个变量相互关系基础上, 通过固定一个变量, 利用模型预测另一个变量, 是一种很常用的预测方法, 根据变量的个数, 可分为一元回归和多元回归。港口行业是国民经济的基础部门, 服务业整个社会, 港口的发展和国民经济的发展息息相关, 宏观经济是港口吞吐量的最主要影响因素, 同时未来年度的GDP增长率是最容易为大家所接受的指标, 故本文中采用基于国民生产总值的一元回归分析预测辽宁港口吞吐量, 该模型一般表达式如下:

undefinedi

其中y为港口吞吐量, x为GDP数值, a、b为常数。

通过对历年辽宁省港口吞吐量和辽宁省GDP的相关性分析, person相关系数为0.991, 大于0.7, 为强相关;相关系数假设检验的显著性结果小于0.05, 说明辽宁省港口吞吐量与辽宁省GDP强相关, 并合理有效, 适用于回归分析。

同样采用1990年至2009年的港口吞吐量和辽宁省GDP数据作为基础数据线性拟合, 得到回归分析公式中的参数。规划年度根据最新的国家“十二五”规划精神, 按照7%的增长率确定辽宁省未来年度的GDP增长率, 以此为基础, 应用回归分析模型, 预测未来年度辽宁港口吞吐量见后表, 2010年—2012年数据用于比较预测结果。

3 弹性系数法

弹性系数法是在对一个因素变化发展基础上, 通过对另一个相关因素发展变化作出预测的一种间接预测方法, 近年来被广泛用能源、交通领域。弹性系数法可以从整体上把握吞吐量和经济发展的关系, 是一种定性和定量相结合预测方法, 它通过确定吞吐量的增长率与国民经济增长率之间的比例关系弹性系数, 预测未来年度港口吞吐量。一般公式如下:

e=l1/l2

其中, e是弹性系数, l1是港口吞吐量增长率, l2是GDP增长率。

根据统计数据, 计算历年来弹性系数e如下图所示。

可以看出, 弹性系数e大部分在0.9—1.05之间波动, 最低是在1993年0.76, 最高在2004年的1.15, 尤其是近年来围绕1.0波动, 且波幅较小, 征求专家意见后, 预测2010-2015年弹性系数为1, 2015年后逐步降至2020年的0.95, 再此基础上, 结合国民经济发展GDP的预测值, 预测未来年度辽宁港口吞吐量如表3。

4 未来年度辽宁沿海港口吞吐量的综合分析

三种预测方法中, 时间序列法基于历年港口吞吐量的发展趋势预测, 对国家经济形势的变化不敏感, 回归分析和弹性系数结合了国家经济发展形势, 相比较更合理。由上述预测结果综合分析, 2020年辽宁港口吞吐量在13-15亿吨之间, 中值为14亿吨。

5 结束语

本文结合历年国民经济发展和辽宁沿海港口吞吐量的增长趋势, 运用时间序列、回归分析、弹性系数多种方法预测未来年度的辽宁沿海港口运量, 并通过近3年的实际港口吞吐量校核, 表明预测结果合理可行。由于港口是辽中南区域内最大货流产生和吸引地, 本文结论有助于在辽中南区域交通规划中把握主要干线的货流规模。

参考文献

[1]陈永军.辽宁港口集装箱运输发展现状及需求预测[J].中国港口, 2006, (10) :28-30.

[2]刘长俭.“十二五”期我国港口货物吞吐量预测[J].水运管理, 2010, (10) :12-15.

[3]焦宁泊, 董国峰.大连港集装箱吞吐量预测[J].世界海运, 2008, (3) :7-9.

[4]杨浩, 等.铁路运输组织学[M].北京:中国铁道出版社, 2005.

[5]关伟, 蔚振杰.辽宁沿海经济带产业结构分析[J].地域研究与开发, 2011, (4) :21-25.

[6]王利, 李谭, 孟多.区域现代物流支撑能力综合评价研究——以辽宁沿海经济地带为例[J].海洋开发与管理, 2012, (11) :31-36.

[7]杨大海.辽宁沿海港口与东北腹地互动发展对策探讨[J].国土与自然资源研究, 2010, (4) :27-30.

[8]程晓青, 倪少权, 王柄迭.新建城市轨道交通近期诱增客流预测研究[J].城市交通, 2009, 31 (11) :55-57.

[9]黄杰, 蔡权德, 栾维新.基于LM-BP神经网络的沿海港口吞吐量动态模拟与预测[J].水运工程, 2010, (7) :63-65.

大型港口集装箱吞吐量的不平衡性篇9

1中国港口

1.1总体情况

上海港、深圳港、青岛港、宁波—舟山港、广州港、天津港、厦门港和大连港是我国8大集装箱港口,年集装箱吞吐量之和接近我国港口年集装箱吞吐总量的80%,这些港口集装箱吞吐量的不平衡状况基本可反映我国港口集装箱吞吐量的总体不平衡状况。由图1可见:(1)2006年全球集装箱运输处于高速发展期,上半年我国8大集装箱港口的月度吞吐量低于全年月均值,其中2月吞吐量最小,只及全年月均值的71%;下半年各月吞吐量大于全年月均值,其中9月吞吐量最大,相当于全年月均值的112%;(2)2007年集装箱运输仍然延续2006年高速发展的态势,港口吞吐量不平衡性的表现与2006年基本一致;(3)2008年金融危机开始影响集装箱运输业,下半年各月吞吐量大于全年月均值的态势趋缓。

1.2区域差异

由于腹地经济发展状况和贸易结构存在差异,不同区域港口集装箱吞吐量不平衡性的表现也有所不同。我国8大集装箱港口中,大连港、天津港和青岛港属环渤海地区,上海港和宁波—舟山港属长三角地区,厦门港属东南沿海地区,深圳港和广州港属珠三角地区。由图2可见:(1)2008年上半年各区域港口吞吐量不平衡性的表现基本一致;(2)受金融危机影响,下半年各月吞吐量大于全年月均值的态势趋缓,从年末各月吞吐量的变化情况来看,不同区域港口受金融危机影响的程度由北向南逐渐加深。

1.3上海港和香港港

由图3可见:(1)2004—2007年,上海港集装箱吞吐量不平衡性的表现基本一致,1—5月的吞吐量小于全年月均值,2月吞吐量最小,6—12月的吞吐量大于全年月均值;(2)2008年下半年金融危机对实体经济的影响加剧,除8月吞吐量远超全年月均值外,下半年各月吞吐量基本与全年月均值持平。

由图4可见:(1)2004—2008年,香港港吞吐量最小的月份均为2月,下半年各月吞吐量通常大于全年月均值;(2)受金融危机影响,2008年底香港港的吞吐量显著下降。

2韩国港口

在韩国港口的集装箱吞吐量中,中转箱约占30%,且大部分来自我国。由图5可见:(1)2006—2008年,韩国港口中转箱吞吐量的不平衡性与集装箱吞吐量的不平衡性基本一致;(2)2008年1—10月,韩国港口集装箱吞吐量的不平衡性与我国主要港口基本一致,但11—12月的不平衡指数较我国主要港口小,表明韩国港口受金融危机的影响较大;(3)除年初2个月的吞吐量小于全年月均值外,2008年韩国港口中转箱吞吐量的不平衡性与我国环渤海港口集装箱吞吐量的不平衡性没有显著的一致性,可能是由于我国经韩国港口中转的集装箱量不平衡性与环渤海港口吞吐量不平衡性的表现不同,或者是由于环渤海港口集装箱吞吐量的不平衡性受内贸箱影响较大。

3日本港口

名古屋港是日本第3大集装箱港。2008年该港集装箱吞吐量为281.68万TEU,其中外贸箱占93.39%。由图6可见:(1)名古屋港集装箱吞吐量的不平衡性与我国和韩国港口不同,通常年初2个月吞吐量较小(1月最小),3月吞吐量最大;(2)2006和2007年的第4季度各月吞吐量均大于全年月均值;(3)受金融危机影响,虽然2008年10月吞吐量远超全年月均值,但11和12月吞吐量大幅下降,小于全年月均值。

4其他主要港口

由图7可见:(1)受金融危机影响,2008年11和12月世界主要港口的集装箱吞吐量普遍小于全年月均值;(2)横滨港为日本第2大集装箱港,其年初2个月的集装箱吞吐量小于全年月均值,与名古屋港的情况较为相似;(3)新加坡港中转箱比重较大,与我国港口运输关系密切,吞吐量的不平衡性与我国主要港口较为相似;(4)汉堡港是欧洲主要门户港之一,与我国港口运输关系密切,受集装箱运输时间的影响,3月吞吐量最小,晚于我国主要港口1个月;(5)受国民消费习惯的影响,美国东西海岸主要港口7—10月的集装箱吞吐量均大于全年月均值,同期我国港口集装箱吞吐量的波动也受此影响。

5结束语

港口集装箱吞吐量的不平衡性与腹地经济贸易发展状况、消费习惯、政策导向、港口分工及生产组织等多种因素有关,其中某些特点是固有的,某些特点只在特定发展时期存在。根据短期内吞吐量的变化情况判断港口运输发展状态或趋势时,必须充分考虑港口吞吐量不平衡因素的影响。

广东省港口货物吞吐量预测及分析篇10

广东省拥有大陆海岸线3368公里(仅次于海南居全国第二位)和42万平方公里的海域,岛屿岸线长2429公里,是我国岸线资源最丰富、沿海港口数量最多、水路运输最发达的省份之一[1]。广东省港口正迈向大型化、专业化方向发展,从2001年来,广东省港口货物吞吐量一直保持增长态势,到2010年广东省港口货物吞吐量达到了12.2258亿吨。2001年至2010年广东省港口货物吞吐量见表1。

(单位:万吨)

(数据来源:广东省统计年鉴2011)

在确定港口物流的发展规划、港口设施建设、港口的经营策略等方面,港口货物吞吐量预测不可或缺,因此科学合理的港口货物吞吐量预测是主管部门进行正确决策和规划的重要内容。另外,港口物流园区的规划与建设与覆盖地区范围内港口货物吞吐量密切相关,港口货物吞吐量预测可以提供定量的决策依据。

2 预测方法简介

一般港口货物吞吐量预测的方法包括定性和定量的两大类预测方法:定性预测具体方法有德尔菲法、主观概率法、情景预测法等;常用的定量预测方法主要分为时间序列预测方法、因果关系预测方法、组合预测方法,另外还有投出产出模型预测、弹性系数法等方法。

趋势预测法、指数平滑法、灰色预测法以及组合预测法这些都是在港口货物吞吐量预测中比较常见的预测方法。

2.1 趋势预测法

趋势预测法又称趋势外推法,是以历史的时间序列数据为基础,按时间预测的趋势外推目标因子未来发展变化的一种定量预测方法[2]。趋势预测法的主要优点是考虑时间序列发展趋势,使预测结果能更好地符合实际。常见的方法有直线趋势预测和曲线趋势预测,曲线趋势预测中还包含有多项式、指数、对数、乘幂等曲线预测。

①直线趋势预测:undefined

②多项式曲线预测:undefined

③指数曲线预测:yt=aebt

④对数曲线预测:yt=a+blnt

⑤乘幂曲线预测:yt=a·bt

其中t为时间序列,yt为第t期预测值。

2.2 二次指数平滑预测法

指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法,其特点是以前期实际值和前期预测值为依据,经过修均后得出的本期预测值。

据平滑次数不同,指数平滑法分为:一次指数平滑法、二次指数平滑法和三次指数平滑法。二次指数平滑预测步骤如下:

设时间序列为x1,x2,x3,……,xt,平滑系数为a,Sundefined为第t期第i次指数平滑值,则:

二次指数平滑预测模型为:

y(t+T)=at+bt·T

其中T为从t时间起向前预测的时间期数,at、bt为待定系数,

undefined

2.3 灰色GM(1,1)预测法

灰色预测法已经在许多领域使用,在物流园区货运量预测中,灰色预测法也是主要的预测方法之一。灰色预测中比较常用的是GM(1,1)模型,它具有要求样本数据少、原理简单、运算方便、短期预测精度高、可检验等优点,因此得到了广泛的应用,并取得令人满意的效果。灰色GM(1,1)预测法的算法如下:

设x(0)为原始观察序列,共有n个观察值x(0)(1),x(0)(2),…,x(0)(n),对x(0)作累加生成得到新的数列undefined。

对数列x(1),可建立预测模型的白化形式方程:undefined

式中,a,u为待估计参数,分别成为发展系数和内生控制灰数,可用最小二乘法求得:

undefined

将求得的参数值代入一阶微分方程,求解并还原可得到GM(1,1)预测模型:

undefined

3 广东省港口货物吞吐量预测计算

3.1 趋势预测及实现

对表1数据分别作直线、曲线方程拟合,并分别得到相关系数R值,相关系数R值越接近于1说明相关程度越高,拟合情况越好,因此选择R值最大的拟合方程进行预测。通过Excel对广东省港口货物吞吐量进行拟合,得出当拟合函数为二次多项式曲线时R值最大,拟合度最高。

此时,相关系数R2=0.9901,平均绝对百分误差undefined,说明二次多项式曲线拟合度很高,误差也较低,可以进行预测,此时预测模型函数方程为:y=7.4735x2+9252.8x+25208,x为时间序列。

3.2 二次指数平滑预测及实现

从广东省港口货物吞吐量历史时间序列数据可以看出,它大体呈长期增长趋势,可用二次指数平滑法进行预测。指数平滑系数α的选取,一般采用原则上合理的多个α值试算的办法,从中选取相对误差较小的α值。经过多次试算得到当α=0.9时,相对误差较小,计算情况见表2。

et=xt-yt,表示各观测点实际值和预测值之间的误差。根据表中的计算可得到平均绝对百分误差undefined。

根据误差计算结果可以看出平均绝对百分误差为4.34%,小于5%,因此利用二次指数平滑模型进行预测是可行的,此时得到二次指数平滑预测模型如下:

y(10+T)=122106.93+16602.555·T

3.3 灰色GM(1,1)预测及实现

对原始数列累加生成得累加数列:

x(1)={34696,78798,130138,192853,263779,346477,440044,538839,641600,763858}

构造数据矩阵B和数阵向量Y:

undefined

用最小二乘法求待估计参数a,u得:

undefined

根据以上计算可得到灰色GM(1,1)预测模型为:

(单位:万吨)

最后,灰色预测模型是否适用还需要对模型进行检验,灰色预测的检验方法有残差检验、关联度检验和后验差检验,本文对预测模型进行残差检验和后验差检验。

残差检验:残差et=xt-yt,平均绝对相对误差undefined。

后验差检验:经计算得方差比c=0.147,小误差概率p=1,根据GM(1,1)模型精度检验等级经验[3]可知,该预测有好的预测精度,可用所建模型进行预测。

3.4 组合预测及实现

在许多情况下,单纯利用一种特定的预测方法进行预测往往具有片面性。如从预测结果可以看出,各个单项预测数据相差较大,灰色预测在短期预测时误差较低,精度较高,但随着时间增加,数据的增速也加快,长期预测增长效果就会变差,预测精度变低。单一的预测方法存在一定的缺陷,不可能达到完全精确,如二次指数平滑预测最大相对误差为12.36%。如果简单地将对中长期预测误差较大的一些方法舍弃掉,将会丢失一些有用的预测方法。组合预测方法就是有效的综合多种单项预测模型的优点,在一定程度上可以克服单项预测模型的局限性,提高预测精度,改善预测效果。

组合预测法就是先利用不同的单项预测法对同一预测对象进行预测,然后对各个单独的预测结果做适当的加权平均,最后取其加权平均值作为最终的预测结果的一种预测方法[4]。组合预测的关键是如何恰当地确定各个单项预测方法的加权系数,而且采用不同的最优准则就会有不同的最优组合预测模型。标准差法可以使拟合度较好,误差较低的预测模型被赋予较高的权重,是一个比较简单可行的权重计算方法[5],本文采用标准差法确定组合预测模型的权重。具体计算如下:

每个单一预测模型的权重为wi,有:

undefined为单项预测模型的标准差,n为单项预测模型个数。

根据表3的结果可以计算出趋势预测标准差S1=2999.19,二次指数平滑预测标准差S2=6100.36,灰色预测标准差S3=4011.16。由此可计算出趋势预测模型权重w1=0.3856,二次指数平滑预测模型权重w2=0.2674,灰色预测模型权重w3=0.3470。组合预测模型为:

Y=w1Y1+w2Y2+w3Y3=0.3856Y1+0.2674Y2+0.3470Y3

(Y1为趋势预测值,Y2为二次指数平滑预测值,Y3灰色预测值)

由此组合预测模型的平均绝对相对误差MAPE=3.2%,最大相对误差为5.28%,最小相对误差为0.6%,相对误差上的偏差都比各个单项预测模型的相对误差小,说明组合预测能够有效改善预测的效果,预测精度高,比单项预测更加适合于实际预测。组合预测结果见表4。

(单位:万吨)

4 结论及分析

本文分别用趋势预测、二次指数平滑预测和灰色预测三种单项预测方法对广东省港口货物吞吐量进行预测,由于单项预测方法各自的特点使预测结果存在较大差异,预测相对误差也较大,预测效果不尽理想,因此采用组合预测技术对广东省的港口货物吞吐量进行预测。组合预测法充分利用了各单项预测数据,预测精度在95%以上,且相对误差与单项预测相比有了显著降低,最后得到了预测效果比单一预测方法更好的组合预测模型。

经过预测得出2015年广东省港口货物吞吐量为193878万吨,到2020年广东省港口货物吞吐量为291898万吨。尽管实际中港口货物吞吐量存在社会、环境、经济等影响因素,使理论预测具有一定的偏差。但从理论预测上依然可以得出,广东省港口货物吞吐量将保持增长态势,伴随着广东省“十二五”规划的开始实施和广东省港口物流的整合,广东省港口物流还存在着很大的发展空间。因此广东省港口物流需要借鉴国内外港口物流的发展经验,充分把握自身港口物流的优势,克服现有港口发展中存在的如无序竞争、定位模糊、重复建设等问题,将港口资源有效整合,科学规划,向大型化、专业化方向发展,提升广东省港口物流的综合发展水平。

参考文献

[1]苏明,单嘉雯.广东沿海港口物流的发展与对策探析[J].物流科技,2011,34,(8):46-48.

[2]戴凤君,朱晓敏.趋势预测法在长江下游干流径流量演变趋势分析中的应用[J].水文,2010,(5):42-45.

[3]刘芳,高波,Golinova S.F.灰色序列模型在物流园区货运量预测中的应用[J].成组技术与生产现代化,2005,(4):22-24.

[4]朱超.组合预测在港口吞吐量预测中的应用研究[J].港工技术,2006,9,(3):10-12.

【数据传输吞吐量】推荐阅读：

数据交换传输10-20

数据远程传输06-14

数据双向传输07-08

数据压缩传输09-20

数据传输机制07-16

数据传输装置10-15