基于调和分析和ARIMA-SVR的组合潮汐预测模型

为提高潮汐预测精度,解决单一调和分析预测精度不高的问题,提出一种基于调和分析和自回归综合移动平均-支持向量回归机(autoregressive integrated moving average support vector machine for regression,ARIMA-SVR)的组合潮汐预测模型。潮汐分析中,潮汐可认为是由受引潮力影响的天文潮位和受环境因素影响的非线性水位的叠加。采用小波分析对潮汐样本数据进行去噪处理,使用调和分析法计算天文潮位,以调和分析法计算产生的残差作为非线性水位样本数据,并使用ARIMA-SVR模型进行潮高计算,最后将两部分的计算结果进行线性求和得到最终的潮汐预测值。利用美国旧金山港口实测潮汐数据进行预测仿真,结果表明,该组合模型解决了调和分析忽略非线性影响的问题,提高了潮汐预测准确率,可行且高效。     

基于支持向量机的起重机电机振动特征参数预测

提出用支持向量机方法对岸桥电机运行性能特征参数进行预测的方法,并构造基于支持向量回归的单步及多步预测模型.利用该模型对岸桥电机振动烈度时间序列分别进行1步和4步预测,并与自回归(AR)模型的预测值进行比较.实验结果表明,基于支持向量机预测模型的1步预测和4步预测精度均比AR模型的预测精度高,因此该模型对岸桥电机的运行性能特征参数具有较好的短期和长期预测能力.     

基于DE-SVM的船舶航迹预测模型

为提高船舶航迹预测精度,解决准确建模难度大和神经网络易陷入局部最优的问题,考虑实时获取目标船AIS数据较少的特点,提出一种基于支持向量机(support vector machine,SVM)的航迹预测模型。选择AIS数据中的航速、航向和船舶经纬度作为样本特征变量;采用小波阈值去噪的方法处理训练数据;采用差分进化(differential evolution,DE)算法对模型内部参数寻优以提高模型收敛速度和预测精度。选取天津港实船某段航迹的AIS数据,比较基于DE-SVM与基于BP神经网络的航迹预测模型的仿真结果。结果表明,基于DE-SVM的航迹预测模型具有更高的预测精度,简单、可行、高效,且耗时少。     

长江水道事故风险预测模型优化

针对支持向量机(support vector machine, SVM)模型在水上交通风险预测中由于其变量较多而导致的计算过程复杂、实用性不强的问题,运用随机森林模型对变量进行重要度排序,利用筛选后的变量构建新的SVM模型。将新模型的分类正确率和可转移性测试结果与原模型的进行比较。结果表明：新模型比原模型的分类正确率提高4.12个百分点;在可转移性测试中新模型分类正确率仍处于较高水平,而且误报率降低2.40个百分点。研究表明新模型计算相对简单,预测效果更优,而且具有普适性特征。     

基于负二项回归的水上交通事故分析与预测

寻找导致船舶损伤和事故伤亡原因的可能因素和对水上交通事故趋势预测一直是水上交通事故研究的焦点.基于事故因果关系的统计数据,分析港区航道及附近水域水上交通事故的伤亡人数与事故船舶类型、事故种类、事故发生时间、事故发生地理位置等因素之间的关系,通过比较泊松和负二项两种概率分布模型回归的结果,确定负二项分布形式的事故预测模型.研究表明,基于负二项回归的水上交通事故分析与预测方法具有适用性.     

基于误差绝对值之加权和最小的组合预测模型及其应用

介绍了基于误差绝对值之加权和最小的组合预测模型 ,并应用灰色预测法和三次指数平滑预测法两种单项预测法建立上海港集装箱吞吐量的组合预测模型 ,并运用此模型对 2 0 0 0～ 2 0 0 1年上海港集装箱吞吐量进行了预测     

基于分形理论的水上交通事故预测

为进行水上交通事故的预测与预警,分析将分形理论运用于水上交通事故预测计算的可行性.通过使用分形插值方法对离散的时间序列数据集进行处理,求取IFS迭代函数系及其吸引子,构建对于给定时间序列的预测模型.以我国水上交通事故近年来的统计数据为计算对象,预测未来几年内水上交通事故的发展趋势,验证该理论方法具有良好的宏观与微观预测性.     

短期电力负荷的组合预测模型

对时负荷建立了灰色模型和自适应滤波模型,利用拟合优度最小的原则对两种模型进行择优组合,建立组合预测模型,经实例验证,预测结果令人满意 .     

灰色加法组合预测模型及其应用

针对季节性时间序列具有增长性和周期性的特点,将其进行分解建模,并与灰色系统理论相结合,首次提出了灰色加法组合预测模型.通过京津唐电网中的应用表明,此方法简单有效,对于季节性预测问题有很强的实用性和较高的预测精度.     

基于GRA-TOOPSO-LSSVM的港口吞吐量预测

为对港口吞吐量进行科学预测,在最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)基础上,引入灰色关联分析(Grey Relational Analysis,GRA)和二阶振荡粒子群优化(Two-Order Oscillating Particle Swarm Optimization,TOOPSO),提出一种新的GRA-TOOPSO-LSSVM算法预测港口吞吐量.采用GRA法筛选出对上海港吞吐量有重大影响的因素,并将其作为LSSVM的输入变量;采用TOOPSO法对LSSVM的参数进行寻优;运用LSSVM非线性映射的优势对上海港吞吐量进行预测.在上海港吞吐量实证研究的过程中,GRA-TOOPSO-LSSVM算法与TOOPSOLSSVM和基于交叉验证的LSSVM算法进行对比分析.研究结果表明,GRA-TOOPSO-LSSVM算法具有更好的预测精度和收敛速度,为港口吞吐量预测的研究提供了一种新的方法.     

加权灰色关联理论模型在辽宁海上交通事故分析与预测中的应用

为增强海上交通运输安全,运用灰色系统理论中的加权灰色关联分析和预测的基本原理,改进关联系数的计算方法,并考虑各序列因子在不同点处的权重差异,对辽宁水域2007—2013年的船舶交通事故进行分析.建立该水域船舶交通事故总数与事故类型及发生时间的关联矩阵,根据得到的加权灰色关联度寻求事故的发生规律.将传统灰色关联理论与加权灰色关联理论的关联结果进行对比,验证加权灰色关联理论具有较好的精确性和层次性.建立船舶交通事故总数的预测模型,并对该水域的交通形势进行预测,同时将预测模型结果与实际数据相比较,得到模型预测精度,证明该模型合理、可靠,可以为海上交通事故的预防提供指导和借鉴.     

基于SVM预测模型的汽车电子市场价值估计

为估计汽车电子市场的潜在价值,引入一种基于改进优化核函数参数支持向量机(Support Vector Machine,SVM)的中国汽车月产量预测模型.SVM采用RBF核函数和ε-SVR回归方法;参数选择归结为使推广能力的估计值最小、对偶问题最大化的最优化问题.根据2005—2009年中国汽车月产量数据,预测2010年前3个月的中国汽车月产量,并估计中国轻型汽车电子市场的潜在价值.结果表明:该模型能够提高短期预测性能,可为汽车公司的市场决策提供有价值的参考.     

基于决策树的水上交通事故影响因素耦合分析

为深入探究重特大水上交通事故影响因素耦合机制,基于我国水上交通事故严重程度分类和影响因素数据的分布特征,采用C5. 0决策树算法,以从939份事故调查报告中获取的事故影响因素集为输入变量,以事故类型(一般事故、重特大事故)为输出,构建事故严重程度影响因素决策树模型。优化关键参数,从生成的推理规则集中提取9种易引发重特大事故的多因素耦合模式。结果显示,在"船员操作故意违规、浪为8级及以上、政府部门监督管理严重不足、航运企业安全管理严重不足、时段为0:00—3:59或20:00—23:59、事故造成船舶全损"耦合模式下,重特大事故样本数最多,应作为重点的事故防范情境。     

基于优化灰色马尔科夫动态模型的上海港集装箱吞吐量预测

为更准确地预测港口集装箱吞吐量,以灰色马尔科夫模型为基础,建立一种优化的灰色马尔科夫动态模型。根据上海港集装箱吞吐量历史数据建立GM(1,1)预测模型。引入无偏灰色预测理论对GM(1,1)预测模型进行优化。构造等维信息模型,及时更新预测使用的数据以形成动态预测。利用马尔科夫理论对优化后的GM(1,1)预测残差值进行修正,得出上海港集装箱吞吐量的预测值。研究结果表明,与传统灰色马尔科夫模型相比,优化的灰色马尔科夫动态模型预测精度提高了37.03%,预测值拟合曲线更加贴近实际值曲线,预测结果有更高的可信度,为上海港集装箱吞吐量预测提供了一种新的方法。     

基于ARIMA-BP神经网络的船舶交通事故预测

为提高船舶交通事故的预测精度,提出将自回归综合移动平均(autoregressive integrated moving average, ARIMA)模型与BP神经网络组合的船舶交通事故预测方法。该方法考虑船舶交通事故的复杂性和非线性因素,充分结合ARIMA模型与BP神经网络的优势,分别从简单加权和残差优化角度对ARIMA模型与BP神经网络的不同组合方法进行比较研究,并将其应用于2000—2018年英国籍船舶交通事故预测中。结果表明:与ARIMA模型、BP神经网络和ARIMA-BP的简单加权组合预测方法进行对比,ARIMA-BP的残差优化组合预测方法的预测精度最高,其均方根误差、平均绝对误差和平均绝对百分比误差分别为7.16、6.0和4.9%。本文提出的船舶交通事故预测方法可以为相关人员的决策提供指导。     

优化的长山水道船舶交通流量灰色系统预测模型

为提高长山水道船舶交通流量的预测精度,对灰色系统中的GM(1,1)模型进行优化.在对长山水道船舶交通流量进行分析的基础上,通过改进GM(1,1)模型背景值、改变初始条件、增加新信息优先权、引入残差修正等方法对GM(1,1)模型进行优化.通过该优化模型的预测数据与历史数据的比较验证了该优化模型的准确性和可靠性.最后用该优化模型对长山水道2015—2016年的船舶交通流量进行了预测.     

基于HFACS的海上交通事故原因系统分析

为定量研究海上交通事故人失误致因因素,分析各种人失误因素对事故的影响程度,从而达到控制人失误事故的最终目的.在引入人的不安全行为分类框架和“人—机—环境”系统的基础上,运用人因素分析与分类系统（Human Factors Analysis and Classification System, HFACS）,提出海上交通事故人失误分析与分类系统(Human Error Analysis and Classification System for Marine Traffic Accident, HEACS MTA),对海上交通事故人失误因素进行分类.运用灰色关联分析法（Grey Relational Analysis, GRA）对事故形成原因进行定量分析,得出管理因素是事故的根本原因.导致事故发生的人失误因素依次为不安全行为的前提条件、不安全的监督、不安全行为和组织影响.     

基于Apriori算法的船舶交通事故关联规则分析

为有效分析船舶交通事故的潜在因果关系,预防和控制事故的发生,采用关联规则方法对相关数据进行有效挖掘,制定船舶交通事故关联规则挖掘流程,建立船舶交通事故关联规则分析模型.基于Apriori算法对船舶交通事故数据进行关联规则分析,挖掘事故间的强关联规则.对所挖掘出的强关联规则进行分析,发现事故致因因素间的潜在关系,并提出事故防范对策以保障海上交通安全.