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。     

江门市外贸集装箱生成量预测

外贸集装箱生成量和港口腹地的对外贸易发展情况密切相关，经对江门海关口岸近年来统计分析，发现腹地外贸集装箱生成量已较有规律。现用多因素动态生成机制法对江门地区外贸集装箱生成量进行预测，预测步骤见图1。     

大连港集装箱吞吐量预测

以大连港历史数据为依据，运用指数平滑、回归分析、弹性系数法等对大连港集装箱吞吐量进行预测分析，并在原有预测方法的基础上提出一种新的组合预测模型，通过对各预测结果的比较。证明此模型在港口吞吐量预测中有较高的精度。     

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。     

通过Hadoop分析AIS数据预测船舶在航道中的航行行为

面向大数据的分布式系统,如apache Hadoop,在存储和分析数量呈指数增长的各种数据(如传感器数据、客户生成的媒体、web日志等)方面已被证明是有效的。本文采用分布式可扩展大数据存储apache Hadoop对船载AIS应答机产生的大量时空数据进行存储、处理和分析。为了预测船舶在繁忙港口周围拥挤的航道中航行行为,实验使用了大约40GB真实南海海区AIS数据。这些数据经过处理形成历史船舶的航迹,并根据船舶的类型、航行目的地等属性进行分类。最后,根据目标船的属性和运动特性,实现了一种简单的目标船行为预测算法。结果,得到了目标船舶运动预测。实验结果还表明,在数据处理速度方面,该技术明显优于传统的gis应用软件。     

基于改进的ELMAN网络的舰船航态建模与预测

讨论了具有自适应功能的基于改进Elman网络的动态系统辨识建模与预测方法，并依据特定海情下实测的舰船航态数据，利用该法训练舰船航态的预测模型。该法对具有时变特性的非线性系统的建模与预测有一定的自适应能力。仿真结果表明，按该法进行建模与预测，具有动态性好、逼近速度快，精度高等特点，并且自适应性与抗噪性有较大改善，说明改进的Elman网络是一种新颖、可靠的负荷预测方法。     

基于随机粒子仿真的海上搜寻区域确定

为提高海上搜救的成功率,最大限度地减少生命和财产损失,需要快速确定包含搜寻目标漂移后的最小搜寻区域.在海洋环境数值预报模式下,考虑了不同的遇险推测场景条件,采用随机粒子仿真法确定了目标初始概率分布,恰当地描述了海洋环境数据以及风压系数中的不确定性因素对目标漂移的影响,建立了搜寻目标整体漂移模型.采用该整体漂移模型对落水人员漂移区域进行了数值预测仿真.仿真结果表明:随机粒子仿真法能准确预测搜寻区域,较好地利用现有的环境数据库信息,实时计算搜寻区域的包含率,生成指定时刻的概率分布图,相比于采用传统解析方法预测搜寻区域约缩小1/2.     

贝叶斯树算法在异常入侵检测中的应用

研究了Windows平台下异常检测方法,提出了一种利用Windows Native API调用序列和基于贝叶斯树算法的主机服务进程规则与对应概率分布生成算法。根据长为N-1的Windows Native API调用序列预测第N个调用的概率分布,对生成的概率序列用U检验方法作为异常检测算法。以贝叶斯树作为弱分类算法,利用AdaBoost-M1方法构造多个基于贝叶斯树的概率分布序列,并按一定方式把它们组合成一个加强的概率分布序列进行入侵检测。实验结果表明这种方法能明显提高模型预测能力。     

基于灰理论的港口吞吐量预测研究

港口吞吐量是港口建设的重要依据,有效预测港口吞吐量,才能使港口在海洋运输业中发挥重要作用。灰理论预测可以在少量信息、不完全数据的情况下,揭示港口吞吐量的发展变化特征,是研究港口吞吐量的有效工具。本文对上海港货物吞吐量进行研究的结果表明,应用灰理论对港口吞吐量建立灰色模型GM(1,1)进行短期预测,其结果有较高的实用价值。     

盐田港集装箱吞吐量预测

通常,港口市场预测方法除了增长速度法和腹地生成法以外,还有回归分析法、趋势外推法、指数平滑法、弹性系数法等。本文试图采用盐田港以前市场需求预测时未曾采用的几种方法,利用历史数据表现的规律建立数学模型,从而对盐田港物流市场需求进行预测,以弥补过去由于历史数据不足产生的预测方法空缺。