Publicação
Navigating the noise : variable selection strategies for port demand forecasting using open-source data
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | |
| datacite.subject.sdg | 04:Educação de Qualidade | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| datacite.subject.sdg | 16:Paz, Justiça e Instituições Eficazes | |
| dc.contributor.advisor | Bertani, Nicolò | |
| dc.contributor.author | Frade, António Frutuoso Machado | |
| dc.date.accessioned | 2026-07-17T16:14:58Z | |
| dc.date.available | 2026-07-17T16:14:58Z | |
| dc.date.embargo | 2027-07-17 | |
| dc.date.issued | 2026-02-02 | |
| dc.date.submitted | 2026-01-01 | |
| dc.description.abstract | Port demand, measured as number of vessels docked at a given date, is a proxy for the state ofglobal trade, which is relevant for many economic actors, such as logistics operators and portauthorities. Although GPS tracking of ships provides accurate indicators, such data is private.This dissertation investigates whether the demand for a port can be predicted using open-source data. We consider historic number of daily dockings worldwide and explore whether apredictive network of ocean freight flows can be reconstructed by relating laggedobservations of ports in the ecosystem. This investigation is relevant from applied andtheoretical perspectives alike. It enables us to test this hypothesis of reconstructing patterns(routes) in maritime transport. To test this, we need to select what lags (and from which ports)are relevant. Since the candidate predictors are significantly more than the observations, thisinvestigation needs to solve the challenge of variable selection in high-dimensionalforecasting. A forecasting competition is then conducted, considering various approaches tovariable selection and model estimation. We conclude that even if methods have a built-inselection step, forcing prior selection seems to pay off. isis_Random Forest seems to be thebest performing individual model. In ports that are not outliers (demand is not very volatilenor too stable), models tend to perform better than the benchmarks. This approach is thenworth considering if one is faced with the same task and data limitations. The few linksdetected confirm the importance of having tailored data. | eng |
| dc.description.abstract | Procura portuária, como número de navios atracados num dia, é um espelho do estado do comércio global que interessa a muitos atores económicos, como operadores logísticos e autoridades portuárias. Embora o rastreamento GPS de navios forneça indicadores precisos, esses dados são privados. Esta dissertação investiga se a procura num porto pode ser prevista usando dados públicos. Partindo do histórico de entradas diárias em todos os portos do mundo, exploramos se uma rede preditiva de fluxos de transporte marítimo pode ser reconstruída relacionando observações passadas dos portos no ecossistema. Esta investigação é, portanto, relevante do ponto de vista aplicado como teórico. Permite-nos testar esta hipótese de reconstrução dos padrões (rotas) no transporte marítimo. Para isso, é necessárioselecionar as observações passadas (e de que portos) relevantes. Dado que o há muito mais variáveis candidatas que observações, esta investigação necessita previamente de resolver o desafio da seleção de variáveis na previsão de alta dimensionalidade. Realiza-se uma competição de previsão, considerando abordagens variadas de um e dois passos para seleção de variáveis e estimativa de modelos. Concluímos que mesmo que alguns métodos tenhamum passo de seleção incorporado, forçar uma seleção prévia parece compensar. isis_RandomForest é o modelo com melhor desempenho. Em portos que não são casos extremos (aprocura não é muito volátil nem demasiado estável), os modelos têm um desempenho melhor que os benchmarks, fazendo desta uma abordagem a considerar num contexto semelhante. Os poucos padrões detetados reforçam a importância de ter dados adequados. | por |
| dc.identifier.other | 69852b29-e307-4d16-a5c9-e9beb09c38fb | |
| dc.identifier.tid | 204222125 | |
| dc.identifier.uri | http://hdl.handle.net/10400.14/58771 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Port demand forecast | eng |
| dc.subject | High-dimensional forecasting | eng |
| dc.subject | Sure independence screening | eng |
| dc.subject | Automatic relevance determination regression | eng |
| dc.subject | Forecasting competition | eng |
| dc.subject | Latent prediction networks | eng |
| dc.subject | Previsão da procura portuária | por |
| dc.subject | Previsão de alta dimensionalidade | por |
| dc.subject | Seleção de independência certa | por |
| dc.subject | Regressão bayesiana com ARD | por |
| dc.subject | Competição de modelos | por |
| dc.subject | Redes de previsão latente | por |
| dc.title | Navigating the noise : variable selection strategies for port demand forecasting using open-source data | por |
| dc.title.alternative | Navegando pelo ruído : estratégias de seleção variável para a previsão da procura portuária com dados de acesso gratuito | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Gestão e Administração de Empresas |
Ficheiros
Principais
1 - 1 de 1
Miniatura indisponível
- Nome:
- 204222125.pdf
- Tamanho:
- 3.22 MB
- Formato:
- Adobe Portable Document Format