现今国内外经济环境复杂，水运作为交通运输的重要组成部分，其港口吞吐量的预测也因此显得尤其重要。第一，有利于政府了解其发展规模与发展所面临的威胁和风险，进而制定适合港口的政策，推动港口的发展。第二，可以帮助相关企业提前做出企业规模的调整计划，如引进人才、设备等，降低企业的风险。第三，有利于合理规划港口产业，如集装箱码头、集装箱物流中心以及港口物流园区的建设等。
而关于港口吞吐量预测的研究,国内外许多学者做出了很大的贡献,也得到了很多极具建设性的结论和方法,下面就各种方法和优缺点作一简单概述。
1时间序列法的研究
1.1国外研究现状
早在千年前，人类就会自觉得将相关事件按照时间的发展顺序进行记录，并根据时间的发展顺序，通过图表、图画等直观的数据对事件进行观察、研究、思考，得出事物的发展规律，这种时间序列预测法被称为描述性时序分析。之后随着社会生产力的发展和人类的认识水平和科学素养的提高，人类需要预测的数据逐渐变得复杂多变，简单的描述性时序分析已经变得不再适用，为此学术界继续探索，发明了统计学原理分析时间序列法[1]。
发展到现代，常用的时间序列分析方法有：指数平滑法[2]、滑动平均法[3]、分解法[4]等等。常用的平稳时间序列模型有：自回归模型(AR, Autoregressive Models)，移动平均模型(MA, Moving Average Models)，自回归移动平均模型(ARMA, Autoregressive Moving Average Models)。1927年，数学家Yule建立了AR模型[5]，并将该模型用于市场预测；1931年，统计学家Walker建立了MA模型[6]，运用MA模型和ARMA模型研究了印度上空的大气规律；在20世纪末，数学家Jenkins和Box建立了自回归差分移动平均模型[7] (ARIMA, Autoregressive IntegratedMoving Average Models)，进一步完善了时间序列理论，并且得到了更加广泛的应用。
时间序列理论上的进展主要表现在两个方面：一是单位根理论；一是非线性模型理论，非线性模型理论的进展集中在几何遍历性问题和非线性过程的平稳性这两方面。我国学者在非线性时间序列分析方面取得了一系列高水平的成果。
汤家豪[14]教授将有关非线性时间序列分析的研究与动力系统科学的模型连接而备受赞赏。现在他着眼于非参数时间序列模型的发展，并与生态学家进行大量的合作研究。
Brockwell, P. J. (2002)在“ Introduction to time series and forecasting, Springer.”一书中详细介绍了时间序列建模的逻辑和工具，包括平稳过程，ARMA和ARIMA过程，多元时间序列和状态空间模型，与光谱分析等工具，并提供给读者分析和预测用户自己选择的数据集的方法，节约了预测的时间[8]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
