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。     

港口吞吐量预测的时序残差修正Verhulst模型

灰色系统预测模型是一种进行港口吞吐量预测的有效方法。但是,当港口吞吐量按照“S”型曲线增长或增长处于饱和阶段时,采用灰色模型进行吞吐量预测的误差较大,预测精度不能满足实际要求。根据港口吞吐量的增长规律,通过典型实例提出了基于时序残差的港口吞吐量预测Verhulst模型,用于中长期港口吞吐量预测。应用结果表明,本模型对于那些暂时处于快速增长而从长远看按“S”型曲线增长的港口吞吐量预测具有较高的预测精度,同时保留了灰色预测方法的原有优势和特点。     

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。     

基于外部干预的港口吞吐量预测

为更加准确预测港口吞吐量,以吉大港集装箱吞吐量为研究对象,构建一种灰色预测法修正干预时间序列ARIMA模型。模型以时间序列ARIMA模型分析为基础,识别干预后对干预序列采用灰色预测修正,旨在充分发挥灰色预测处理小样本的优势,提高干预模型预测精度。分析表明,在外部干预的条件下灰色修正时间序列模型预测港口集装箱吞吐量效果良好。模型预测结果为该港改扩建工程提供有力决策依据。     

基于聚类的港口吞吐量预测方法及其适用性分析

在统计分析历史数据的基础上,选取港口吞吐量、GDP值等指标,采用SPSS统计分析软件中的层次聚类分析法,将我国具有代表性的港口按照吞吐量增长规律分成平稳增长型、加速增长型和波动增长型3类。然后选择时间序列法、回归分析法、灰色模型理论和神经网络模型法,对不同类型的港口吞吐量预测的适用性进行了理论分析。最后以上海港和镇江港为实例进行计算,并对不同预测方法的适用性进行了验证。     

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。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

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ES-Markov模型的港口集装箱季度吞吐量分析与预测

为有助于对港口规划和资源分配进行科学管理,以深圳港2012—2017年共24个季度的集装箱吞吐量数据为例,对各季度数据进行加权灰色关联分析,通过各季度吞吐量的影响度排序得出其发展规律;将三次指数平滑法与马尔科夫模型相组合,并应用于港口集装箱季度吞吐量预测中。结果表明:与传统的三次指数平滑模型、灰色预测模型相比,ES-Markov模型使相对误差降至5%以下,预测精度大幅提高,因此,该模型可很好地适应港口集装箱吞吐量季节性波动的发展变化规律。未来可将该组合模型应用于港口吞吐量预测中,为港口发展决策提供理论依据。     

应用加速基因算法预测港口集装箱吞吐量

本文首先简述加速基因算法的基本思路,然后应用加速基因算法对上海港集装箱吞吐量进行预测,半与基于神经网络、灰色理论的预测成果比较。结果表明,加速基因算法直观简单,预测精度高,是解决港口集装箱吞吐量等非线性系统预测问题的有效途径。预测成果可为港口集装箱码头的规划和建设提供参考依据。     

复航河流沿岸港区的吞吐量预测方法的探讨

利用多种方法对复航河流沿岸港区吞吐量发展水平作出预测。近期预测主要采用时间序列法、灰色模型法和修正指数曲线法,对各方法预测结果加权平均得出吞吐量预测值。远期预测时,利用灰色模型曲线和修正指数曲线构造复合曲线获得吞吐量预测值。最后在定性分析的基础上对吞吐量预测值作出修正。     

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GRNN神经网络的长江干线港口集装箱吞吐量预测

在长江集装箱货源市场调查分析的基础上,根据长江干线集装箱发展形势,结合长江干线港口发展情况及历年数据调查,考虑影响港口吞吐量预测的复杂因素,运用GRNN神经网络的优点,构建预测模型。预测结果证明,该模型在应用中是有效的,且当样本数据短缺时,预测效果也较佳。     

基于BP神经网络模型下的桩群阻力预测

在30m长、3m宽、0.26m深的循环水槽中,应用阻力相似理论进行物理模型桩群模拟,以试验中的实测桩群阻力数值作为期望值,建立基于BP神经网络的桩群阻力预测模型。应用该模型进行桩群阻力预测,通过对比实测数据,发现预测值相对误差很小,预测结果合理可信。由此可以认为,以物理模型试验数据为基础,依托神经网络进行桩群阻力预测的方法值得推广和探讨。     

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。     

基于灰色关联分析和综合评价法的港口与产业发展关系研究*

日本濑户内海地区港口和城市发展对日本经济发展作用巨大,是港城协调发展的典型,值得关注和研究。为探究该地区港口与产业发展间的关系,以港口吞吐量和集装箱吞吐量表示地区港口发展状况,以从业人数和产业总产值表示地区产业发展状况,首先基于灰色关联分析法对各县港口与产业发展间的关系进行比较分析,总结归纳发展对策,为辽宁沿海经济带的港口与产业发展提供借鉴。然后,建立兼顾均衡性与功能性的综合评价模型,确定影响濑户内海地区产业发展水平的主要港口指标为港口吞吐量。最后,将其与其它评价模型进行比较,结果表明构建的综合评价模型与现实更吻合,能够更准确地对整个濑户内海地区的港口与产业发展关系进行综合评价研究。     

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。