支持向量机在集装箱吞吐量预测上的应用

针对目前常用港口集装箱吞吐量预测方法的局限性,将支持向量机(SupportVectorMachines,SVM)回归方法用于港口吞吐量预测。提出了集装箱吞吐量预测的步骤和相关参数的确定方法。在此基础上,以上海港集装箱吞吐量的预测为例,详细介绍该方法的应用过程。结果表明,本算法合理有效,为解决集装箱吞吐量等非线性系统预测提供了一条新的途径。     

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。     

基于GA-SVM模型的长江干线港口集装箱需求量预测

为寻求更高精度的预测方法预测长江经济带未来一段时间的集装箱需求量,从经济总量水平、产业结构、国际国内贸易发展等方面提取长江干线港口集装箱需求预测的主要影响因素,构建基于遗传算法-支持向量机(GA-SVM)的预测模型对长江干线港口集装箱需求量进行预测,提高货运量预测精确度。结果表明:此模型对长江干线港口集装箱需求量的预测具有较强的实用性,可为长江干线港口集装箱需求预测提供一种新的途径和方法。     

基于单参数的Lagrangian支持向量回归算法及其应用

支持向量机(Support Vector Machines,SVM)是基于统计学习理论框架下的一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该方法已成为当前国际机器学习界的研究热点,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。这里提出了一种基于单参数的拉格朗日(Lagrangian)支持向量回归算法,并将该算法应用在外贸货物吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在吞吐量预测中的有效性和实用性。     

基于支持向量机的船舶结构优化方法

针对船舶等大型结构在优化过程中耗时长的问题,提出了支持向量机与遗传算法组合优化方法。基于支持向量机建立结构的近似模型,代替耗时长的有限元分析并应用遗传算法进行结构优化,形成一套省时、精度高、适应性强的优化方法。以某舱段结构优化为例,建立支持向量机近似模型,模拟结构设计尺寸与结构响应的映射关系,并选用二阶响应面模型做精度对比。分别使用支持向量机与遗传算法组合优化方法(SVM-GA)、传统的有限元法与遗传算法组合优化方法(FEM-GA)进行优化分析,计算结果表明,SVM-GA法相对于传统的FEM-GA法,不仅显著降低计算时间成本,而且具有良好的精度。     

基于PSO_SVM模型的水火弯板变形预测研究

近年来,水火弯板加工自动化是船舶制造行业的研究热点和难点。由于影响钢板变形结果的参数之间复杂的非线性关系,导致水火弯板变形预测不能够快速准确的实现。支持向量机(SVM)具有良好的泛化能力,将其应用于水火弯板变形预测,可有效解决非线性、小样本、高维数等问题。支持向量机性能的好坏取决于其参数的选取,本文选用粒子群算法(PSO)来优化SVM的相关参数,并将预测结果和传统的支持向量机模型的预测结果进行对比分析。结果表明,PSO_SVM模型用于水火弯板变形预测可以较好地提高预测精度。     

基于FA-SVM的舰船修理成本结构研究

在传统支持向量机(SVM)方法的基础上,引入因子分析(FA)方法,构建了FA-SVM模型,该模型解决了传统SVM方法存在的特征指标相关性的问题,最后利用舰船修理成本结构研究对该模型进行验证分析,结果证明这种FA-SVM模型在舰船修理成本结构预测中的有效性和实用性。这对于海军维修成本的管理有着很好的应用价值。     

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GM(1,1)改进的DGM模型预测港口货物吞吐量

根据连云港港口货物吞吐量的统计资料,应用基于GM(1,1)改进的DGM模型来预测港口货物吞吐量。在计算、分析基础上得出所建立的模型预测效果较GM(1,1)和DGM模型预测精度高,与实际情况更为接近。     

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。     

基于系统动力学的港口吞吐量预测模型

将系统动力学方法应用于港口吞吐量预测模型。考虑了各种主要因素对港口吞吐量的影响，较好地解决了港口吞吐量预测方法中考虑系统因素较少的问题以及经济、社会发展水平的不确定性等影响港口吞吐量预测所产生的误差问题。采用宁波市港口各相关统计数据对模型进行了仿真和验证．结果证明该模型有效、可行。     

港口吞吐量的内在影响因素提取

港口吞吐量的预测对于港口的建设和规划有着极其重要的意义。而影响港口吞吐量的因素很多,文章从可能影响港口吞吐量的若干因素出发,采用主成分分析法提取了最关键的因素,剖析了港口吞吐量的内在影响机理,并提出了基于影响机理的预测模型。最后,以南京港为例,对模型进行验证,结果证明该模型能较好地反映实际系统模型,对系统的拟合是有效的。     

港口吞吐量预测的混合算法实证研究

提出一种新的港口吞吐量预测混合算法，基于天津港的历史数据进行了实证研究。首先采用主成分分析和相关分析从影响港口吞吐量的社会经济指标中甄别出显著影响因子，其次采用基于时间序列分析的三次指数平滑法获得其预估值，最后采用基于因果分析的遗传算法优化的神经网络法预测港口吞吐量。结果表明，影响因子预估中基准年的选择对预测结果影响很大，中长期预测应采用多个连续基准年的平均预估值，以平滑影响因子增长率的波动。     

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。     

连云港港货物吞吐量预测研究

分别采用线性回归法和支持向量机法对连云港港货物吞吐量进行预测研究,在此基础上,提出基于前两种方法的最优线性组合预测模型。通过对3种预测方法的预测结果对比,指出组合预测法具有性能稳定且精度较高的特点。最后根据组合预测模型结果,给出连云港港2010—2015年货物吞吐量的预测数据。     

港口生产能耗和排放计算问题研究

交通运输部制定的节能减排规划以港口生产单位吞吐量综合能耗和CO2排放作为港口节能减排指标,并将基准年设定在2005年.本文分析了港口能耗和排放计算中的问题,提出了相关建议,分析了2005年港口生产单位吞吐量综合能耗和CO2排放计算结果.     

港城交界带空间范围研究

为合理规划土地资源,促进港口和城市的协调统一发展,本文从未来发展的长远角度出发,提出一种面向港口城市用地的动态弹性规划方法。首次提出港城交界带的概念及其空间范围的定量解析方法;利用基于遗传算法优化的反向传播神经网络(GA-BP)算法建立了陆域纵深解析模型,并进一步构建港城交界带空间范围解析模型,确定港区后方港城交界带空间范围。最后以我国华东地区某集装箱港区泊位为例,验证了GA-BP模型在陆域纵深预测中的适用性和优越性,并给出港城交界带空间范围的具体规划建议。     

巴布亚新几内亚科考瑞港集装箱吞吐量预测

为评估新建巴布亚新几内亚科考瑞港的建设规模,构建由回归分析模型、腹地集装箱运输需求重力模型、多目标港口模糊评价模型和基于Logit模型的港口选择模型4部分组成的综合预测方法。对巴布亚新几内亚科考瑞港的腹地集装箱运输需求进行预测;并对腹地省份在不同港口的集装箱运量进行测算,从而科学合理地预测科考瑞港的集装箱吞吐量,为实施项目的必要性提供支持。该预测方法使用较少的基础数据即可比较科学客观地预测新建港口的集装箱吞吐量,能够较好地解决在不发达国家或地区统计资料缺失、安全局势不稳定导致腹地调研困难等情况下的吞吐量预测问题,为海外港口的建设、咨询项目提供帮助。     

秦皇岛港航道通过能力仿真研究

采用工程仿真软件SIMIO分别对秦皇岛港10万吨级航道及规划的20万吨级航道的通过能力进行模拟。首先用2014年秦皇岛港泊位和航道设施及到港船舶数据对模型进行验证,得到的年到港船舶数及航道货运量与实际统计结果基本相符;结合仿真结果,对两航道的货运量、船舶平均待泊时间AWT以及港口服务水平随船舶平均到港时间间隔的变化趋势进行分析;讨论了航道及泊位利用率随港口服务水平的变化;针对10万吨级航道,对比了仿真与航道利用率法的年通过能力结果,并指出确定航道通过能力时考虑港口服务水平及港内作业各环节相互关联性的必要性。     

港口吞吐量增长率对吞吐量预测的影响与实证分析

目前对港口吞吐量的预测方法例如时间序列法、因果关系分析法、概率预测技术等都是基于已有吞吐量数据进行预测,对吞吐量的增长率规律考虑较少,因此往往难以估计误差上下限。文章通过增长率的发展规律对港口吞吐量预测进行估计,并针对鹿特丹港进行实证比较。