基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。     

基于神经网络的船舶物流配送成本预测

高精度的船舶物流配送成本预测可以节省成本,提高船舶物流配送企业的利润,因此具有重要的研究意义。为了获得更高精度的船舶物流配送成本预测结果,提出神经网络的船舶物流配送成本预测方法。首先采集船舶物流配送成本历史数据,通过变换技术建立船舶物流配送成本预测的学习样本,然后引入BP神经网络对船舶物流配送成本学习样本进行训练,拟合船舶物流配送成本的变化特点,从而实现船舶物流配送成本预测,最后与当前经典船舶物流配送成本预测方法进行优越性测试。结果表明,BP神经网络的船舶物流配送成本不仅预测精度平均高于对比方法 5%以上,而且船舶物流配送成本预测稳定性更优,预测结果可以为船舶物流配送企业提供有用的信息。     

基于DWT-LSTM的航道水位智能预测模型研究

航道水位信息是内河船舶安全通航、合理配载的决策依据之一.为揭示内河航道水位特征、提高短时预测精度,提出了一种基于小波分析(DWT)和长短时记忆(LSTM)的耦合神经网络模型,以汉口水位站为例,验证了模型有效性,并与传统BP神经网络、小波分析-BP神经网络和LSTM神经网络模型进行对比分析.研究结果表明:四类模型均可满足...     

基于改进神经网络的船舶主机温度预测

由于传统神经网络存在收敛速度慢的缺陷,导致对船舶主机温度预测精度低,为了对船舶主机温度进行精确的预测,设计了基于改进神经网络的船舶主机温度预测模型。首先对当前船舶主机温度预测研究现状进行分析,找到引起预测效果差的因素,然后采集船舶主机温度变化的时间序列,并采用过程神经网络对船舶主机温度变化趋势进行估计,实现船舶主机温度预测,最后进行船舶主机温度预测验证性实验。结果表明,改进神经网络可以提高船舶主机温度预测精度,船舶主机温度预测误差远远小于传统神经网络,获得了比较满意的船舶主机温度预测结果。     

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.     

空船质量控制的途径和方法

随着国际航运燃料油价格的日益上涨,船东对航运成本的控制也越来越严格.最大限度地降低空船质量,提高船舶载重能力是降低航运成本提高营运效益的有效手段.因此新船建造合同和技术规格书对船舶载重要求和惩罚条款提出了明确要求.文章从构成船舶空船质量的船体结构、机电设备和舾装材料入手,探讨在船舶工程设计、采购和建造各阶段控制空船质量的途径和方法.     

基于灰色小波神经网络的船舶交通流预测研究

船舶交通流预测的准确性和可靠性已成为制约港口经济科学发展的瓶颈因素。文章综合利用小波变换的局部化性质与神经网络的自学习能力,并引入灰色模型以反映船舶交通流的发展趋势,使得小波神经网络在灰色模型预测结果的基础上结合船舶交通流的影响因素再预测,构成基于灰色小波神经网络的船舶交通流组合预测模型。实验结果表明,灰色小波神经网络的预测精度高于BP神经网络与小波神经网络,提高了整个预测系统的精度及其鲁棒性。     

试谈海运企业的成本控制管理

控制成本费用的支出是企业财务管理的核心内容之一。近几年来，海运企业的运输成本呈上升趋势。运输成本的增加，除了受燃料油、物料、修理等项目价格的上涨和港口费率的提高以及政策影响因素外，还有一个重要原因，就是海运企业对运输成本监督不力，控制不严，突出问题是浪费严重。因此，海运企业要走出困境，就必须以海运市场为导向，对组成成本的各项指标进行比较分析，计算和确定目标成本，并将其层层分解到具体的管理部门和个人，保证各项指标的顺利完成。对燃料消耗较大的船舶，要依靠科技进步降低消耗，控制可变价格较大的成本支出；…     

对内贸船用燃料油质量保障的思考

自从2009年1月1日实行消费税以后,燃料油进口价格与国内价格严重倒挂,国内船舶使用进口燃料油大幅减少,国内船用燃料油需求增加。 从国内燃料油的加工来看,国内炼厂为了增加经济效益采取深加工工艺,对原油“吃光榨净”,造成调合船用燃料油的原料越来越少,质量越来越差;同时,由于进口燃料油价格高企,地方炼厂的燃料油加工积极性受到较大的打击,开工率一直维持低迷状况,也导致调油原料越来越少。     

船用燃料油价格波动与集装箱吞吐量变化

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。     

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。     

基于数据驱动的船舶油耗预测模型研究

以某客滚船为研究对象,将大量航行实际数据进行预处理,通过斯皮尔曼等级相关分析选择出船舶左右桨螺距、左右舷舵角、纵倾、船首风速、船舶对水和对地航速为油耗主要影响参数。建立基于LSTM神经网络的黑箱模型对数据进行学习并预测油耗,额外选取测试样本验证模型精度,优化模型内部结构以进一步提高预测精度。将最终得到的预测数据与实测数据对比,证明模型具有良好的准确性。该研究方法能为船舶运营人员优化运营方案提供参考,能够提高水路交通运输的经济性。     

悬链式船舶链条机械磨损寿命预测准确度评估

为了提高悬链式船舶链条机械磨损寿命预测准确性能,设计了一种基于改进神经网络的悬链式船舶链条机械磨损寿命预测模型。首先对悬链式船舶链条机械磨损寿命预测研究现状进行分析,找到引起悬链式船舶链条机械磨损寿命预测精度的因素,然后收集悬链式船舶链条机械磨损寿命的历史数据,并采用BP神经网络建立悬链式船舶链条机械磨损寿命预测模型,并引入自适应遗传算法对BP神经网络的不足进行改进,最后采用仿真实验对悬链式船舶链条机械磨损寿命预测模型的准确度进行评估,结果表明,改进神经网络提高了悬链式船舶链条机械磨损寿命预测精度,预测结果比其他模型更加可靠。     

基于非线性组合模型的船舶无线网络流量预测

流量预测是船舶无线网络管理中的重要技术,传统组合方法只能描述船舶无线网络流量的部分变化规律,无法获得令人满意的船舶无线网络流量预测结果,为了全面反映船舶无线网络流量变化规律,提出基于非线性组合模型的船舶无线网络流量预测方法。首先分析单一预测方法和传统组合方法的局限性,然后采集船舶无线网络流量历史数据,采用RBF神经网络、BP神经网络、灰色算法分别对船舶无线网络流量进行预测,最后采用支持向量机要对它们的预测结果进行非线性组合,输出船舶无线网络流量最后预测结果,测试结果表明,非线性组合模型的船舶无线网络流量预测十分精确,船舶无线网络流量预测误差可以忽略不计,完全能够满足船舶无线网络管理要求,船舶无线网络流量预测结果显著优于传统组合方法,为解决复杂船舶无线网络流量预测问题提供了一种新的建模思路。     

LSTM网络在船舶航行轨迹预测中的应用

针对传统船舶航行轨迹预测算法,计算得到的轨迹预测量的回归适应性差,导致预测结果与实际轨迹之间的误差较大,严重影响船舶航线调度与航行安全的问题,提出LSTM网络在船舶航行轨迹预测中的应用。利用LSTM网络模型的梯度传递特性,建立航行轨迹进行LSTM网络模型,优化轨迹预测学习器预测学习量,采用高斯回归算法,增强预测量的自适应性,减小预测误差,整合网络预测数据,完成轨迹预测输出计算。实验数据表明,提出的预测方法的预测结果与实际轨迹之间的误差较小,能够有效提升轨迹预测精准度。     

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.     

船舶燃料油使用发生的问题及管理注意事项

本文介绍了本公司船舶使用国内燃料油发生的两起设备故障,分析导致设备故障的原因,介绍了劣质燃料油的危害,并就船舶使用国内燃料油时,在管理上需要注意的事项,以减少船舶使用国内燃料油时发生问题的几率。     

基于GA-灰色BP神经网络船舶备件需求预测模型

船舶维修备件的及时保障是船舶设备正常生产作业的保证，备件需求量的准确预测对于航运公司降低运营成本、提高管理效率起着至关重要的作用。文章从某船设备维修备件的历史数据进行分析，构建一种基于灰色模型的多层前馈（BP）神经网络模型，并采用遗传算法（GA）进行优化。首先对船舶设备备件需求影响因素进行分析，通过灰色模型确定备件需求的关键指标，并将结果作为BP神经网络的输入层，从而输出需求预测值。与灰色模型、GA-BP模型预测值对比发现，基于GA-灰色BP神经网络组合模型对于船舶备件的需求预测精度误差仅为0.147%。结果表明，使用GA优化可以提高灰色BP神经网络的预测精度，为船舶维修备件需求预测提供了一种新思路。     

新加坡的燃料供应

新加坡每年向各国船舶供应燃料油１８００万Ｔ。本文分析了船舶挂靠新加坡的目的，新加坡供应燃料油的品种与价格，当地油价与世界各地油价的对经，坐低廉与波动原因，从各个侧面了这个世界最大的船用燃料供应港的情况。