灰色Verhulst模型在水上交通事故预测中的应用

在分析我国水上交通事故历史数据的基础上,引入灰色Verhulst预测理论.由此建立了水上交通事故Verhulst模型,并分别利用该模型和灰色GM(1,1)模型对我国近几年水上交通事故进行了预测,发现该模型精度高,拟合度更优.该模型可用于对我国水上交通事故的预测.     

船舶交通事故量灰色预测应用研究

船舶交通事故量是评价交通安全状况的重要指标,同时也是衡量交通安全管理水平的重要内容.应用灰色系统理论,建立船舶交通事故的灰色预测模型,并将这一模型应用于我国水上船舶交通事故数量的预测,其预测数据可为水上交通安全管理者提供决策参考.     

基于ARIMA模型的水上交通事故预测

水上交通事故预测是水上交通安全规划和管理决策的基础,以往的水上交通事故预测,以预测年事故发生数居多,没有考虑全年季节性气候对船舶航行安全的影响。本文在考虑事故数据时间序列的季节周期性特性的基础上,利用时间序列分析方法进行分析,建立基于时间序列分析法的ARIMA模型,对水上交通事故的月事故发生数进行预测研究。并以2011年-2015年福建海域水上交通事故数据为基础,运用所建立的ARIMA预测模型,预测出2015年各月水上事故数。最后,通过与指数平滑法预测结果的对比分析,进一步验证出ARIMA预测模型的合理性和精确性。     

船舶水上纵向运动的非线性数学模型构建

为了解决当前船舶水上纵向运动预测精度的问题,设计了一种船舶水上纵向运动的非线性数学模型构建方法。首先分析了当前船舶水上纵向运动的线性数学模型的缺陷,然后引入非线性建模方法—神经网络对船舶水上纵向运动变化特点进行拟合,建立船舶水上纵向运动的非线性预测模型,最后与线性船舶水上纵向运动建模方法进行仿真对比实验。结果表明,本文方法的船舶水上纵向运动预测精度高,船舶水上纵向运动预测误差要小于线性船舶水上纵向运动建模方法,验证了本文非线性船舶水上纵向运动建模方法的有效性以及优越性。     

基于回声状态网络的船舶交通事故预测

船舶交通事故的预测结果对船舶交通智能管理具有指导性意义,针对当前船舶交通事故的预测误差大,建模过程耗费时间长等难题,设计基于回声状态网络的船舶交通事故预测模型。首先对当前船舶交通事故预测研究现状进行分析,指出各种船舶交通事故预测建模方法的局限性,然后收集大量的船舶交通事故历史数据,并进行一定预处理,构建船舶交通事故预测样本数据,然后通过回声状态网络的学习建立船舶交通事故预测模型,并采用具体船舶交通事故预测仿真实例分析其性能,回声状态网络的船舶交通事故预测精度超过95%,预测结果十分稳定,缩短了船舶交通事故预测建模过程耗费的时间,是一种高精度、速度快的船舶交通事故预测方法。     

基于时间窗口选择和SVR的船舶交通事故率预测

为提高对船舶交通事故率的预测精度,建立基于时间窗口选择和支持向量回归的船舶交通事故率预测模型,该预测模型考虑船舶交通事故的发生具有随机不确定性,以及海事规则生效等导致的船舶交通事故率的变动趋势。在构造船舶交通事故率不确定时间序列的基础上,采用滑动窗口技术对置信区间比较集中的不确定时间序列点进行聚类并分段,选择最接近当前时间的区段作为统计时间窗口,并利用支持向量回归模型对船舶交通事故率进行预测。以英国籍船舶交通事故数据为例,对预测模型进行实例分析。通过与指数平滑法和自回归移动平均模型预测结果的对比验证预测模型的有效性,为船舶交通安全管理者的决策提供指导。     

船舶交通流组合预测方法研究

船舶交通流预测的研究能为港口设计及船舶通航安全管理提供基础性数据.基于港口特征、船舶行为和船舶交通流的历史数据,建立了一种改进的船舶交通流变权组合预测模型,较好地解决了现有船舶交通流预测算法中存在的预测精度不高、依赖于经验的不足.以天津港主航道连续9年的历史观测数据为例进行验证,结果表明,改进的组合预测模型能够减小单一模型预测中存在的不确定性,从而提高了整个预测系统的精度及其稳定性.     

多船舶同时航行中的调度数学模型设计与实现

在多船舶同时行进航道水上交通网络中,船舶拥堵容易导致水上安全事故,需要进行水上航道船舶航行调度。本文针对当前调度模型的吞吐量低,时滞较大的问题,提出一种基于船舶航行流量分簇预测的多船舶同时行进中的调度数学模型。构建多船舶同时行进的通行流量的信息感知模型,采用RFID标签识别技术进行船舶航行流量的数学统计,构建船舶进出港的交通态势预测多元状态方程,以历史测量信息作为先验统计量对方程进行优化求解,实现船舶航行流量分簇预测,以此为信息统计量进行交通调度。仿真结果表明,采用该模型进行多船舶同时行进调度,能提高单位时间内的航道通行量,且对航道船舶流量的预测精度较高,调度的时间开销较小。     

基于BP神经网络的水上交通事故预测研究

本文分析了影响宏观水上交通事故的因素,论述了基于BP神经网络的水上交通事故预测模型的建模过程。通过实例分析,该模型作为水上交通事故预测是可行的。     

云模型在水上交通安全综合评价中的应用

在航运系统中,船舶的水上交通安全一直是人们关注的重点领域,因此需要建立良好的评价体系,对航运进行标准化管理。本文根据云模型理论,对现有的水上交通安全评价体系进行定量分析,建立可信云评价模型,并采用模糊评价算法,对评价体系进行预测分析,从理论上解决评价过程中存在的失真问题,对未来的水上交通安全体系的建立具有良好的参考价值。     

基于遗传小波神经网络的港口船舶交通流量预测模型比较

对船舶交通流量进行准确预测在现代智能交通系统领域发挥着重要作用,为提高对船舶交通流量预测的准确性,本文将遗传算法分别与小波分析和神经网络进行结合,构建改进遗传小波神经网络模型,对广东省船舶交通流量的季度数据进行预测,并与遗传BP神经网络和传统小波网络等算法的预测进行对比。结果表明:经过遗传小波神经网络预测模型的误差相比传统的遗传BP神经网络模型和小波神经网络模型大幅度减小,提高了预测精度,从而保障水上交通安全,给水上安全主管部门的相关决策提供理论依据。     

基于非线性组合模型的船舶无线网络流量预测

流量预测是船舶无线网络管理中的重要技术,传统组合方法只能描述船舶无线网络流量的部分变化规律,无法获得令人满意的船舶无线网络流量预测结果,为了全面反映船舶无线网络流量变化规律,提出基于非线性组合模型的船舶无线网络流量预测方法。首先分析单一预测方法和传统组合方法的局限性,然后采集船舶无线网络流量历史数据,采用RBF神经网络、BP神经网络、灰色算法分别对船舶无线网络流量进行预测,最后采用支持向量机要对它们的预测结果进行非线性组合,输出船舶无线网络流量最后预测结果,测试结果表明,非线性组合模型的船舶无线网络流量预测十分精确,船舶无线网络流量预测误差可以忽略不计,完全能够满足船舶无线网络管理要求,船舶无线网络流量预测结果显著优于传统组合方法,为解决复杂船舶无线网络流量预测问题提供了一种新的建模思路。     

船舶违章行为与水上交通事故关系的研究

船舶违法违章行为导致的水上交通事故时有发生,成为水上交通的安全隐患。文中从水上交通事故处理实践出发,对船舶违章行为与水上交通事故的关系以及相互之间责任的认定进行论述,并提出相应的解决方法和途径。     

支持向量机技术在海上船舶交通事故预测中的应用

随着世界海洋经济的发展,需要更多的船舶进行货物的运输。因此,需要对船舶的航行进行智能化预测,从而避免发生交通事故。本文采用了智能化的船舶运动预测算法,能够根据不同的状态,建立合适的向量机模型,并主动建立预测函数的核心算法,通过不同的约束条件限制,能够对众多条件下的船舶交通事故进行预测,最后采用仿真软件对预测效果和真实情况进行对比。     

基于博德事故因果连锁理论的内河水上交通事故成因分析

为探求内河水上交通事故发生机理,分析内河水上交通事故发生原因,引入博德的事故因果连锁理论,参照博德理论对于事故的分析方法,对内河水上交通事故发生的原因进行分析,重点分析由于管理而造成的人、船舶、环境的缺陷,并构造内河水上交通事故的因果连锁模型,认为要从根本上减少和控制水上交通事故的发生,交通管理部门和航运企业必须加强管理,排除事故隐患。     

基于组合模型的天津港吞吐量预测

根据天津港货物吞吐量的历史数据,分别建立有关该港吞吐量的回归预测模型、Logistic生长曲线模型以及组合模型。通过比较3种模型的平均相对误差,可以证明组合模型的平均相对误差最小。运用组合模型预测港口吞吐量可以降低误差,提高预测精度。     

基于神经网络的内河航道船舶交通流量预测方法研究

我国的内河航运对我国经济、社会发展做出了重要的贡献,随着内河航运的进一步发展,船舶交通流量迅速增加,导致水上交通事故频繁发生。因此,建立有效的内河航道船舶交通管理机制,对航道进行合理的规划和管理具有重要意义。本文首先介绍了神经网络算法的原理与结构,在此基础上建立了一种内河航道船舶交通流量的预测方法,该交通流量预测方法可以有效的改善内河航运的效率和安全性,提高内河航道的综合监管能力。     

基于灰色自回归模型的船舶流量预测方法

结合灰色模型和自回归AR(p)模型,提出两种模型组合的灰色自回归模型,根据实际的船舶交通流量数据,分别运用灰色模型、自回归AR(p)模型和灰色自回归模型,对某港口船舶交通流量的进行预测,通过计算和Matlab仿真,结果表明灰色自回归模型预测精度较高,证明了该模型的可行性。     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

十项举措为渔业船舶“保险”

近年来,长江干线渔业船舶与营运船舶之间发生的水上交通事故呈上升趋势。这一现象已引起了相关管理部门,特别是长江海事局的高度重视。本文结合长江干线渔业船舶安全现状,就如何预防和减少渔业船舶与营运船舶之间发生水上交通事故,提出了十项举措,以供探讨。