基于BP神经网络的厦门港集装箱吞吐量预测研究

厦门港是我国东南沿海的集装运输基本港口.集装箱吞吐量的预测是港口制定发展规划的重要依据.在研究了常用的输入数据归一化方法之后,提出了新的归一化方法.该方法能加快BP神经网络的训练速度并提高精度.运用BP神经网络建立了厦门港集装箱吞吐量预测模型,并计算出2020至2024的集装箱吞吐量预测值.无论从拟合值,还是预测值检验来看,该方法都具有很高精度.     

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

基于Elman神经网络的港口货物吞吐量预测

为提高港口货物吞吐量的预测精度,进而为港口建设提供数据支持,引入具有处理动态信息能力的Elman神经网络。将Elman神经网络应用于宁波舟山港的货物吞吐量预测,采用前6个月数据递归预测后一个月数据的方式构建时间序列数据,同时与BP神经网络以及RBF神经网络的预测结果进行分析比较。结果表明:在港口货物吞吐量预测方面,相比于BP神经网络以及RBF神经网络,Elman神经网络更能适应吞吐量数据随时间变化的特性,其预测值更接近实际值,其预测性能更优,且更能体现港口实际状态。     

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

基于最优线性组合的港口集装箱吞吐量预测方法

以某港1981～1999年集装箱吞吐量为实测数据,建立其集装箱吞吐量的趋势外推、时间序列平滑、回归分析和灰色系统等预测模型.对比该港2000～2005年集装箱吞吐量各模型预测值与实际值的差异,分析了差异产生的原因及其单一预测模型的局限性,提出了基于最优线性组合的港口集装箱吞吐量预测法.以原各单项预测模型的预测值作为外生变量,以方差绝对值之加权和最小作为最优准则,建立线性组合预测模型,用单纯形表法解出加权系数,进行外推预测,并验证了方法的有效性.     

基于GM(1,1)和BP网络的港口吞吐量预测

分析了灰色和人工神经网络预测方法的互补性,在此基础上提出了将灰色与人工神经网络结合的灰色-神经网络混合模型.分别采用GM(1,1)模型、BP网络模型和灰色-神经网络混合模型对某港口货物吞吐量进行预测并用实测数据验证.结果表明,灰色-神经网络混合模型预测效果最佳.     

基于组合模型的港口集装箱吞吐量预测

根据港口集装箱吞吐量的历史数据,分别利用三次指数平滑法、灰色CM（1,1）模型以及组合预测方法对集装箱吞吐量进行探讨,有益于预测未来几年港口集装箱吞吐量。结果证明：组合预测模型融合了前两种预测方法的优点．其平均绝对误差、平均相对误差绝对值都小于单独用三次指数平滑法或GM（1,1）模型时的平均绝对误差、平均相对误差绝对值,达到最优的精度等级。     

基于组合模型的港口集装箱吞吐量预测

根据港口集装箱吞吐量的历史数据.分别利用三次指数平滑法、灰色GM(1,1)模型以及组合预测方法对集装箱吞吐量进行探讨,有益于预测未来几年港口集装箱吞吐量.结果证明:组合预测模型融合了前两种预测方法的优点,其平均绝对误差、平均相对误差绝对值都小于单独用三次指数平滑法或GM(1,1)模型时的平均绝对误差、平均相对误差绝对值,达到最优的精度等级.     

基于随机森林算法的港口集装箱吞吐量预测方法

为助力智慧港口建设,针对港口集装箱吞吐量预测准确性不足的问题,利用随机森林算法处理高维变量,构建一种港口集装箱吞吐量预测方法.首先考虑港口集装箱吞吐量受复杂环境影响,建立特征变量训练集;再通过泛化误差分析训练随机森林模型,根据MDA分析对特征变量重要性进行分析,筛选重要影响特征变量集合;最后构建随机森林预测决策树,建立基于随机森林算法的预测模型.以大连港为案例进行验证,并与三次指数平滑、多元回归分析和BP神经网络3种方法预测进行对比,结果表明:随机森林算法预测准确性更高.     

基于RBF神经网络的港口集装箱吞吐量动态预测

针对港口集装箱吞吐量在时序上的复杂非线性特征,用自相关分析技术分析时间序列的延迟特性,确定神经网络的输入向量维数;用差分法对数据进行预处理,去除缓变部分,并在一定程度上减少随机噪声;引入延时内部反馈,构造基于径向基函数（RBF）网络的动态预测模型,并用大连港集装箱吞吐量实际数据进行了验证．结果表明：该模型拟合精度和预测精度高,具有很好的预测能力和应用价值．     

基于改进灰色马尔可夫的港口货物吞吐量预测研究

为了提高港口货物吞吐量的预测精度,以宁波舟山港为例对灰色马尔可夫组合预测模型进行了优化研究。首先,用中国统计年鉴中宁波舟山港货物吞吐量的历年数据建立灰色GM(1,1)模型;其次,对模拟误差值用一阶马尔可夫链进行修正并确定误差的转移状态,建立复合灰色马尔可夫预测模型;最后,用粒子群算法对该复合模型进行迭代寻优并优化改进,使模型能够根据实际情况对每个灰区间分别进行分析计算,并实时动态更新其区间参数;最终,提高改进后的模型误差精度。结果表明,用粒子群算法改进的灰色马尔可夫模型误差均值下降了37%,预测值与实际值的拟合度更高,预测结果更符合实际情况。     

����ģ����ϵ���·��װ������Ԥ��

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

基于模型组合的铁路集装箱运量预测

根据铁路集装箱运量预测受到多因素影响以及非线性的特点,本文采用灰色关联分析法选取了影响集装箱运量的主要因素,提出了一种基于非线性灰色模型和神经网络模型组合的铁路集装箱运量预测方法. 该方法将非线性灰色预测模型的预测值作为输入,相应的实际集装箱货运量作为输出,建立了神经网络模型结构,并提出了相应的算法. 最后以实例分析了该模型的可行性和科学性. 实例分析表明：非线性灰色模型预测的最大误差为10.52％,而组合模型的预测误差最大为8.72％,说明文中提出的组合预测模型充分考虑了多指标的共同作用,灰色预测模型提供了较完善的输入数据,神经网络模型考虑了各主要指标的关联关系.     

小样本监测信息露天矿边坡变形预测模型对比分析

利用GM（1,1）,BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM（1,1）模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.     

灰色系统理论在港口吞吐量预测中的应用

应用灰色系统预测理论，以GM(1，1)模型和残差修正GM(1，1)模型对港口货物吞吐量和集装箱吞吐量进行预测，可有效克服原始数据的离散性，在少信息的情况下得到高精度的预测结果．以武汉港货物吞吐量和集装箱吞吐量为例进行了中短期的预测，并对集装箱吞吐量的预测结果进行残差检验和残差修正．结论表明，通过残差修正后的预测精度均可达到最优的精度等级．     

基于FGM-SVR组合模型的港口吞吐量预测

为提高港口吞吐量的预测精度,建立基于分数阶累加GM(1,1)预测模型FGM(1,1)和支持向量回归(support vector regression, SVR)的组合预测模型进行港口吞吐量的预测。首先,分别运用FGM(1,1)模型和SVR模型对吞吐量进行预测;然后,针对传统组合模型赋权不能兼顾各单项模型在各时点预测能力强弱的问题,提出基于诱导有序加权平均(induced ordered weighted averaging, IOWA)算子的赋权方法进行组合预测;最后,以重庆港2005—2020年港口货物吞吐量为数据样本进行实例验证,分别使用FGM(1,1)模型、SVR模型和赋权后的组合模型进行港口吞吐量预测,并比较3种模型的预测精度;最后,分别使用这3种模型对2021—2024年港口吞吐量进行了预测。研究结果表明：基于IOWA组合预测模型的均方根误差、平均绝对误差和平均绝对百分比误差均明显小于各单一预测模型。该组合模型可以为港口吞吐量预测提供一种新的方法。     

�ۿ�����Ԥ���о�������TEI@I������

基于TEI@I理论框架,本文提出了适用于港口物流货运复杂系统的TEI@I的综合集成预测模型,并基于青岛港集装箱吞吐量数据,预测和分析了TEI@I的港口物流货运量的集成预测理论框架的各部分.预测结果表明,基于TEI@I集成预测模型的效果远远优于单独模型的预测结果,方向变化统计量(Dstat)的评价结果从66%-77%提高到了100%,对主要决策者方向性的判断更有实际意义.其次,TEI@I方法论中将数据“先分解后集成”的思想,引入了对数据的非线性部分的分析和预测,该方法不仅提供了分析外部冲击对具体数据序列的影响程度,影响周期的分析思路,而且将分析后的序列集成,对不同模型的预测精度有了很大的提高.     

基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.     

基于BP神经网络的交通信息量预测方法

交通信息量预测受到其影响因素的非线性影响,传统的基于统计方法的预测模型、动态分配模型和灰色预测模型等虽然可用于交通信息量的预测,但是克服非线性影响能力较差,预测结果已经达不到物联网的精度要求。为了更加精确地预测交通信息量,建立了基于BP神经网络的交通信息量预测模型,并通过因子分析和因子分析结果归一化处理减少了BP神经网络输人数据规模,缩短了神经网络预测时间。最后,通过对成都市某路段的数据进行处理和仿真,验证了模型的适应性。仿真所得的停止训练时间为3分2秒,预测误差为0.015,由此可知该模型对交通信息量的预测效果良好,可以对今后交通信息量的预测提供参考。