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。     

考虑周期性的城市道路车流量预测模型

为提升城市车流量预测结果的准确性,基于某条道路的车流量数据,引入车流量的周期性特征,建立考虑周期性的差分自回归移动平均(Autoregressive Integrated Moving Average, ARIMA)模型。将该模型与不考虑周期性的ARIMA模型相对比,结果发现：不考虑周期性的ARIMA模型的拟合效果较差,模型中忽略了道路车流量可能存在的周期性规律;考虑周期性的ARIMA模型的拟合优度相比原模型有很大提升,能达到0.573,且预测的4 d车流量变化趋势与实际车流量较为吻合。由此可知,在建模时引入车流量的周期性特征,能提升车流量预测结果的准确性,从而为交通管理提供更可靠的数据。     

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。     

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。     

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。     

ARIMA模型在二手船价格预测中的应用

本文对克拉克松公司提供的巴拿马型(60—100kdwt)散货二手船价格1984—2004年的时间序列数据进行分析,建立相应的ARIMA(p,d,q)模型,对2005—2008年价格进行预测。根据平均绝对误差(MAE)、平均相对误差(MPE)和均方根误差(RMSE)对模型的预测性能进行度量分析。     

油运费率指数的规律性分析及短期预测

以时间序列统计分析作为基础研究手段,分析了不同类别油运费率指数的运行规律,并应用ARIMA时间序列模型对160000dwt以上的原油运费率指数进行了短期预测,取得了较好的预测效果。     

基于自动识别系统大数据的船舶施工轨迹识别与预测

针对疏浚监控管理工作很难全天覆盖所有船舶、无法做到实时监控的问题,分析某绞吸挖泥船的AIS(自动识别系统)高频数据,包括疏浚船舶动态的航行轨迹、速度、航向等数据。对船舶施工轨迹辨识和预测进行研究,提出利用DBSCAN聚类算法粗略识别出施工区域,利用LOF(局部异常因子)算法去除航行轨迹中非施工状态下的轨迹,并利用时间序列ARIMA模型对船舶施工轨迹进行预测。结果表明,DBSCAN聚类算法结合LOF算法进行施工轨迹辨识方法合理可行,ARIMA模型进行施工轨迹预测的方法具有精确度高、实时性、易实现的特点。