基于乘积ARIMA模型的中日航线CCFI趋势预测

构建乘积ARIMA模型对中日航线CCFI时间序列的波动规律和趋势进行了拟合及预测，并进一步预测了中日航线受季节性、周期性等波动影响的运价数据，并将CCFI实际观测值与乘积ARIMA模型预测值进行了对照，检验结果显示该模型能够较准确地拟合CCFI时间序列的波动规律和发展趋势。     

基于ARIMA模型的水上交通事故预测

水上交通事故预测是水上交通安全规划和管理决策的基础,以往的水上交通事故预测,以预测年事故发生数居多,没有考虑全年季节性气候对船舶航行安全的影响。本文在考虑事故数据时间序列的季节周期性特性的基础上,利用时间序列分析方法进行分析,建立基于时间序列分析法的ARIMA模型,对水上交通事故的月事故发生数进行预测研究。并以2011年-2015年福建海域水上交通事故数据为基础,运用所建立的ARIMA预测模型,预测出2015年各月水上事故数。最后,通过与指数平滑法预测结果的对比分析,进一步验证出ARIMA预测模型的合理性和精确性。     

基于卷积神经网络及长短时记忆网络的短时船舶交通流量预测

由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练。在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)和长短时记忆网络(Long Short-Term Memory, LSTM)的短时船舶交通流量预测模型,并引入动态时间规整(Dynamic Time Warping, DTW)算法构造损失函数,提升模型的预测精度。结果表明：通过与灰色模型(Grey Model, GM)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model, ARIMA)、小波神经网络(Wavelet Neural Network, WNN)、反向传播神经网络(Back Propagation Neural Network, BPNN)和CNN-LSTM等模型对比,所提出的CNN-LSTM-DTW预测模型的预测结果相对误差最小,可信度高,预测精度优于对比模型。     

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。     

最小二乘支持向量机在船舶交通流特征分析中的应用研究

船舶交通流分布特征的研究可为船舶通航安全管理与航道规划设计提供基础性依据,而从离散的船舶交通流数据中拟合出其分布函数是研究其分布特征的关键。本文把最小二乘支持向量机引入到船舶交通流数据拟合中,代替传统的最小二乘法解决离散数据拟合问题。构建了基于最小二乘支持向量机的离散数据拟合模型,并对船舶交通流数据拟合进行了研究。结果表明,该方法在处理离散数据的回归拟舍时能获得较好的逼近曲线,且预测结果也具有一定的参考价值。     

基于改进GRU的海上风电机组齿轮箱故障诊断

为提高风电机组中齿轮箱故障诊断的准确性,提出一种在门控循环单元（GRU）神经网络中引入注意力机制进行风电机组齿轮箱油温预测的方法,充分挖掘数据参量中的关联关系,以提高模型预测的准确性。针对模型预测的残差,采用一种基于粒子群算法的自适应阈值方案进一步实现对风电机组齿轮箱油温异常的诊断,引入自适应阈值能提高模型诊断的灵敏度。针对江苏某海上风电场实际运行的SCADA数据进行仿真分析和验证,结果证明采用该方法能较早地判断出风电机组齿轮箱的异常状态。     

高速公路收费站出入口交通流量分析及预测

为充分掌握高速公路收费站的交通流特征,助力智慧高速公路建设,以宁夏回族自治区银川南收费站为研究对象,分别采用图像观测法和科学计算法对其出入口交通流量进行相关性分析,得到二者的相关系数和显著性水平,表明出口流量与入口流量具有极强的相关性。通过傅里叶变换得到收费站交通流量的周期性特征,并运用自相关系数对周期性进行检验。将周期性特征加入长短期记忆(Long Short-Term Memory, LSTM)网络模型中,并基于整年的收费数据和跨年度的收费数据对收费站出入口交通流量进行预测,验证该模型的有效性。结果表明该基于周期性特征的交通流量预测模型能取得良好的预测效果。     

ARIMA模型在GDP预测中的应用

本文采用ARIMA模型,对《武汉统计年鉴2006》提供的武汉市GDP的数据进行分析。结果显示,ARIMA(8,1,1)模型提供了比较准确的预测结果,可用于未来值的预测。     

基于双截尾-GPD分布的船舶溢油损失分布拟合研究

以全国船舶溢油事故损失数据为样本,针对船舶溢油损失数据的主体部分和厚尾部分分段建模,并将双截尾-GPD分布引入船舶溢油损失序列的分布拟合中,对船舶溢油损失序列的分布特征进行研究。实证研究发现,船舶溢油损失数据不服从正态分布,具有"尖峰、厚尾"的特性;分段拟合则进一步提高了损失分布的拟合准确性。     

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。     

PSO-无偏灰色马尔科夫模型在船舶交通流量预测中的应用

为提高船舶交通流量的预测精度,利用具有全局搜索能力的粒子群算法(Particle Swarm Optimization, PSO)对无偏灰色马尔科夫模型进行优化,构建船舶交通流量预测的PSO-无偏灰色马尔科夫模型。该模型可综合考虑预测中的残差序列、状态区间、状态转移概率,自适应选取最优白化系数,用以准确表征船舶交通流量的发展趋势。以东营港2012—2017年船舶交通流量季度统计数据为例,选取前21个季度数据对模型进行训练,后2个季度数据对预测结果进行分析,与传统的无偏灰色模型和无偏灰色马尔科夫模型相比,该模型能显著地提高船舶交通流量的预测精度,其拟合精度和预测精度分别为91.439%和95.959%,验证后该模型具有科学性与有效性。     

云计算下航母抗干扰过滤软件稳定性测试方法

现有的航母抗干扰过滤软件稳定性测试方法存在着测试结果拟合度过低、准确性较差的弊端,为了解决上述问题,引入云计算技术对航母抗干扰过滤软件稳定性测试方法进行设计与研究。根据软件稳定性测试的需求采用采集卡对软件稳定性数据进行采集,主要包括软件操作数据与失效数据,以采集数据为基础,引入G-O非齐次过程构建软件稳定性测试模型,得到最终预测软件失效数量,以此为依据按照设定的软件稳定性测试流程实现了航母抗干扰过滤软件稳定性的测试。通过仿真实验分析得到,与现有的航母抗干扰过滤软件稳定性测试方法相比,提出的航母抗干扰过滤软件稳定性测试方法极大地提升了测试结果的拟合度与准确性,充分说明提出的航母抗干扰过滤软件稳定性测试方法具备更好的测试性能。     

试验海区水文参数时间序列的多周期重构预测方法

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。     

基于时间序列模型的港口集装箱吞吐量预测

针对集装箱吞吐量进行精准预测,已成为港口发展建设的重要一环。本文以广州港作为研究对象,选取2010.01-2017.12区间中96组数据作为原始数据。首先分析该时间序列的变动趋势特征;然后根据原始序列特征选取ARIMA模型进行预测,结果显示预测数值与实际数值的相对误差基本控制在10%以内,体现出模型的可靠性和精准性;最后对2019下半年广州港集装箱吞吐量进行预测,为港口运营提供参考价值。     

船用燃机性能降级新型预测模型建立及应用分析

船用燃气轮机气路维护是舰船动力系统健康管理当中必要的环节,采用视情维护的方法是当前十分先进的维护手段,其中对气路降级趋势的预测是维护方法的核心。气路降级数据具有明确的增长趋势与不规律的波动性,符合灰色系统的特征。本文采用无偏灰色预测模型改进灰色马尔科夫模型,在此基础上扩大原始数据的维数,采用灰色关联度模型,将类似于当前序列的参考序列引入,最终构成了一种新的混合预测模型。最后,选择燃气轮机压气机结垢的过程作为实例来验证这一新的模型。通过研究模型参数和预测准确性之间的关系,为实例提出了建议的最佳参数。从预测准确性与对波动性的预测角度与不同的预测模型的比较结果表明,新的模型优于一些其他序列预测模型。     

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。     

基于二维矩阵分解的船舶交通流预测

为克服船舶交通流的非线性和非平稳性特点造成的预测精度不高的问题,提出了一种融合二维经验模式分解(Bidimensional Empirical Mode Decomposition, BEMD)和时序正则化矩阵分解(Temporal regularized matrix factorization, TRMF)的船舶交通流预测方法。首先,将传统一维船舶交通流时序数据重整为二维交通流量时序矩阵(天×时段),再利用BEMD将二维交通流量数据分解为高频矩阵和低频矩阵,其中高频矩阵体现突变因素对交通流的影响,低频矩阵体现稳定因素对交通流的影响;接着,采用引入正则时序项的TRMF,分别对高频与低频矩阵进行预测,进而融合得到最终的交通流量预测结果;最后,对比分析BEMD-TRMF、GM(1,1)、ARIMA、BPNN、WNN、LSTM和TRMF预测模型,结果表明BEMD-TRMF模型的平均预测误差约为3%,优于对比模型,达到了较好的预测精度。     

遗传算法优化神经网络参数的港口物流量建模与预测

港口物流量建模与预测是当前的研究热点,传统神经网络无法有效反映港口物流量的变化特点,使得港口物流量预测结果不可信,为了提高港口物流量预测的准确性,提出了遗传算法优化神经网络参数的港口物流量预测模型。首先对港口物流量建模与预测的研究进展进行分析,分析当前港口物流量预测模型的局限性,然后针对神经网络参数优化问题,引入遗传算法对其进行搜索,得到最优的神经网络模型,最后将优化后的神经网络模型引入到港口物流量建模与预测,并进行港口物流量预测的仿真分析。结果表明遗传算法优化神经网络的港口物流量预测准确性高,可以对港口物流量变化特点进行长时间分析,获得了比传统神经网络更优的港口物流量预测结果。     

大数据环境下舰船尾迹破碎图像高精度识别技术

针对原有方法在对舰船尾迹破碎图像进行识别的过程中,受破碎图像特征残缺的影响,存在大量难以检测的角点,在图像破碎度为40%～60%时存在特征抽样拟合率较低的问题,提出一种大数据环境下舰船尾迹破碎图像高精度识别技术。在大数据环境下,通过SUSAN角点检测算法这种大数据算法对舰船尾迹破碎图像进行角点检测。构建图像特征检测模型,利用构建模型对舰船尾迹破碎图像角点处实施特征检测,获取舰船尾迹破碎图像特征。通过构建舰船尾迹破碎图像高精度识别模型实现舰船尾迹破碎图像高精度识别。为了证明大数据环境下舰船尾迹破碎图像高精度识别技术实现了特征抽样拟合率的提升,将原有技术作为对比实验技术进行该技术与原有技术的特征抽样拟合率对比实验,实验结果证明该技术实现了特征抽样拟合率的提升,更适用于舰船尾迹破碎图像的识别。     

单桩荷载-沉降曲线的修正指数曲线模型拟合研究

在对已有的数学模型预测方法进行分析并将指数曲线模型按照一定的修正方法进行优化的基础上,构造了一个新的修正指数曲线模型。通过对不同类型的单桩静载荷试验数据进行拟合,相关系数均高于0.996,拟合效果好于双曲线模型和完整指数曲线模型。修正指数曲线模型对单桩P-s曲线能进行很好的描述,可以利用该模型获得的拟合结果对单桩承载力进行预测。