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.     

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.     

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。     

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。     

基于灰色神经网络的港口集装箱吞吐量预测模型研究

为降低港口集装箱吞吐量的预测误差,提高预测精度,在分析传统的灰色预测模型和BP神经网络预测模型的优缺点的基础上,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和BP神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明:灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

基于ARIMA-RBF神经网络的沿海港口吞吐量预测研究

在沿海吞吐量预测中，影响因素多且复杂，传统的计量经济模型很难得到满意的结果。针对此特点，提出一种组合预测模型，先后用ARIM A模型和RBF神经网络模型探求港口吞吐量历史数据的线性和非线性变化规律，最后将两者预测结果组合。对福建省港口货物吞吐量预测作为实例进行验证，结果表明，相对单一预测模型，该方法的预测精确度更高。     

基于邻域相关的自适应中值滤波算法

为改善图像效果,在对现有的椒盐噪声自适应中值滤波算法分析的基础上,提出了基于邻域相关的自适应中值偏移滤波算法。算法对自适应中值滤波算法的处理过程进行改进。当滤波窗口大于设定的最大值时,根据像素点邻域内的像素点灰度值分布在不同的区间,将像素点灰度值的复原分为偏大或偏小两种情况。受污染像素点的滤波输出值为偏移的中值,偏移的距离根据改进的自适应中值滤波算法运行时滤波窗口的大小来决定。从仿真结果可见:该算法滤波后的图像具有较高的峰值信噪比,对图像细节的保留能力和抑制椒盐噪声的能力都有一定的提高。     

远场弱磁信号的小波域自适应检测研究

探讨了基于Mallat算法的自适应小波阈值消噪在复杂磁环境下运动目标磁场弱信号检测方面的应用.阈值的选取是算法的关键,基于对目标磁场频谱分析,采用与尺度相关的自适应ARMA模型的阈值算法,改进在不同的小波分解层阈值滤波的性能.对实测数据进行算法仿真,并与Donoho阈值算法检测效果对比表明,自适应ARMA模型阈值滤波算法显著提高对目标磁场弱信号的检测和提取能力.     

基于自适应模型预测控制的智能车轨迹跟踪

针对传统模型预测算法在智能车辆轨迹跟踪的局限性,引入随道路曲率变化的速度自适应调节算法,设计轨迹跟踪控制器.设计目标函数及添加约束条件,通过Matlab/Simulink软件,在不同车速下与传统算法进行比较,仿真结果表明:不同的纵向车速对传统算法的轨迹跟踪有一定的影响,而对改进后的算法影响较小.尤其当车速较高时,改进后...     

基于智能Agent的车辆自适应跟踪技术

为了研究复杂环境下快速移动车辆目标检测与跟踪问题,提出了基于知识库的智能Agent自适应图像分割与滤波算法,建立了帧间差异积累动态矩阵自适应背景模型,在跟踪过程中,设计了改进的SSD算法预测初始迭代点,根据Jensen不等式推导了具有自适应核窗宽迭代更新的M eanSh ift算法,实现了对视频车辆目标的自适应智能跟踪.实验结果表明,该算法能有效、准确地跟踪视频中的运动目标,自适应能力强;与其他算法比较,跟踪误差降低了54.4%,平均跟踪时间延长了41.3%.     

港口吞吐量预测的系统动力学模型构建

将系统动力学方法运用于港口吞吐量预测，可以较好地解决传统预测方法中考虑因素较少的问题，在对港口系统主要因素及因果关系分析的基础上，建立港口吞吐需求量及供给量系统动力学模型，并采用南京港各相关统计数据对模型进行了仿真和验证，结果证明该模型有效可行．     

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.     

基于参数自适应E KF的隧道周边位移预测

采用参数自适应扩展卡尔曼滤波,建立了隧道周边位移预测模型。基于预测残差特性,评价滤波的敛散性。对模型参数进行实时修正,抑制滤波发散,保证了滤波精度。通过滤波预测值与实测值对比,判断预测模型的适用性;比较标准型与参数自适应型的预测残差,以判断何种预测方法的更优。分析结果表明：参数自适应型能有效抑制滤波发散,较为适用,预测效果较好。     

基于改进樽海鞘群算法的卸车调度优化

针对港口载煤列车的卸车调度流程主要依靠工人经验进行调度作业,存在决策时间长、作业冲突和列车在港时间过长等问题.以列车在港时间最少为总优化目标,在已知列车到港时间及堆垛与煤种对应关系的前提下,考虑工作机械可用性、作业流程可达性及其相互约束关系等因素,构建了卸车调度数学模型.提出了一种基于改进樽海鞘优化算法的优化调度方法.引入自适应惯性权重,可有效地提高算法收敛速度;引入随机柯西变异策略,可有效地提高算法寻优能力.5个测试函数的测试结果表明:相比于樽海鞘优化算法、自适应樽海鞘优化算法、粒子群算法与鲸鱼优化算法,改进樽海鞘优化算法收敛速度更快,精度更高.港口堆场作业实际数据的仿真实验表明:改进樽海鞘优化算法可优化出满意的卸车调度任务,减少了火车总在港时间,提高了港口总体的工作效率.     

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。     

遗传规划在港口吞吐量预测中的应用

近年来我国沿海港口吞吐量迅猛增长，而港口基础设施建设和处理能力增长相对缓慢．为了使港口建设适应我国经济持续高速增长和全球经济一体化的需求，亟待对沿海港口吞吐量在长时期内的持续增加进行预测．文中应用遗传规划，通过吞吐量历史数据和吞吐量与GDP的关系两个方面对我国沿海港口的总吞吐量进行预测，以找出今后一段时间中港口能力与实际需求之间的差距，从而对港口建设提供参考．     

基于改进灰狼算法优化BP 神经网络的短时交通流预测模型

准确的短时交通流预测是交通控制和交通诱导的依据. 提出一种基于改进灰狼算法(TGWO)优化BP 神经网络的短时交通流预测模型(TGWO-BP),有效提高短时交通流预测精度. 针对标准灰狼算法(GWO)收敛速度慢,容易陷入局部极值的问题,提出一种自适应递减的收敛因子,使灰狼算法区分全局搜索和局部搜索;改进灰狼个体的位置更新公式,引入惯性权重,调节惯性权重大小使灰狼算法具有跳出局部极值的能力;对比分析TGWO-BP、GWOBP 、PSO-BP、BP这4 种短时交通流预测模型,结果显示,TGWO-BP的短时交通流预测模型误差为10.03%,达到较好的预测精度.