基于时间序列和Xgboost的钢卷仓储吞吐量预测

作者：孟杭^*; 黄细霞; 涂修建

来源：计算机应用, 2019, S2: 24-28.

• 无水港
• 钢卷吞吐量预测
• 混杂系统
• 时间特征
• one-hot编码
• 差分整合移动平均自回归模型
• 极端梯度提升

钢铁物流是衡量无水港钢铁贸易水平的核心指标之一。针对提升无水港运作效率,提前规划库位分配并监测钢卷吞吐量,提出一种基于时间序列和极端梯度提升(Xgboost)的钢卷仓储吞吐量预测方法。该方法对输入特征中含有连续变量和离散变量的混杂系统构建时间特征,用滑窗法构造回归数据,用one-hot编码处理离散变量,将差分整合移动平均自回归(ARIMA)模型和Xgboost模型加权融合,实现热卷和冷卷未来7天和4周的吞吐量预测。利用某无水港2014年至2018年的历史销售订单、仓储、吞吐量等数据进行训练和测试。实验结果表明,ARIMA和Xgboost的组合模型得分82.421 5,具有最高的预测精度,比单一的时间序列模型和机器学习模型准确率都高。

• 单位
  上海海事大学