基于灰色模型的上海港集装箱吞吐量预测

运用灰色预测法预测上海港未来3年的集装箱吞吐量.根据上海港集装箱码头的具体情况计算其通过能力,再通过产能利用率指标判断上海港集装箱码头是否面临产能过剩的问题.结果表明,上海港集装箱码头不存在产能过剩问题.最后提出在现有码头设施条件下提高产能的建议.     

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NARX神经网络的港口集装箱吞吐量预测

为对港口集装箱吞吐量进行科学预测,采用带外生变量的非线性自回归(NARX)模型对上海港的集装箱吞吐量进行预测.通过主成分分析法对港口吞吐量影响因子进行相关性分析,将筛选出的GDP作为外部输入因子引入NARX模型.实证分析发现,引入GDP的NARX神经网络模型对具有非线性特征的集装箱吞吐量数据有良好的映射逼近性.训练后的网络误差小且拟合度高,具有良好的泛化能力,预测性能较好.     

集装箱吞吐量的动态预测研究

针对以往文献中港口集装箱吞吐量的预测结果与实际值差距大的现象，提出用因果模型预测与动态补偿相结合的动态预测方法预测港口集装箱吞吐量，并将此方法用于对上海港集装箱吞吐量的预测，取得了较好的效果，为集装箱吞吐量的预测提供了一条较为可靠且实用的途径。     

基于灰色预测模型的上海港集装箱吞吐量预测分析

上海港是全球第一大港,连续十年集装箱吞吐量保持全球第一,其运输吞吐能力的升级换代是上海国际航运中心建设的重要目标。随着国内外经济环境的变化和不确定性的增加,上海港如何进一步适应国家战略需求和国际环境变化,对集装箱吞吐量进行科学预测,及时化解瓶颈和风险,是港口发展的重要战略目标。上海港要严格疫情防控,全面复工复产;推进重大项目建设,深化发展战略;做精企业管理,推动科技创新;借助自由贸易港,发展航运金融业;打造航运服务产业链,建设高端航运服务市场;加强党的领导,引领港口持续发展。     

基于改进PSO-ARIMA模型的船舶纵摇角度预测

针对自回归移动平均(auto regressive moving average,ARMA)模型在船舶纵摇角度预测时不具有普遍适用性问题,提出使用自回归综合移动平均(auto regressive integrated moving average,ARIMA)模型进行纵摇角度预测,并采用改进粒子群优化(particle swarm optimization,PSO)算法对模型定阶。对纵摇角度值序列数据进行平稳性检验和差分运算,确定ARIMA模型的适用性;采用具有针对性适应度评价函数的PSO算法进行模型定阶,并优化PSO算法的权重计算方法。通过仿真对比验证本文所提方法的科学性和有效性。仿真结果表明:采用改进PSO算法进行模型定阶的方法能够有效提升模型的预测精度,具有更好的预测效果。     

基于小波分解的集卡港内周转时间预测

为准确预测集卡的港内周转时间,进而提升整个物流系统的作业效率,通过对集装箱码头闸口数据进行深入分析,得到3种不同任务类型的集卡港内周转时间序列,并在此基础上提出一种基于小波分解和自回归移动平均(autoregressive moving average, ARMA)模型的集卡港内周转时间预测方法。该方法首先利用小波分解技术对集卡港内周转时间序列的多维变化特征进行逐层分离,再利用ARMA模型对分离后的多个时间序列分别进行拟合,然后对拟合结果进行合并,以此近似模拟原序列的时变规律,继而实现集卡港内周转时间的短期预测。为验证该方法的有效性,将数据样本划分为训练集（75%）和测试集（25%）,训练集用于拟合多维ARMA模型,测试集用于检验ARMA模型的预测结果误差。研究结果表明,对于3种任务类型,该模型均可以精确预测集卡的港内周转时间,为物流企业调整集卡运输计划提供相应的技术支持。     

基于正弦和的GM(1,1)幂模型在港口吞吐量预测中的应用

为有效预测具有振荡性质的港口吞吐量,提出基于正弦和的GM(1,1)幂模型(称为正弦和修正模型)。首先通过原始序列建立指数优化的GM(1,1)幂模型以描述总体趋势,然后利用正弦和描述残差中包含的周期性振荡规律,建立正弦和修正模型。利用该模型对广州港吞吐量进行预测,结果表明:该模型能够较好地描述具有周期振荡特征的港口吞吐量时间序列数据,预测精度都显著优于线性回归模型、GM(1,1)和指数优化的GM(1,1)幂模型,可将该模型用于具有振荡性质的吞吐量预测中。     

港口吞吐量的典型因素预测模型

港口吞吐量的预测受众多因素的影响,如何确定影响港口吞吐量的典型因素,是预测的关键问题之一。为解决此关键问题,先对港口吞吐量影响因素进行分析,再用系统聚类法确定其中的典型因素。以典型因素作为自变量,应用多元线性回归分析法建立港口吞吐量的典型因素预测模型。对厦门港集装箱吞吐量的预测结果表明,该模型有较高的拟合度和预测精度。     

轮胎集装箱门式起重机起升动载因数的动力学模型及其解

为更精确地确定轮胎集装箱门式起重机的起升动载因数,建立确定轮胎集装箱门式起重机起升动载因数的动力学模型,用模态分析法求其解析解.理论计算和实际测试结果的对比表明:该动力学模型与实际情况较接近,计算公式和计算方法正确.研究成果对确定轮胎集装箱门式起重机合适的动载因数和改进结构设计等都具有较大的参考价值和指导意义.     

基于时间序列的港口货物吞吐量GRNN预测模型

为准确进行港口货物吞吐量预测,采用逐步递归的方法,建立基于时间序列的港口货物吞吐量广义回归神经网络(Generalized Regression Neural Network,GRNN)预测模型.利用该模型预测某港口货物吞吐量,结果表明:对于小样本的短期预测,该模型具有适应性好、误差小等特点.