基于SARIMA-BP模型的港口船舶交通流量预测

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。     

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。     

多元线性回归模型在船舶燃油单耗预测中的应用

根据影响船舶千吨海里燃油消耗量指标的主要因素,采用多元线性回归方法,以海洋干散货船为例,建立船舶燃油单耗多元线性回归模型,通过采集到的大量相关数据,并进行整理、统计回归后,对多元线性回归模型中的参数进行标定,并对标定后的数学模型进行验证,通过该数学模型,可以计算不同船况下船舶的燃油单耗,为预测船舶燃油单耗的发展趋势,挖掘节能潜力提供参考依据。     

基于多元线性回归分析的水位短期预测方法

为了给长江电子航道图终端用户提供更为准确的水深预测信息,以统计学为基础,通过回归分析的方法,以预测长江监利站水位为例,探讨基于多元线性回归分析的水位短期预测方法实施步骤和实际应用,取得了很好的效果。     

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.     

基于支持向量机的船舶交通流量预测方法

提升航道和港口资源的高效、合理利用,需精准掌握船舶交通流量情况。为此,本文提出基于支持向量机的船舶交通流量预测方法。该方法以船舶交通流量数据为基础,经预处理后将其作为采用支持向量机的输入量,通过输入量和输出量之间的高维映射,预测船舶交通流量;通过鲸鱼优化算法优化支持向量机的核参数和惩罚项参数;通过迭代寻优获取最优的参数结果,以此保证舰船交通流量预测结果的精准程度。测试结果表明：该方法能可靠完成不同航行环境下的船舶交通流量预测,均等系数均在0.019以下;中心可依据预测结果对船舶进行管理,高效、合理实现港口资源利用,减少船舶等待进港时间。     

基于BP神经网络的船舶交通流量预测研究

在分析船舶交通流量特性的基础上,以船舶交通流量控制为最终目标,建立基于BP神经网络的船舶交通流量预测模型,以长江口深水航道的交通流量数据作为训练样本,进行模拟分析。预测结果与实测加权数据进行对比表明,该模型对船舶交通量的预测是有效的。     

船舶溢油赔偿的线性回归模型分析与仿真

分析船舶溢油主要指标,建立船舶溢油赔偿金额的多元线性回归仿真模型;就船舶溢油污染威胁程度建立目标函数,给出依据威胁程度为自变量,赔偿金额为因变量的一元线性回归模型。实验仿真表明,两种线性回归模型在处理船舶溢油赔偿时都是有效的、合理的。     

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。     

基于支持向量机的船舶交通流量预测模型

针对船舶交通流的随机性大,影响因素多,船舶交通流量预测的准确度不高等现象,基于支持向量机理论,结合长江苏通大桥断面的观测数据,建立支持向量机的预测模型进行短期的船舶流量预测.预测结果与实际流量比较一致,优于SPSS线性回归的预测效果.验证了支持向量机预测模型在船舶流量短期预测中的可行性.     

基于广义回归神经网络的船舶交通量预测模型

船舶交通量受多种环境与社会因素的影响,使得船舶交通量预测存在复杂性与非线性的特点.在分析现有预测模型和方法不足的基础上,介绍了广义回归神经网络GRNN的基本原理与拓扑结构.不同类型船舶受各类因素影响的程度不同,根据天津港VTS(Vessel Traffic Services)中心提供的船舶交通量数据,按船舶种类将船舶交通量分为六类,利用GRNN神经网络分别进行预测.预测结果表明GRNN神经网络具有很强的非线性拟合能力,有效解决了天津港船舶交通量预测中的小样本问题,提高了整个预测系统的精度与稳定性.     

基于智能融合的船舶交通流预测系统

船舶交通流量预测的研究为水道的规划、设计和船舶通航管理提供基础性依据。将智能融合算法应用于船舶交通流量预测系统,较好地解决了现有船舶预测算法中存在的预测精度不高,依赖于经验等不足。以长江江阴大桥2007年船舶流量观测数据为例进行分析,实验结果表明,融合预测能够对多个数据源进行预测,并可以减缓单种预测方法单独预测的不确定性,从而增加了预测的准确性和整个预测系统的鲁棒性。     

基于不平衡模型的航道船舶流量分析

对广州港出海航道流量实测得到基础数据,对流量进行峰值搜索、加权、分类统计和不平衡分析,建立流量时间不平衡和流量双向不平衡模型,从时间和空间方面反映了流量规律,反映出航道本身及管理状况。     

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.     

基于船模试验数据库的快速性预报研究

充分利用已发展成熟的计算机技术，依托上海船研所的船模试验数据库，进行基于船模试验数据库的快速性预报研究．并据此开发一套快速、高效、实用的新船快速性预报系统，给传统的母型船预报法注入新的活力。最后，给出算例并对其结果进行分析对比。本系统关键是数据库的准确和丰富，预报的水平则取决于所选的母型船。     

主成分分析赋权的灰色模型在港口安全评价中的应用

针对传统的灰色模型的主观赋权,过多的倚重于专家的观点,使评价结果往往与实际情况有出入;客观赋权的原始数据来源于评价指标的原始数据,具有绝对的客观性,但一般的客观赋权方法原理过于复杂,计算较为烦琐,难以掌握的问题,借助SPSS软件,应用主成分分析法赋权,并将其应用于港口航行安全评价中,以期评价结果更客观,更接近于事实。