Un Nuevo Modelo de Predicción Inteligente para el Índice de Flete Contenerizado: Una Nueva Perspectiva de Selección de Modelos Adaptativos para Subseries
Autores: Yang, Wendong; Zhang, Hao; Yang, Sibo; Hao, Yan
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un Nuevo Modelo de Predicción Inteligente para el Índice de Flete Contenerizado: Una Nueva Perspectiva de Selección de Modelos Adaptativos para Subseries
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Predicción
índice de carga en contenedores
Selección de modelo
Preprocesamiento de datos adaptativo
Conjunto multiobjetivo
Predictor
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La predicción del índice de flete en contenedores tiene una importante significación económica y social. Investigaciones anteriores han aplicado principalmente sub-predictores directamente para la integración, lo que no puede ser optimizado para diferentes conjuntos de datos. Para llenar este vacío de investigación y mejorar la precisión de la predicción, este estudio propone de manera innovadora un nuevo modelo de predicción basado en la selección de modelos adaptativa y un ensamblaje multiobjetivo para predecir el índice de flete en contenedores. El modelo propuesto comprende los siguientes cuatro módulos: preprocesamiento de datos adaptativo, biblioteca de modelos, selección de modelos adaptativa y ensamblaje multiobjetivo. Específicamente, se establece un módulo de preprocesamiento de datos adaptativo basado en una nueva tecnología de descomposición modal que puede reducir efectivamente el impacto de las perturbaciones en los datos históricos sobre el modelo de predicción. En segundo lugar, se construye una nueva biblioteca de modelos para predecir las subseries, que consiste en cuatro predictores básicos. Luego, se establece el módulo de selección de modelos adaptativa basado en la selección de características Lasso para elegir predictores válidos para las subseries. Para las subseries, diferentes predictores pueden producir diferentes efectos; por lo tanto, para obtener mejores resultados de predicción, se deben reconsiderar los pesos de cada predictor. Por lo tanto, se introduce un algoritmo de optimización artificial de buitres multiobjetivo en el módulo de ensamblaje multiobjetivo, que puede mejorar efectivamente la precisión y estabilidad del modelo de predicción. Además, un descubrimiento importante es que el modelo propuesto puede adquirir diferentes modelos, variando adaptativamente con diferentes características de datos extraídas en varios conjuntos de datos, y es común que se seleccionen múltiples modelos o ningún modelo para las subseries. El modelo propuesto demuestra un rendimiento de pronóstico superior en el mercado de fletes real, logrando valores promedio de MAE, RMSE, MAPE, IA y TIC de 9.55567, 11.29675, 0.44222%, 0.99787 y 0.00268, respectivamente, en cuatro conjuntos de datos. Estos resultados indican que el modelo propuesto tiene una excelente capacidad predictiva y robustez.
Descripción
La predicción del índice de flete en contenedores tiene una importante significación económica y social. Investigaciones anteriores han aplicado principalmente sub-predictores directamente para la integración, lo que no puede ser optimizado para diferentes conjuntos de datos. Para llenar este vacío de investigación y mejorar la precisión de la predicción, este estudio propone de manera innovadora un nuevo modelo de predicción basado en la selección de modelos adaptativa y un ensamblaje multiobjetivo para predecir el índice de flete en contenedores. El modelo propuesto comprende los siguientes cuatro módulos: preprocesamiento de datos adaptativo, biblioteca de modelos, selección de modelos adaptativa y ensamblaje multiobjetivo. Específicamente, se establece un módulo de preprocesamiento de datos adaptativo basado en una nueva tecnología de descomposición modal que puede reducir efectivamente el impacto de las perturbaciones en los datos históricos sobre el modelo de predicción. En segundo lugar, se construye una nueva biblioteca de modelos para predecir las subseries, que consiste en cuatro predictores básicos. Luego, se establece el módulo de selección de modelos adaptativa basado en la selección de características Lasso para elegir predictores válidos para las subseries. Para las subseries, diferentes predictores pueden producir diferentes efectos; por lo tanto, para obtener mejores resultados de predicción, se deben reconsiderar los pesos de cada predictor. Por lo tanto, se introduce un algoritmo de optimización artificial de buitres multiobjetivo en el módulo de ensamblaje multiobjetivo, que puede mejorar efectivamente la precisión y estabilidad del modelo de predicción. Además, un descubrimiento importante es que el modelo propuesto puede adquirir diferentes modelos, variando adaptativamente con diferentes características de datos extraídas en varios conjuntos de datos, y es común que se seleccionen múltiples modelos o ningún modelo para las subseries. El modelo propuesto demuestra un rendimiento de pronóstico superior en el mercado de fletes real, logrando valores promedio de MAE, RMSE, MAPE, IA y TIC de 9.55567, 11.29675, 0.44222%, 0.99787 y 0.00268, respectivamente, en cuatro conjuntos de datos. Estos resultados indican que el modelo propuesto tiene una excelente capacidad predictiva y robustez.