| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-11页 |
| 1．1 研究背景和目的 | 第8-9页 |
| 1．2 文献综述 | 第9-10页 |
| 1．3 研究内容 | 第10-11页 |
| 2 港口集装箱吞吐量预测模型 | 第11-44页 |
| 2．1 时间序列预测 | 第11-14页 |
| 2．1．1 移动平均法 | 第11-12页 |
| 2．1．2 指数平滑法 | 第12-13页 |
| 2．1．3 趋势外推法 | 第13-14页 |
| 2．2 回归模型 | 第14-26页 |
| 2．2．1 一元线性回归模型 | 第14-18页 |
| 2．2．2 多元线性回归模型 | 第18-22页 |
| 2．2．3 违反古典假设的线性回归模型 | 第22-25页 |
| 2．2．4 非线性回归模型 | 第25-26页 |
| 2．3 灰色预测模型 | 第26-38页 |
| 2．3．1 灰色系统理论概述 | 第27页 |
| 2．3．2 GM(1，1)模型和检验方法 | 第27-30页 |
| 2．3．3 灰色模型的优化和改进 | 第30-31页 |
| 2．3．4 灰色加权均值模型 | 第31-33页 |
| 2．3．5 三种残差修正模型 | 第33-36页 |
| 2．3．6 灰色优化和灰色非线性模型 | 第36-38页 |
| 2．4 人工神经网络模型 | 第38-44页 |
| 2．4．1 人工神经网络概述 | 第38-39页 |
| 2．4．2 径向基函数网络 | 第39-42页 |
| 2．4．3 港口吞吐量预测的RBF神经网络建模 | 第42-44页 |
| 3 基于聚类分析的港口类型化 | 第44-50页 |
| 3．1 聚类分析的基本原理 | 第44-46页 |
| 3．1．1 聚类分析原理和方法 | 第44-45页 |
| 3．1．2 聚类分析的应用 | 第45-46页 |
| 3．2 基于聚类分析的港口类型化 | 第46-48页 |
| 3．2．1 类型化指标和代表性港口的选择 | 第46页 |
| 3．2．2 沿海港口类型化 | 第46-48页 |
| 3．3 港口类型化结果分析 | 第48-50页 |
| 4 类型化港口的集装箱吞吐量预测方法应用 | 第50-84页 |
| 4．1 普通增长型 | 第50-62页 |
| 4．1．1 传统时间序列预测 | 第50-52页 |
| 4．1．2 灰色系列模型预测 | 第52-56页 |
| 4．1．3 回归模型预测 | 第56-58页 |
| 4．1．4 RBF神经网络预测 | 第58-61页 |
| 4．1．5 普通增长型港口预测结果分析 | 第61-62页 |
| 4．2 加速增长型 | 第62-74页 |
| 4．2．1 传统时间序列预测 | 第62-64页 |
| 4．2．2 灰色系列模型预测 | 第64-67页 |
| 4．2．3 回归模型预测 | 第67-69页 |
| 4．2．4 RBF神经网络预测 | 第69-73页 |
| 4．2．5 加速增长型港口预测结果分析 | 第73-74页 |
| 4．3 波动增长型 | 第74-84页 |
| 4．3．1 时间序列和灰色模型预测 | 第74-75页 |
| 4．3．2 回归模型预测 | 第75-77页 |
| 4．3．3 RBF神经网络预测 | 第77-82页 |
| 4．3．4 波动增长港口预测结果分析 | 第82-84页 |
| 5 结论与展望 | 第84-86页 |
| 5．1 结论 | 第84-85页 |
| 5．2 展望 | 第85-86页 |
| 参考文献 | 第86-89页 |
| 攻读硕士学位期间所参加的科研项目及所发表的学术论文 | 第89-90页 |
| 致谢 | 第90-91页 |
| 大连理工大学学位论文版权使用授权书 | 第91页 |