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。     

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.     

基于SARIMA-BP模型的港口船舶交通流量预测

为提高船舶交通流量预测精度,提出一种季节性自回归移动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型和BP神经网络的误差校正集成模型。以深圳港2011—2017年的数据为研究样本,对原始数据进行预处理,构建最优SARIMA模型,以该模型求出的残差序列作为BP神经网络的输入,将两个模型预测结果进行整合,得到集成模型的预测结果。试验结果表明:该误差校正集成模型与两个单一模型相比,体现出船舶交通流量数据的季节性特征,具有较好的预测精度,为港口船舶交通流量预测提供一种更为有效的方法。     

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。     

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。     

一种新的支持向量回归算法及其在集装箱吞吐量预测中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地对应解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。文章提出了一种新的基于单参数的Lagrangian支持向量回归算法,并将该算法应用在集装箱吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在集装箱吞吐量预测中的有效性和实用性。     

支持向量机在集装箱吞吐量预测上的应用

针对目前常用港口集装箱吞吐量预测方法的局限性,将支持向量机(SupportVectorMachines,SVM)回归方法用于港口吞吐量预测。提出了集装箱吞吐量预测的步骤和相关参数的确定方法。在此基础上,以上海港集装箱吞吐量的预测为例,详细介绍该方法的应用过程。结果表明,本算法合理有效,为解决集装箱吞吐量等非线性系统预测提供了一条新的途径。     

基于NeuralProphet-LSTM组合模型的港口货物吞吐量预测

为进一步提高货物吞吐量预测准确性,提出基于NeuralProphet时间序列模型与长短期记忆(LSTM)神经网络的组合预测模型。首先利用NeuralProphet模型对港口货物吞吐量数据进行训练得到预测值并计算残差序列,然后对残差数据建立LSTM神经网络模型进行预报修正,重构得到最终的预测值。以上海港、厦门港的月度货物吞吐量数据为样本展开试验,结果表明,该模型能够有效地解决数据异常波动造成的预测结果误差大、预测效果不稳定等问题;相比于传统单一模型与LSTM-支持向量机(SVM)、Bi-LSTM等组合模型,NeuralProphet-LSTM模型预测精度更高,可帮助港航企业及时调整规划决策与经营策略。     

巴布亚新几内亚科考瑞港集装箱吞吐量预测

为评估新建巴布亚新几内亚科考瑞港的建设规模,构建由回归分析模型、腹地集装箱运输需求重力模型、多目标港口模糊评价模型和基于Logit模型的港口选择模型4部分组成的综合预测方法。对巴布亚新几内亚科考瑞港的腹地集装箱运输需求进行预测;并对腹地省份在不同港口的集装箱运量进行测算,从而科学合理地预测科考瑞港的集装箱吞吐量,为实施项目的必要性提供支持。该预测方法使用较少的基础数据即可比较科学客观地预测新建港口的集装箱吞吐量,能够较好地解决在不发达国家或地区统计资料缺失、安全局势不稳定导致腹地调研困难等情况下的吞吐量预测问题,为海外港口的建设、咨询项目提供帮助。     

基于数据预处理GM（1，1）模型的深圳港集装箱吞吐量预测

根据深圳港历年集装箱吞吐量数据,采用原灰色模型和幂函数一指数函数对初始数据进行预处理的改进模型分别对深圳港集装箱吞吐量进行预测,经检验比较,进行数据预处理后的模型比原模型预测精度高.选用改进模型对深圳港2008-2010年集装箱吞吐量进行预测,得到未来深圳港集装箱吞吐量将继续增加、但增幅会减缓的结论.     

基于组合模型预测法的广州港集装箱吞吐量预测

为弥补单一模型预测方法的不足,以广州港集装箱吞吐量历史数据为依据,分析集装箱吞吐量的主要影响因素,分别采用时间序列模型、Eviews多元线性回归模型对2018―2022年广州港的集装箱吞吐量进行预测。比较组合加权方法对预测结果的预测,结果表明:组合模型预测法能够提高预测的准确性,减小预测误差。     

基于灰色模型的营口港集装箱吞吐量预测

为预测营口港集装箱吞吐量,基于灰色GM(1,1)模型构建营口港集装箱吞吐量预测模型.预测结果显示,2011-2013年营口港集装箱吞吐量将稳步增长,2013年将突破800万TEU.     

基于ES-Markov模型的港口集装箱季度吞吐量分析与预测

为有助于对港口规划和资源分配进行科学管理,以深圳港2012—2017年共24个季度的集装箱吞吐量数据为例,对各季度数据进行加权灰色关联分析,通过各季度吞吐量的影响度排序得出其发展规律;将三次指数平滑法与马尔科夫模型相组合,并应用于港口集装箱季度吞吐量预测中。结果表明:与传统的三次指数平滑模型、灰色预测模型相比,ES-Markov模型使相对误差降至5%以下,预测精度大幅提高,因此,该模型可很好地适应港口集装箱吞吐量季节性波动的发展变化规律。未来可将该组合模型应用于港口吞吐量预测中,为港口发展决策提供理论依据。     

我国沿海港口集装箱吞吐量的季节性及其调整方法

主要研究我国沿海港口集装箱吞吐量的季节性及其计量分析方法。首先从物流角度剖析沿海集装箱运输季节性的成因。然后通过月度均值曲线、一阶自相关函数对沿海集装箱吞吐量月度数据进行了季节性检验。进而利用X-12-ARIMA程序进行季节调整,结果表明沿海集装箱吞吐量的季节性波幅与时间序列的趋势成正比,每年2月份为季节性波谷,8月份为季节性小波峰,12月为季节性大波峰。并且这种季节性结构非常稳定,不随年份的推移而改变。     

大连港集装箱吞吐量预测

以大连港历史数据为依据，运用指数平滑、回归分析、弹性系数法等对大连港集装箱吞吐量进行预测分析，并在原有预测方法的基础上提出一种新的组合预测模型，通过对各预测结果的比较。证明此模型在港口吞吐量预测中有较高的精度。     

基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型（英文）

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归(auto-regressive,AR)预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解(empirical mode decomposition,EMD)的过程中,采用AR预报的方法处理端点效应问题。EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归(support vector regression,SVR)预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

南京港集装箱吞吐量预测研究

港口集装箱吞吐量的合理预测对提高港口竞争力与经济效益具有决定意义。为了提高港口集装箱吞吐量预测精度,分别采用时间序列法中的三次指数平滑法、灰色GM(1,1)法和因果分析法中的多元回归分析法对集装箱吞吐量进行预测。在此基础上运用多元回归法进行吞吐量预测模型的组合分析,根据预测结果与实际吞吐量进行优化组合研究并建立预测综合模型。综合模型融合了前三种方法的优点,克服了单一预测方法的不确定性,改善预测效果,更加适合于南京港集装箱吞吐量的实际预测。     

基于MATLAB的组合模型在港口吞吐量预测中的应用

以某港1998-2007年集装箱吞吐量为实测数据,建立其集装箱吞吐量的灰色理论、三次指数平滑、三次多项式等预测模型,在MATLAB下,对比该港集装箱吞吐量各模型预测拟合值与实际值的差异,分析了差异产生的原因及其单一预测模型的局限性,提出了港口集装箱吞吐量组合预测法.其预测误差明显低于其它单模型.运用组合预测模型,可降低误差,提高预测精度.     

结合经济指标修正的GA-BP模型港口货物吞吐量预测

为有效预测港口货物吞吐量,基于遗传算法(Genetic Algorithm,GA)优化的BP神经网络模型(GA-BP模型),结合经济指标影响,对港口货物吞吐量进行预测研究。选取2012―2020年上海港货物吞吐量月度数据,运用GA-BP模型得到准预测值,通过主成分分析法对经济指标降维,得出经济综合影响指数,并对准预测结果进行修正。试验证明,考虑经济指标影响的GA-BP模型比传统时间序列模型和BP神经网络模型的预测效果更优。     

基于GA优化BP神经网络的港口集装箱吞吐量预测

为了提高港口集装箱吞吐量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型。该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值。以青岛港2012-2018年集装箱吞吐量统计数据为例,进行实例验证。结果表明,与传统的BP神经网络相比,该模型能显著地提高港口集装箱吞吐量的预测精度,用于预测港口集装箱吞吐量具有一定可行性。