進階搜尋


   電子論文尚未授權公開,紙本請查館藏目錄
(※如查詢不到或館藏狀況顯示「閉架不公開」,表示該本論文不在書庫,無法取用。)
系統識別號 U0026-1908201917351600
論文名稱(中文) 應用ARIMA與CART之混合模型預測波羅的海乾散貨指數
論文名稱(英文) Using ARIMA and CART Hybrid Model to Predict Baltic Dry Index
校院名稱 成功大學
系所名稱(中) 交通管理科學系
系所名稱(英) Department of Transportation & Communication Management Science
學年度 107
學期 2
出版年 108
研究生(中文) 劉姿妤
研究生(英文) Zi-Yu Liu
學號 R56061067
學位類別 碩士
語文別 中文
論文頁數 56頁
口試委員 指導教授-沈宗緯
口試委員-林東盈
口試委員-許聿廷
中文關鍵字 時間序列  預測  波羅的海乾散貨指數  STL分解法  分類與迴歸樹  自我迴歸移動平均整合模型  混合模型 
英文關鍵字 BDI  prediction  ARIMA  CART  hybrid model 
學科別分類
中文摘要 國際貿易是以海運為主,其中不定期國際散裝海運市場的運費起伏變動大且不易預測,使得投資不定航面臨較高的風險與不確定性,而波羅的海乾散貨指數(Baltic Dry Index , BDI)則是判斷不定航市場重要的指標。
在BDI預測方法中,可大致分為兩大類,傳統時間序列預測與非線性(non-linear)和資料探勘方法預測。因BDI屬於非穩定的時間序列資料,而傳統時間序列預測雖能準確的進行線性的時間序列預測,但對於擁有經濟起伏衰退特徵的BDI卻無法準確預測。而機器學習方法近年來逐漸應用於非線性及非定態的時間序列資料預測。本研究結合時間序列模型中之 ARIMA (Autoregressive Integrated Moving Average model) 與機器學習方法中的分類迴歸樹 (Classification and Regression Tree, CART) 模型,採用分類迴歸樹可以找出重要的解釋變數,補足單純使用時間序列模型時較為缺乏的變數解釋。
本研究先以基於Loess函數的季節與趨勢分解方法 (Seasonal and Trend decomposition using Loess, STL)將BDI分解為三部分:趨勢、季節、剩餘,以ARIMA校估並預測趨勢,以CART校估並預測剩餘部分,並以CART解釋影響季節的重要解釋變數再以平均絕對百分比誤差(Mean Absolute Percentage Error , MAPE)評估其預測準確度。最後比較本研究所提出之混合模型、單一ARIMA模型和單一CART模型對BDI進行預測之結果,結果顯示,混合模型的預測準確度較其它兩者高,且預測結果能明顯的表現出季節性與趨勢之特性,研究結果可提供海運業者做為經營與決策不定航市場方針之參考。
英文摘要 International trade mainly relies on maritime transportation. The Baltic Dry Index (BDI) is an important indicator representing the freight rate of the dry bulk shipping market. However, analysis of this trend and the seasonal fluctuation patterns of the BDI have long been considered challenging. This research seeks to predict these elements by combining traditional time series model and data mining techniques into the hybrid model. Specifically, this work employs Seasonal and Trend decomposition using Loess (STL) to decompose the time series data into three components: the trend, seasonality, and reminders. The trend is predicted by an Autoregressive Integrated Moving Average (ARIMA) model, while the remainder is predicted by Classification And Regression Tree (CART) model. These two techniques were adopted because the ARIMA model is useful for trend prediction and the CART performs well when predictingnon-linear time series data. BDI data collected between 1998 and 2016 was used to train and test the performance of the proposed method. The results show that combining the CART and ARIMA models enhances predictive performance not only with regards to the trend, but also to the fluctuations of the BDI. This was verified by the mean absolute percentage error, which showed that the overall prediction effect was good. The proposed method will provide a strategic analysis tool for dry bulk shipping carriers that can be used as a part of their greater decision-support system
論文目次 第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 資料範圍 4
1.4 研究內容與流程 4
第二章 文獻回顧 6
2.1 BDI之影響因素 6
2.2 BDI趨勢及季節性 8
2.3 BDI之預測方法 9
2.4 小結 12
第三章 研究方法 14
3.1 研究工具 15
3.2 STL分解法 15
3.3 ARIMA 16
3.4 CART 19
3.5 混合模型 20
3.6 判斷預測準確度之指標 21
第四章 實證分析 22
4.1 資料蒐集 22
4.2 SARIMA模型預測BDI 23
4.2.1 資料判定 24
4.2.2 模型選擇 25
4.2.3 預測 26
4.3 CART模型預測BDI 28
4.3.1 模型建構 29
4.3.2 預測 32
4.4 混合模型 35
4.4.1 以STL分解BDI時間序列 36
4.4.2 影響季節性之重要因素 36
4.4.3 以ARIMA模型預測趨勢 37
4.4.4 以CART模型預測剩餘 38
4.4.5 ARIMA+CART之混合模型 40
4.5 總結 47
4.5.1 模型結果比較 47
4.5.2 與過去文獻比較 50
第五章 結論與建議 52
5.1 結論 52
5.2 建議 53
參考文獻 54
中文文獻 54
英文文獻 55
參考文獻 中文文獻
王珮紋 (2012),利用資料探勘技術建立現金預測模式 :決策樹方法之應用,國立中正大學會計與資訊科技所碩士論文
呂學樺 (2008),散裝船運市場運價影響因素之分析,國立交通大學運輸科技與管理所碩士論文
林宇恆 (2016),決策樹結合複迴歸模型預測氣溫與雨量,國立臺灣師範大學電機工程碩士論文
梁容禎 (2006),波羅的海乾散貨指數影響因素之分析與預測,國立交通大學運輸科技與管理所碩士論文
陳柔安 (2018),PM2.5細懸浮微粒之時間序列巨量數據分析應用於污染趨勢與源解析,國立交通大學環境工程系所碩士論文
張偉斌, 劉德明, 王照元, 紀櫻珍, 吳忠敏, 王堉璿, & 張偉嶠. (2011). 建構整合類神經網路與分類迴歸樹在大腸癌病患淋巴轉移之預測. 北市醫學雜誌, 8(1), 13-22.
陳桓毅 (2006),散裝航運波羅地海運價指數預測之研究,國立臺灣海洋大學航運管理所碩士論文
程明輝 (2018),利用資料探勘預測品質模型對面板清洗製程之研究,國立高雄師範大學工業科技教育所碩士論文
廖一夫 (2002),臺灣銀行業動態化預警模型之研究,國立成功大學政治經濟研究所碩士論文
劉虹君 (2006),散裝運輸運價指數之預測-模糊分段迴歸,開南管理學院航運與物流管理碩士論文
林光、張志清(2014),航業經營管理 八版,臺北:複合文具印刷有限公司
英文文獻
Angelopoulos, J. (2017). Time–frequency analysis of the Baltic Dry Index. Maritime Economics & Logistics, 19(2), 211-233.
Bao, J., Pan, L., & Xie, Y. (2016). A new BDI forecasting model based on support vector machine. Paper presented at the Information Technology, Networking, Electronic and Automation Control Conference, IEEE.
Box, G. E., & Jenkins, G. M. (1976). Time series analysis: Forecasting and control San Francisco. Calif: Holden-Day.
Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Belmont, CA: Wadsworth. International Group, 432.
Cadenas, E., & Rivera, W. (2010). Wind speed forecasting in three different regions of Mexico, using a hybrid ARIMA–ANN model. Renewable Energy, 35(12), 2732-2738.
Chistè, C., & Van Vuuren, G. (2014). Investigating the cyclical behaviour of the dry bulk shipping market. Maritime Policy & Management, 41(1), 1-19.
Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A Seasonal-Trend Decomposition. Journal of Official Statistics, 6(1), 3-73.
Denning, K. C., Riley, W. B., & DeLooze, J. P. (1994). Baltic freight futures: Random walk or seasonally predictable? International Review of Economics & Finance, 3(4), 399-428.
Faruk, D. Ö. (2010). A hybrid neural network and ARIMA model for water quality time series prediction. Engineering Applications of Artificial Intelligence, 23(4), 586-594.
Han, Q., Yan, B., Ning, G., & Yu, B. (2014). Forecasting dry bulk freight index with improved SVM. Mathematical Problems in Engineering, 2014.
Kavussanos, M. G., & Alizadeh-M, A. H. (2001). Seasonality patterns in dry bulk shipping spot and time charter freight rates. Transportation Research Part E: Logistics and Transportation Review, 37(6), 443-467.
Li, J., & Parsons, M. G. (1997). Forecasting tanker freight rate using neural networks. Maritime Policy & Management, 24(1), 9-30.
Pai, P.-F., & Lin, C.-S. (2005). A hybrid ARIMA and support vector machines model in stock price forecasting. Omega, 33(6), 497-505.
Papailias, F., Thomakos, D. D., & Liu, J. (2017). The Baltic Dry Index: cyclicalities, forecasting and hedging strategies. Empirical Economics, 52(1), 255-282.
Veenstra, A. W., & Franses, P. H. (1997). A co-integration approach to forecasting freight rates in the dry bulk shipping sector. Transportation Research Part A: policy and practice, 31(6), 447-458.
Zeng, Q., Qu, C., Ng, A. K., & Zhao, X. (2016). A new approach for Baltic Dry Index forecasting based on empirical mode decomposition and neural networks. Maritime Economics & Logistics, 18(2), 192-210.
Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.


論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2024-08-31起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2024-08-31起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw