提高集装箱运价预测精度的状态空间TBATS模型

本研究使用三个季节性单变量模型预测集装箱运费——季节性自回归综合移动平均（SARIMA）、季节性神经网络自回归（SNNAR）和状态空间TBATS模型。作为每周集装箱货运量的代表，中国集装箱货运指数（CCFI）是从上海航运交易所（SSE）收集的2010年1月至2018年12月的预测数据，共470个数据点。为了进行交叉验证，分析了两个扩展的训练样本，一个是2010年1月至2016年12月，另一个是从2010年1月份至2017年12月。随后，对2017年1月至12月和2018年1月12月这两个测试样本进行了预测。我们发现，TBATS模型或TBATS和SARIMA预测的组合在训练和测试样本预测方面都优于SARIMA和SNNAR及其组合。此外，为了交叉验证的稳健性，使用模型重新估计对每个测试样本数据点进行了预测，这提高了SARIMA和SNNAR模型的预测性能，但没有提高TBATS的预测性能。