共查询到20条相似文献,搜索用时 781 毫秒
1.
2.
3.
4.
组合预测模型在公路货运周转量预测中的运用 总被引:4,自引:0,他引:4
货物周转量可以反映出一个地区物流发展的程度,因此对其进行预测分析,对于发展区域经济有重要意义。本文首先运用层次分析法确定权重后,再组合三种预测模型,即时间序列平均移动模型,灰色预测GM(1,1)模型,非线性回归模型,分别对湖北省公路货运周转量进行拟合对比。最后对2005-2010年湖北公路货运周转量发展程度进行预测,为发展湖北省未来几年公路交通建设政策制订提供参考。 相似文献
5.
为提高船舶交通流量预测精度,提出一种季节性自回归移动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型和BP神经网络的误差校正集成模型。以深圳港2011—2017年的数据为研究样本,对原始数据进行预处理,构建最优SARIMA模型,以该模型求出的残差序列作为BP神经网络的输入,将两个模型预测结果进行整合,得到集成模型的预测结果。试验结果表明:该误差校正集成模型与两个单一模型相比,体现出船舶交通流量数据的季节性特征,具有较好的预测精度,为港口船舶交通流量预测提供一种更为有效的方法。 相似文献
6.
7.
针对水文参数时间序列的预测问题,在多尺度影响因素分析的基础上,提出了一种新的基于多周期重构的预测方法。首先利用小波变换和滑动平均计算对原始时间序列进行若干周期的分解;对分解序列分别进行自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)建模,由模型进行递推预测;再将预测结果反向重构实现对原始序列未来值的预测。运用此方法,对烟台海区某海洋浮标站的温度测量数据进行了分析。分析结果表明,此方法相比直接在原始序列上进行ARIMA建模与预测,预测准确度得到提升,可用于对试验海区水文参数序列的处理,为试验决策提供支撑。 相似文献
8.
9.
10.
通过对长三角地区水运货运量的分析和研究,应用灰色系统中的GM(1,1)模型及其残差周期修正方法,建立了经残差修正后的预测模型,通过运行预测模型并与原历史数据进行比较,确认预测模型准确度较高;最后以此预测模型对长三角地区2012—2019年的水运货运量进行了预测。 相似文献
11.
孙洪涛 《交通部上海船舶运输科学研究所学报》1992,15(1):80-97
本文首先从理论上对滚装运输的客货量进行定量分析研究。作者应用多准则腹地划分方法和重力模型估算货运量,此时考虑了由于运输时间缩短而产生的诱发运量;而对客运量则采用灰色模型预测。在预测未来的客货运量之后,从系统工程的观点出发,以船、港(泊位)、货平均年度费用(AAC_综)的最小值为目标函数,应用混合整数优化模型优化出合理的船型、班期和泊位。同时,将传统的客货船也作为一种船型方案,以便客滚船与客贷船的经济性比较。最后,以渤海湾地区的大连—烟台、大连—天津和烟台—天津等3条航线为例进行了计算。 相似文献
12.
在长江集装箱货源市场调查分析的基础上,根据长江沿岸集装箱发展形势,结合长江各港口发展情况及其历年数据调查,分析长江沿岸省市的外贸现状、经济趋势、集装箱发展特点,考虑集装箱生成量和港口吞吐量预测的影响因素,运用科学合理的方法,对2006—2010年长江(上、中、下游)沿岸外贸集装箱生成量、流向,以及长江沿岸省市至洋山江海联运量进行预测分析。 相似文献
13.
14.
15.
从需求角度对船用燃料油价格与集装箱吞吐量变化进行实证分析,发现集装箱吞吐量是船用燃料油价格的格兰杰原因,所用模型能够较好的解释船用燃料油价格波动且预测精度较高。 相似文献
16.
《中国水运》2019,(4)
径流分析是水文分析计算中的重要组成部分。在人类活动、地理位置和气候变化等诸多因素的作用下,径流的变化错综复杂,导致径流预测变得较为困难。本文选取黄河上游的兰州站1955~1985年共31年的月径流数据资料,通过MATLAB的编程实现自适应神经模糊推理系统(ANFIS)在兰州站月径流预测中的应用,并通过相对误差(δ)、均方根误差(RMSE)、相关系数(R)三个指标对预测结果进行评价。结果表明,通过ANFIS对兰州站进行月径流预测,所得到的预测值较为准确,同时,该方法对月径流的变化趋势预测同样较为准确,具有较强的适应性。因此,该方法是一种在径流预测或水文预测中值得探索或推广的方法。 相似文献
17.
为进一步规范国内煤炭市场秩序,稳定发电用煤价格,2011年11月30日,国家发改委根据《中华人民共和国价格法》相关规定,决定对国内电煤实施临时价格干预措施,其主要措施是:(1)从2011年12月1日起,全国发电企业平均上网电价上调2.5分;(2)从2012年1月1日起,环渤海主要煤炭发运港发 相似文献
18.
19.
大数据分析下舰船维修数据挖掘算法优化分析 总被引:1,自引:1,他引:0
舰船维修数据具有重要的利用价值,当前算法无法有效对其变化特点进行准确挖掘,无法充分发挥舰船维修数据优势,为了提高舰船维修数据挖掘精度,设计了基于大数据分析下舰船维修数据挖掘算法。首先采用单一算法对舰船维修数据进行挖掘,并根据挖掘精度对各种算法进行评价。然后采用大数据分析技术中的包容性检验算法选择最佳的单一模型,并对它们结果进行组合,得到舰船维修数据挖掘结果。最后采用舰船维修价格的历史数据作为实验对象,分析本文方法的优越性。本文方法的舰船维修价格的预测精度要显著高于当前其他数据挖掘算法的精度,而且舰船维修价格预测可信度更优,降低了舰船维修价格预测误差。 相似文献