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。     

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。     

灰色理论自适应模型在船舶流量预测中的应用

随着经济的发展,船舶作为最经济实惠的运输方式广泛应用。本文将灰色理论自适应模型应用于船舶流量预测,可以有效提高船舶交通服务的智能化及自动化水平。最后通过对比实验说明本文所设计的模型比传统模型精度得到提高。     

灰色系统模型在内河港口吞吐量预测中的应用

根据淮南港吞吐量实际调查资料,选择灰色系统理论对其进行吞吐预测研究,结果表明,对不同的预测时期应采用不同的灰色系统预测模型。对于短期预测,采用GM(1,1)模型与Verhulst模型的组合模型;对于长期预测,采用Verhulst模型并用GM(1,1)模型对其残差进行修正。实例验证以上两种模型是可行性的。     

灰色系统模型在水路客运量预测中的应用

利用我国1999～2004年水路客运量数据建立灰色系统GM(1,1)模型并通过残差修正该模型,运用修正后的模型对我国2005年、2006年的水路客运量进行预测。结果表明,灰色系统模型能有效地对水路客运量进行短期预测,且精度较高。     

GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化（GWO）算法和Elman神经网络模型对2010―2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化（GWO）算法来优化Elman神经网络的权重（w）和神经元阈值（b）;将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明：GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。     

基于自适应变异PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法(self-adapting particle swarm optimization algorithm,SAPSO),将该算法与误差反传(back propagation,BP)神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船"育鲲"轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

基于自适应变异 PSO-BP算法的船舶横摇运动预测

为了准确高效预测船舶在海上的航行状态,以保证人员、货物和船舶的安全,提出一种自适应变异的粒子群优化算法（self-adapting particle swarm optimization algorithm,SAPSO）,将该算法与误差反传（back propaga-tion,BP）神经网络结合。SAPSO-BP预测模型使用SAPSO算法优化BP网络的网络参数。克服传统BP神经网络对初始权值阈值敏感,容易陷入局部极小值的缺点,同时也克服了传统PSO算法早熟收敛、搜索准确度低及迭代效率低等缺点。运用该模型对科研教学船“育鲲”轮在海上航行的横摇情况进行实时预测实验,验证该方法的可行性与有效性具有较高的预测精度。     

改进PSO-ANN神经网络算法在船舶安全性预测方面的研究应用

利用神经网络网络的自学习能力强、并行计算快、容错性高的特点来评估船舶航行安全性状态,同时利用微粒群算法(PSO)优化反向传播神经网络的连接权值和阈值。阐述反向传播神经网络在船舶航行安全性系统状态评测中的流程,相对于目前的船舶航行安全性预测方法,本文提出的智能模型具有结构简单及预测精度高等优点。     

粒子群优化的RBF神经网络在海上运输事故预测中的应用

以海上交通安全为应用背景,对船舶运行事故预测方法进行研究,给出一种基于粒子群优化的RBF神经网络的事故预测方法。在本文中,首先对海上运输事故的特点和原因进行分析;然后对径向神经网络和粒子群算法的相关基本理论进行介绍,最后给出基于粒子群优化的RBF神经网络的事故预测方法。实验结果表明,该方法具有较好的预测效果。     

基于改进PSO的BP神经网络在船舶设计中的应用

针对船舶设计中需要的大型BP（BackPropagation）神经网络的特点,加入了改进的粒子群优化算法（ParticleSwarmOptimization,PSO）。该改进方法将粒子群的初始粒子分布在边界面上,因此能有效的搜寻高维空间,同时在速度公式等方面进行一些改进使得它更适合该环境。分别利用基于改进PSO的BP神经网络和标准的BP神经网络对泰勒系列船模试验数据进行拟合,结果表明基于改进PSO方法的BP神经网络训练更加高效和稳定。     

时间序列模型在珠海游艇旅游收入预测中的应用

基于珠海市2000年到2007年的游艇旅游行业调查数据,建立SPSS时间序列模型,对珠海游艇旅游收入进行预测.预测结果表明时间序列模型运用在这个例子中是成功的,算法是有效的.     

新型云粒子群算法在船舶工程中的应用

船舶工程研究的内容多以工程力学和结构学为主,这些都是比较复杂的问题,尤其是船舶动力,它是造船时需要重点考虑的关键因素之一。在复杂问题的解决中,粒子群算法的效果较好,但由于传统的粒子群算法容易陷入局部最优的情况,所以,需要对算法进行优化。云计算的出现,为粒子群算法的优化提供条件。本文从新型云粒子群算法的实现入手,对该算法在船舶工程中的应用进行论述。结果表明,本文提出的新型云粒子群算法,要优于传统的算法,具有良好的应用价值。     

基于ARIMA和GM模型的青岛港货物吞吐量预测研究

通过多元回归、时间序列模型以及灰色预测模型,对青岛市的近20 a对外贸易总额和吞吐量进行分析预测。充分考虑与港口货物吞吐量相关的六种因素指标,构建多元回归方程,运用Eviews软件对各因素的数据进行处理,建立ARIMA模型并对提取的三个指标进行预测,从而对回归模型中的对外贸易进出口总额(因变量)进行总预测,以了解青岛港的运输需求量;采用灰色预测模型并运用MATLAB软件对青岛港的货物吞吐量预测,分析青岛港港口的运输承载力。运用数学模型对港口吞吐量进行科学的评价和预测,能为青岛港制定中长期发展战略提供基本依据,对港口的持续发展的具有一定的现实意义。     

改进二阶灰色极限学习机在船舶运动预报中的应用

为提高船舶运动预报的精度,基于海上船舶运动姿态具有灰色特性和周期性振荡特性的特点,提出一种以误差平方和最小为准则的改进二阶灰色极限学习机组合预测模型,对船舶运动姿态进行预报。该方法利用五点三次平滑算法对船舶运动姿态序列进行平滑降噪,采用余弦函数变换构建GM(2,1)预测模型;利用自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)优化极限学习机权值和阈值参数,对不同模型预测结果进行加权求和,构建改进二阶灰色极限学习机组合预测模型。对2组船模水池试验纵摇时历进行预报,并将其与其他传统的预测方法相比较,结果表明,建立的组合预测模型具有更好的预测精度和泛化能力。     

船舶结构设计方式及优化分析

  目的  高保真有限元模型和有效的载荷识别技术对于船体结构健康监测及评估至关重要。为此,提出一种基于改进粒子群算法的模型修正和载荷识别方法。  方法  使用rastrigin函数对改进粒子群算法和经典粒子群算法进行对比。采用工字梁结构,在梁中间位置施加压力,在其表面粘贴有限数量的应变片,并将其分为用于模型修正和载荷识别的实测点与用于验证的监测点两部分。进行对工字钢分块弹性模量的修正验证,并进行基于修正后的数值高保真模型的载荷识别验证。  结果  在利用rastrigin函数对改进粒子群算法的测试中,改进粒子群算法在不同粒子数下都表现出更好的全局最优解搜寻能力。在工字钢试验中,划分的两部分弹性模量在通过改进粒子群算法23步迭代后收敛于最优解。通过将试验监测点的应变数据与进行模型修正后得到的应变计算结果进行对比,应变相对误差在2%以内,验证了模型修正方法的正确性。此外,通过载荷识别方法识别出结构外载荷压力大小,识别计算值与试验施加载荷误差在2%以内,识别载荷与修正模型结合计算出的监测点应变值与试验数据相比误差最大值为3.74%,验证了载荷识别的有效性。  结论  所提方法在对结构全局状态反演时具有较好的精度表现,能够为船体结构健康监测、剩余寿命预测以及预测性维修提供技术支撑。     

粒子群优化算法在船舶动力定位模拟器推力系统中的应用

随着人类社会与生产力的发展,陆地资源已经难以满足人们的需求,海上自然资源的开发和利用成为了当前各个国家的发展重心。深海资源的有效开发与利用依赖于良好的船舶定位技术,传统的锚链锚泊定位精度差,稳定性差,难以满足船舶与海上平台的作业要求。船舶动力定位技术具有良好的精度和灵活性,成为业内研究的热点。本文针对船舶动力定位模拟器推进系统,采用了粒子群优化算法研究了推进系统的动力分配问题,并进行了动力定位模拟器推力系统的性能仿真,有利于改善船舶的海上动力定位效果。     

基于改进灰色模型的电力系统负荷预测

传统的灰色预测模型因其所需历史数据少、计算快、对平稳地区的负荷预测有较高精度等优点,曾被广泛应用。但传统的灰色预测模型对于历史数据要求较高,最好为指数形式,并且在数据波动较大的情况下,其预测误差可能变得较大,不符合实际需要。为了减小预测误差,本文在传统灰色模型的基础上,首先对部分历史数据进行平滑处理,以确保其光滑性,同时对历史数据进行等维处理,不断的剔除旧数据,增加新数据,最后进行灰色循环残差修正,在原始数据和预测模型两个方面进行了修正,提高了电力负荷预测精度。     

不同预测算法在简单交通场景中的应用比较

为探讨不同趋势预测算法在简单交通场景中应用的有效性,以部分高速公路收费站数据集为研究对象,分别采用自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、长短期记忆(Long Short-Term Memory,LSTM)循环神经网络和Prophet时间序列预测算法建立交通流预测模型.通过对比分析发现,3种预测模型在解决交通流预测问题方面均表现良好,相比之下,LSTM在模型拟合和预测精度方面表现更好,泛化能力更强,且在影响因素设置方面更为灵活.在以后的研究中,可采用LSTM,结合调参方法解决更多交通场景下的交通流预测问题.