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。     

基于GA优化BP神经网络的港口集装箱吞吐量预测

为了提高港口集装箱吞吐量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型。该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值。以青岛港2012-2018年集装箱吞吐量统计数据为例,进行实例验证。结果表明,与传统的BP神经网络相比,该模型能显著地提高港口集装箱吞吐量的预测精度,用于预测港口集装箱吞吐量具有一定可行性。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

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。     

基于LM-BP神经网络的沿海港口吞吐量动态模拟与预测

根据港口吞吐量与经济发展之间存在的非线性映射关系,引入结合LM(Levenberg-Marquardt)优化算法的BP神经网络,并将其应用于我国沿海港口吞吐量的动态模拟与预测.通过与BP算法的仿真结果比较分析,发现新算法具有训练速度快、预测精度高的特点.     

对东莞市港口吞吐量预测方法的思考

灰色模型因其需要的原始数据较少、精度较高等优点,能满足一般港口货物吞吐量预测的要求。但并不是所有港口货物吞吐量预测都能应用灰色模型而达到理想的预测效果,文中应用东莞市港口货物吞吐量预测的例子闸述这一观点。     

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。     

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。     

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。     

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。     

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。     

改进的RBF神经网络在港口集装箱吞吐量预测中的应用

本文首先分析了RBF神经网络结构的基础,指出基函数中心的确定是影响网络精度的重要因素。在分析常用中心确定算法的基础上,提出了一种改进算法,给出了算法的具体实现过程。并将改进的RBF算法用于对港口集装箱吞吐量的预测评价,应用成果表明此优化神经网络用于集装箱吞吐量预测结果更加合理,精度有很大提高,有着广泛的应用前景。     

青岛港:信息化打造“智慧”港口

<正>2013年,青岛港的全年货物吞吐量和集装箱吞吐量的世界排名双双由第八位提升至第七位,其中,集装箱吞吐量的国内排名由第五位提升至第四位,实现了扎实有力的发展和突破。据了解,2013年,青岛港完成货物吞吐量4.5亿t,同比增长10.6%;完成集装箱吞吐量1552万TEU,同比增长7%。而这业绩的背后离不开青岛港转型升级打造数字化港口所做的努力。国务院颁布的《国家中长期科学和技术发展规划纲要(2006-2020年)》中特别强调了建设智能交通管理系统,港口作为交通运输的重要组成部     

基于三次指数平滑法的青岛港集装箱吞吐量预测

港口集装箱吞吐量预测一直是港口总体布局规划的重要前期工作。本文介绍了三次指数平滑预测方法,并针对青岛港历年集装箱吞吐量的增长特点,运用三次指数平滑法模型对青岛港“十一五”期的集装箱吞吐量进行了预测,比较了若干常用预测方法的预测效果,确认了所建预测模型的有效性。在此基础上作者对青岛港的发展提出了建议。     

基于小波神经网络的上海港集装箱吞吐量预测

针对港口集装箱吞吐量预测精度不高的问题,采用小波函数作为隐含层传递函数改进BP神经网络进而建立小波神经网络,并对2008-2017年上海港的每月集装箱吞吐量数据按照前三个月预测后一个月的方式构建出训练数据和预测数据,同时与BP神经网络在同样数据情况下的预测精度进行比较分析。结果表明:小波神经网络的预测误差明显小于BP神经网络,其预测性能更好。     

基于时间序列BP神经网络的集装箱吞吐量动态预测

集装箱吞吐量预测是港口发展规划制定的依据。在MATLAB环境下，把时间序列BP神经网络应用于港口集装箱吞吐量的预测，采用逐步递归的方法进行，同时注意尽量减少训练样本的浪费（只用1个检验样本）和充分挖掘BP神经网络适合短期预测的潜力。无论是从拟合情况，还是预测值的检验和港口发展规划的实际情况来看，都有着很高的精度．可以作为集装箱吞吐量预测的一种行之有效的方法。     

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RBF神经网络的港口货物吞吐量预测

将人工神经网络理论引入港口货物吞吐量远景观测，并依据，1978－1998年北方某大港主要要经济腹地的相关经济变量的历史数据建立RBF神经网络预测模型，最后利用模型对未来15该港货物吞吐量进行了预测。     

基于港口吞吐量的防城港港口发展研究

本文基于防城港吞吐量研究其发展趋势,选取了15个与港口发展相关的经济指标,通过指标提取,结合BP神经网络模型预测货物吞吐量,其中网络的输入变量是由提取出来的指标组成,输出变量是防城港货物吞吐量。     

港口货物吞吐量的序列灰预测模型与系统灰预测模型比较分析研究

针对港口货物吞吐量易受其所属港群系统因素的刺激,使其在短期内产生较大扰动而影响预测模型拟合精度的问题,将相邻各港口所形成的港群作为系统整体,将港群货物吞吐总量作为初始输入,建立港群内各港口货物吞吐量的系统灰预测模型,同时建立各港口货物吞吐量的序列灰预测模型,以比较两种方式下所得模型的模型拟合效果。最后,以泸-宜-乐港群为例进行建模和分析,结果表明系统灰预测模型的拟合精度明显高于分别对各港口建立的序列灰预测模型。