结合经济指标修正的GA-BP模型港口货物吞吐量预测

为有效预测港口货物吞吐量,基于遗传算法(Genetic Algorithm,GA)优化的BP神经网络模型(GA-BP模型),结合经济指标影响,对港口货物吞吐量进行预测研究。选取2012―2020年上海港货物吞吐量月度数据,运用GA-BP模型得到准预测值,通过主成分分析法对经济指标降维,得出经济综合影响指数,并对准预测结果进行修正。试验证明,考虑经济指标影响的GA-BP模型比传统时间序列模型和BP神经网络模型的预测效果更优。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

基于Elman神经网络的上海港货物吞吐量预测研究

从内贸以及外贸两方面探讨上海港货物海运生成量。常用的预测方法有回归分析法、指数平滑法、灰色预测等,但单独的预测方法往往导致预测的准确性较低。文中通过货运量生成法、三次指数平滑法、回归预测法得到3组预测值,作为Elman神经网络的输入,对网络进行训练得到综合的预测模型,并以上海港货物吞吐量为例,对此模型进行论证。     

港口集装箱吞吐量的灰色神经网络预测模型研究

为了降低港口集装箱吞吐量的预测误差,提高预测精度,文章通过分析传统的灰色预测模型和 BP 神经网络预测模型的优缺点,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和 BP 神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明：灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于ARIMA和GM模型的青岛港货物吞吐量预测研究

通过多元回归、时间序列模型以及灰色预测模型,对青岛市的近20 a对外贸易总额和吞吐量进行分析预测。充分考虑与港口货物吞吐量相关的六种因素指标,构建多元回归方程,运用Eviews软件对各因素的数据进行处理,建立ARIMA模型并对提取的三个指标进行预测,从而对回归模型中的对外贸易进出口总额(因变量)进行总预测,以了解青岛港的运输需求量;采用灰色预测模型并运用MATLAB软件对青岛港的货物吞吐量预测,分析青岛港港口的运输承载力。运用数学模型对港口吞吐量进行科学的评价和预测,能为青岛港制定中长期发展战略提供基本依据,对港口的持续发展的具有一定的现实意义。     

一种改进的ARIMA预测模型在船舶系统中的应用

为实现船舶设备维护方式的智能化升级,用视情维修代替传统的定期巡检,提出一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化的Elman神经网络融合自回归差分移动平均模型(Auto-Regressive Integrated Moving Average,ARIMA)模型的组合预测模型,用于对设备状态参数进行预测。根据序列特征拟合ARIMA模型,利用改进的PSO算法优化Elman神经网络的权值和阈值,基于改进的PSO-Elman模型的残差预测值修正ARIMA模型预测结果。采用某船设备实际数据对该组合预测模型进行训练和验证,将其预测结果与其他模型的预测结果相对比,结果表明,该组合预测模型具有较高的预测精度和稳定性。     

基于季节分解法的防城港港货物吞吐量预测及分析

为准确预测防城港港口货物吞吐量,为经济发展提供重要信息,依据防城港港2011―2016年的货物吞吐量数据,运用剔除了季节因素影响的时间序列分析方法建立数学模型用于预测防城港港货物吞吐量,并将预测结果与实际数据对照以验证数学模型的有效性,进而对防城港港2018―2021年的货物吞吐量进行预测,预测结果为防城港港货物吞吐量将稳步增长,根据预测结果为防城港港的发展规划提出建议。     

基于BP神经网络的武汉港货物吞吐量预测

港口吞吐量是港口设施和经营管理水平的综合性反映。本文从BP神经网络原理入手,构建影响港口货物吞吐量的因素与货物吞吐量间的预测模型,并对武汉港货物吞吐量进行了预测,得到了较好的预测结果。     

最优组合预测方法在内河港口吞吐量预测中的应用

港口吞吐量的预测是港口规划过程中最为基础也最为关键的一步,只有对港口吞吐量做出准确、稳定的预测,才能做出科学合理的港口发展规划。由于内河港吞吐量历史数据有限,文中采用GM(1,1)和Verhulst模型的最优组合模型对港口吞吐量进行预测。该组合模型充分利用GM(1,1)模型“少数据,短期预测准确”的优点,又针对GM(1,1)预测量的无限增大趋势,引入了Verhulst模型进行组合修正,进而提高预测值的准确、稳健性。     

组合预测模型在上海内河港口吞吐量预测中的应用

建立时间序列和二元线性回归的组合预测模型,对上海内河港口2010年、2015年和2020年的货物吞吐量水平进行了预测。研究发现,组合预测模型相比单个预测方法具有较高的精度,能够较准确地预测上海内河港口货物吞吐量。     

基于LSTM-GRU模型的船体结构应力预测分析

船体结构应力预测对船舶航行安全具有重要意义,然而由于船体结构应力数据具有强随机性,传统方法难以有效准确地对其进行预测。为解决这一问题,采用对非线性关系具有很强拟合能力的长短期记忆网络（LSTM）和门控循环单元（GRU）组合方法对船体结构应力数据进行预测,并通过模型试验验证该方法的稳定性和可行性。结果表明,相比传统的循环神经网络（RNN）模型和单个预测模型,该组合模型在预测精度和效果方面都有明显优势,能够有效预测船体结构应力。其中,预测值与实际值的误差保持在3%以内,决定系数为0.91。     

基于并联型灰色神经网络模型的港口吞吐量预测方法探讨

港口吞吐量预测是港口规划的基础,在确定港口发展方向、投资规模等方面发挥着十分重要的作用,因此有必要对港口吞吐量的发展趋势做出合理的预测。结合灰色理论和神经网络模型的特点,尝试用灰色神经网络组合模型之一——并联型灰色神经网络模型进行港口吞吐量预测。用实际算例证明了该方法在港口吞吐量预测中的有效性。     

基于组合模型的港口集装箱吞吐量预测方法

以某港1990~2003年集装箱吞吐量为实测数据,建立其集装箱吞吐量的和灰色系统等预测模型。对比该港2004~2006年集装箱吞吐量各模型预测值与实际值的差异,分析了差异产生的原因及其单一预测模型的局限性,提出了基于组合预测的港口集装箱吞吐量预测法。对港港口集装箱吞吐量发展趋势进行预测,作为未来对港口岸线资源有效的开发利用,基础设施的合理规划、建设以及港口功能拓展的依据是很有必要的。     

基于DWT-LSTM的航道水位智能预测模型研究

航道水位信息是内河船舶安全通航、合理配载的决策依据之一。为揭示内河航道水位特征、提高短时预测精度,提出了一种基于小波分析(DWT)和长短时记忆(LSTM)的耦合神经网络模型,以汉口水位站为例,验证了模型有效性,并与传统BP神经网络、小波分析-BP神经网络和LSTM神经网络模型进行对比分析。研究结果表明:四类模型均可满足短时预测需求,合格率均大于90%;当航道水位变幅剧烈时,BP神经网络耦合模型误差较大;DWT-LSTM耦合神经网络模型性能较经典LSTM模型分别提升约10.9%(预测周期1-2天)、25.2%(预测周期3-5天)。研究成果可为船舶通航风险评估、航道条件分析等提供技术支撑。     

复航河流沿岸港区的吞吐量预测方法的探讨

利用多种方法对复航河流沿岸港区吞吐量发展水平作出预测。近期预测主要采用时间序列法、灰色模型法和修正指数曲线法,对各方法预测结果加权平均得出吞吐量预测值。远期预测时,利用灰色模型曲线和修正指数曲线构造复合曲线获得吞吐量预测值。最后在定性分析的基础上对吞吐量预测值作出修正。     

基于优化GM(1,1)模型的港口吞吐量预测

为有效预测具有振荡性质的港口吞吐量,提出基于正弦和具有自适应背景值的GM(1,1)优化模型。通过原始序列建立具有自适应背景值的GM(1,1)模型以描述总体趋势,利用正弦和描述残差中包含的周期性振荡规律,建立优化的GM(1,1)模型。利用该模型对广州港港口吞吐量数据进行模拟与预测,结果表明:基于优化的GM(1,1)模型,能够较好地描述具有周期振荡特征的港口吞吐量时间序列数据,模拟和预测精度都显著优于传统GM(1,1)模型,可将该模型用于具有振荡性质的吞吐量预测。     

非线性GM（1，1，α）模型在港口货物吞吐量预测中的应用

针对港口货物吞吐量预测的影响因素不确定及统计数据缺乏的问题，引入灰色预测理论，在传统的线性GM（1，1）模型的基础上。运用非线性GM（1，1，α）模型对港口货物吞吐量数据进行模拟和预测，并以2003-2007年汕头港货物吞吐量数据为实证，检测该模型的实用性和准确性。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。     

基于三次指数平滑法的钦州港货物吞吐量预测

根据钦州港2012年的货物吞吐量数据分析,发现在各种吞吐量预测方法中,三次指数平滑法较为适宜,根据钦州港1999年至2011年吞吐量历史数据进行预测,得到了钦州港2015年和2020年的吞吐量预测值,为钦州港建设规划提供参考依据。     

基于LSTM的舰船运动姿态短期预测

舰船的六自由度运动状态形成复杂的非线性过程,运动姿态会受到耦合作用、不定周期、噪声信号以及混沌特性等因素的干扰,因此很难得到精确的预测结果。为了提升舰船运动姿态的预测精度,利用舰船时间序列的特点,建立了基于长短期记忆单元(LSTM)模型,对其进行了舰船姿态预测仿真,将结果与时间序列分析法的结果进行对比。实例分析表明:基于LSTM模型的预测方法具有精确度高、易实现的特点。这为舰船运动短期预测提供了一个新的思路和方法。