基于灰色小波神经网络的船舶交通流预测研究

船舶交通流预测的准确性和可靠性已成为制约港口经济科学发展的瓶颈因素。文章综合利用小波变换的局部化性质与神经网络的自学习能力,并引入灰色模型以反映船舶交通流的发展趋势,使得小波神经网络在灰色模型预测结果的基础上结合船舶交通流的影响因素再预测,构成基于灰色小波神经网络的船舶交通流组合预测模型。实验结果表明,灰色小波神经网络的预测精度高于BP神经网络与小波神经网络,提高了整个预测系统的精度及其鲁棒性。     

船舶港口建筑工程造价的预测模型构建

针对当前船舶港口建筑工程造价预测误差、准确度低的缺陷,设计了基于贝叶斯回归算法的船舶港口建筑工程造价预测模型。首先对当前船舶港口建筑工程造价预测现状进行分析,分析船舶港口建筑工程造价预测误差大的原因,然后根据船舶港口建筑工程造价数据,引入贝叶斯回归算法对船舶港口建筑工程造价的变化态势进行拟合和预测,最后通过船舶港口建筑工程造价预测的仿真实验分析预测效果,本文模型很好把握了船舶港口建筑工程造价变化规律,船舶港口建筑工程造价预测精度超过95%,船舶港口建筑工程造价预测的训练和测试时间短,船舶港口建筑工程造价结果要明显好于其他模型,为船舶港口建筑工程造价预测提供了一种新的研究工具。     

基于数据挖掘的船舶行为研究

如何从我国沿海港口海量的船舶自动识别数据中找出海上交通知识,是我国交通海事部门和港口管理部门亟需解决的重要同题.针对海量数据处理的瓶颈及海上交通数据的特点,运用地理网格技术划分港口水域,从而降低船舶航迹数据复杂度,建立船舶行为模型,对每个地理单元格上的船舶行为进行统计分析,进一步运用数据挖掘技术揭示整个海域船舶行为规律.所挖掘的知识可以运用到船舶航行位置预测、船舶异常行为检测及海上交通流模拟等研究领域.该研究方法开拓了海上交通安全的研究思路,为海事部门和港口管理部门的通航环境管理等提供理论依据.     

基于支持向量机的船舶交通流量预测模型

针对船舶交通流的随机性大,影响因素多,船舶交通流量预测的准确度不高等现象,基于支持向量机理论,结合长江苏通大桥断面的观测数据,建立支持向量机的预测模型进行短期的船舶流量预测.预测结果与实际流量比较一致,优于SPSS线性回归的预测效果.验证了支持向量机预测模型在船舶流量短期预测中的可行性.     

基于GA优化的灰色神经网络船舶交通流量预测方法研究

结合灰色模型和BP神经网络模型的特点,对两种模型进行有机地组合,构建一种改进的灰色神经网络预测船舶流量方法.以实际船舶交通流量和主要影响因素为数据,运用遗传算法改进的灰色神经网络模型对上海洋山港的船舶交通流量进行预测,计算和Matlab仿真结果表明,改进的灰色神经网络模型预测不仅精度较高,而且能准确预测船舶交通流量的变化规律.     

基于灰色预测理论的电梯交通流组合预测

电梯乘客交通流预测是电梯智能群控调度的前提,有效提高电梯乘客交通流的预测精度能够使电梯智能群控系统更加合理派梯,从而缩短乘客候梯时间,减少电梯不必要的停靠次数,节约电梯运行的能源消耗.针对电梯乘客交通流时间序列小样本特征,根据等维新息原则,提出一种改进的灰色GM(1,1)模型对电梯交通流分别进行周期特性及发展变化趋势预测.综合考虑电梯交通流的周期特性及发展变化趋势,将两组预测数据进行最优加权组合预测.通过交通流数据最优加权组合预测与小波神经网络预测模型相比较表明,在实际获取的乘客交通流数据量较少的情况下,最优加权组合预测的预测误差更小.将两种预测方法的结果进行群控调度,仿真结果表明,组合预测方法使智能群控系统更加合理派梯,缩短了乘客乘候梯时间,节约了电梯能耗.     

基于VDM与APSO优化极限学习机的船舶运动姿态预报

为提高船舶在海上运动的耐波性与适航性,并为解决具有非线性、随机性和非平稳性特点的船舶运动姿态难以准确预测的问题,提出运用一种基于变分模态分解和自适应粒子群算法优化极限学习机的组合预测模型。该算法首先利用变分模态分解将船舶运动姿态序列分解为一系列限带内本征模态函数,并且变分模态分解可以避免经验模态分解技术所产生的模态混叠和端点效应,可以降低序列的非平稳性对预测精度的影响;然后对各模态分量分别建立极限学习机预测模型,并用改进的粒子群算法对极限学习机的初始权值和阈值进行优化;最后将各模态分量预测结果进行叠加,得到最终的船舶运动姿态预测值。通过模拟试验测试并与其他传统的预测方法进行比较,结果表明所建立的组合预测模型具有更高的预测精度。     

利用AIS数据挖掘建立船舶到达规律模型

首先介绍船舶交通流对于船舶港口的影响;然后从泊松分布、负二项分布入手,详细的说明船舶到达规律;最后通过AIS数据挖掘建立了影响船舶达到规律的参数。通过对参数的分析建立船舶到达规律模型,实验证明负二项分布所建立的模型能更好地描述船舶进出港口的情况。     

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。     

基于二维矩阵分解的船舶交通流预测

为克服船舶交通流的非线性和非平稳性特点造成的预测精度不高的问题,提出了一种融合二维经验模式分解(Bidimensional Empirical Mode Decomposition, BEMD)和时序正则化矩阵分解(Temporal regularized matrix factorization, TRMF)的船舶交通流预测方法。首先,将传统一维船舶交通流时序数据重整为二维交通流量时序矩阵(天×时段),再利用BEMD将二维交通流量数据分解为高频矩阵和低频矩阵,其中高频矩阵体现突变因素对交通流的影响,低频矩阵体现稳定因素对交通流的影响;接着,采用引入正则时序项的TRMF,分别对高频与低频矩阵进行预测,进而融合得到最终的交通流量预测结果;最后,对比分析BEMD-TRMF、GM(1,1)、ARIMA、BPNN、WNN、LSTM和TRMF预测模型,结果表明BEMD-TRMF模型的平均预测误差约为3%,优于对比模型,达到了较好的预测精度。