导读:本文包含了船舶交通流量论文开题报告文献综述及选题提纲参考文献，主要关键词:船舶交通流量,预测,无偏灰色模型,马尔科夫模型
船舶交通流量论文文献综述
马全党,江福才,范庆波,朱蓉蓉[1]（2019）在《PSO-无偏灰色马尔科夫模型在船舶交通流量预测中的应用》一文中研究指出为提高船舶交通流量的预测精度,利用具有全局搜索能力的粒子群算法(Particle Swarm Optimization, PSO)对无偏灰色马尔科夫模型进行优化,构建船舶交通流量预测的PSO-无偏灰色马尔科夫模型。该模型可综合考虑预测中的残差序列、状态区间、状态转移概率,自适应选取最优白化系数,用以准确表征船舶交通流量的发展趋势。以东营港2012—2017年船舶交通流量季度统计数据为例,选取前21个季度数据对模型进行训练,后2个季度数据对预测结果进行分析,与传统的无偏灰色模型和无偏灰色马尔科夫模型相比,该模型能显着地提高船舶交通流量的预测精度,其拟合精度和预测精度分别为91.439%和95.959%,验证后该模型具有科学性与有效性。(本文来源于《中国航海》期刊2019年01期）
朱庆辉,李广儒,杨晓,勾翔宇,李海丽[2]（2019）在《基于循环结构优化的Elman神经网络船舶交通流量预测》一文中研究指出针对港口的船舶交通流量预测精度不高的问题,首次采用Elman神经网络进行船舶交通流量预测,同时引入以预测误差为条件的循环结构优化Elman神经网络,并利用前6个月数据预测后一个月数据的方式重新构建原始数据。同时,将优化后的Elman神经网络应用于芜湖港船舶交通流量的预测,并与原始的Elman神经网络、反向传播(BP)神经网络以及径向基函数(RBF)神经网络的预测结果进行误差及评价指标的分析比较。结果显示,在船舶交通流量预测方面,循环结构优化的Elman神经网络的预测误差在2%以内,小于原始Elman神经网络的3%的误差,远远小于BP神经网络的8%和RBF神经网络的6%的误差,同时优化后的Elman神经网络的各项评价指标均占据优势。表明了Elman神经网络在船舶交通流量预测方面的良好适用性,同时循环结构的优化效果明显,其预测性能更优,预测值更接近实际值,具有很大的应用价值。(本文来源于《高技术通讯》期刊2019年03期）
刘洋[3]（2019）在《船舶航道交通流量预测系统构建研究》一文中研究指出船舶航道交通流量日益增加,给船舶航道管理带来挑战,为了提高船舶航道交通流量预测准确性,得到好的管理船舶航道,构建一种船舶航道交通流量预测系统。首先研究船舶航道交通流量预测系统的现状,描述船舶航道交通流量预测系统的工作原理,然后通过对船舶航道交通流量历史数据进行学习,构建船舶航道交通流量预测模型,并将该模型嵌入到船舶航道交通流量预测系统中,最后进行了船舶航道交通流量仿真预测测试,该系统的船舶航道交通流量预测精度不仅可以满足船舶航道交通管理的实际要求,而且船舶航道交通流量预测性能要优于其他系统,表明本文系统是一种可靠、精度高的船舶航道交通流量预测系统。(本文来源于《舰船科学技术》期刊2019年02期）
李振福,孙立谦[4]（2019）在《基于遗传小波神经网络的港口船舶交通流量预测模型比较》一文中研究指出对船舶交通流量进行准确预测在现代智能交通系统领域发挥着重要作用,为提高对船舶交通流量预测的准确性,本文将遗传算法分别与小波分析和神经网络进行结合,构建改进遗传小波神经网络模型,对广东省船舶交通流量的季度数据进行预测,并与遗传BP神经网络和传统小波网络等算法的预测进行对比。结果表明:经过遗传小波神经网络预测模型的误差相比传统的遗传BP神经网络模型和小波神经网络模型大幅度减小,提高了预测精度,从而保障水上交通安全,给水上安全主管部门的相关决策提供理论依据。(本文来源于《中国水运(下半月)》期刊2019年01期）
江福才,时瑞志,马全党,范庆波,张帆[5]（2018）在《无偏灰色模型在东营港船舶交通流量预测中的应用》一文中研究指出为提高东营港船舶交通流量预测精度,弥补灰色模型预测方法的不足,基于灰色系统理论,构建灰色模型,该模型在对指数序列进行拟合及参数选取时存在误差,为对模型进行优化,构建无偏灰色模型.采用Matlab编写相关程序辅助求解该模型,将所建模型对东营港船舶交通流量进行预测,并对预测结果与历史数据进行误差比较.结果表明:无偏灰色模型预测精度为97. 91%,拟合效果较好,验证了该模型的科学性与可行性.(本文来源于《广州航海学院学报》期刊2018年04期）
陈丹涌,刘明明[6]（2018）在《船舶AIS交通流量的跨江桥梁建设期通航风险及对策分析》一文中研究指出由于跨江桥梁钢箱梁吊装工艺的特殊性,施工过程中对水域通航产生碍航,为避免产生船舶碰撞事故,本文以虎门二桥所跨坭洲桥梁处为横截面的船舶AIS数据为基础,针对桥梁建设中的水上交通环境在时间上划定阶段性、在空间上划定区块性进行分析,针对性提出临时交通管制、推荐航路航道转换等面向水上交通风险的对策.研究成果为海事监管部门提供了实践性指导意见,减小了对桥梁周围水域航行船舶碍航性及降低警戒力量的投入,所提出的移动安全作业区、航路转换、合理布置警戒力量等通航安全保障措施以期为同类施工作业提供基于情景案例的实践参考.(本文来源于《广州航海学院学报》期刊2018年04期）
余珍,蒋仲廉,雷国平,刘丰阳[7]（2018）在《内河断面船舶交通流量预测方法研究》一文中研究指出船舶交通流统计分析是水路交通组织、通航安全保障、航道通航承载力评估等研究的重要基础;受区域经济发展水平、航道等级、航行规定等诸多因素影响,船舶交通流时空分布特征复杂。本文以长江干线航道叁峡大坝、武汉大桥、芜湖大桥等观测断面船舶交通流数据为基础,采用时间序列分析法,建立基于ARIMA的断面船舶交通流量预测模型,并探讨模型预测可靠性。研究结果表明:叁峡大坝、长江武汉大桥、长江芜湖大桥的模型预测绝对误差(相对误差)分别为6艘/月(1.4%)、27艘/月(8.2%)和118艘/月(8.9%);断面船舶交通流量剧烈波动对ARIMA模型预测精度产生影响。(本文来源于《第十叁届中国智能交通年会大会论文集》期刊2018-11-07）
江福才,范庆波,马全党,张帆,马勇[8]（2018）在《SARIMA-Markov模型在船舶交通流量预测中的应用》一文中研究指出为准确表征月度船舶交通流量的发展趋势,向水上智能交通系统及港口水域的合理布局等提供基础性数据.基于季节性自回归移动平均(seasonal auto regressive integrated moving average,SARIMA)模型、马尔科夫(Markov)模型、粒子群算法(particle swarm optimization,PSO)建立SARIMA-Markov船舶交通流量预测模型,该模型消除了季节成分、趋势性以及因经济、政策等因素导致的前后背景不一致的干扰,充分考虑了近期状况对预测值的影响,运用具有全局搜索能力的粒子群算法求取模型中的最佳白化系数.以通过赤壁长江公路大桥船舶交通流量月度统计数据为样本进行模型训练和预测,通过计算和、仿真,结果表明,SARIMA-Markov模型的拟合精度及预测精度分别为92.084 9%和95.786 1%,提高了船舶交通流量的预测精度.(本文来源于《武汉理工大学学报(交通科学与工程版)》期刊2018年04期）
范庆波,江福才,马全党,马勇[9]（2018）在《基于PSO的BP神经网络-Markov船舶交通流量预测模型》一文中研究指出为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。(本文来源于《上海海事大学学报》期刊2018年02期）
李晋,钟鸣,李扬威[10]（2018）在《基于AIS船舶数据的港口交通流量预测模型研究》一文中研究指出针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网API数据接口提取船舶AIS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型。通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性。同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比。组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.559 5,1.011 9和12.98%,出港分别是0.672 6,1.315 5和15.23%,以上指标均优于上述的传统3种模型。相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23%和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度。(本文来源于《交通信息与安全》期刊2018年03期）
船舶交通流量论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对港口的船舶交通流量预测精度不高的问题,首次采用Elman神经网络进行船舶交通流量预测,同时引入以预测误差为条件的循环结构优化Elman神经网络,并利用前6个月数据预测后一个月数据的方式重新构建原始数据。同时,将优化后的Elman神经网络应用于芜湖港船舶交通流量的预测,并与原始的Elman神经网络、反向传播(BP)神经网络以及径向基函数(RBF)神经网络的预测结果进行误差及评价指标的分析比较。结果显示,在船舶交通流量预测方面,循环结构优化的Elman神经网络的预测误差在2%以内,小于原始Elman神经网络的3%的误差,远远小于BP神经网络的8%和RBF神经网络的6%的误差,同时优化后的Elman神经网络的各项评价指标均占据优势。表明了Elman神经网络在船舶交通流量预测方面的良好适用性,同时循环结构的优化效果明显,其预测性能更优,预测值更接近实际值,具有很大的应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
船舶交通流量论文参考文献
[1].马全党,江福才,范庆波,朱蓉蓉.PSO-无偏灰色马尔科夫模型在船舶交通流量预测中的应用[J].中国航海.2019
[2].朱庆辉,李广儒,杨晓,勾翔宇,李海丽.基于循环结构优化的Elman神经网络船舶交通流量预测[J].高技术通讯.2019
[3].刘洋.船舶航道交通流量预测系统构建研究[J].舰船科学技术.2019
[4].李振福,孙立谦.基于遗传小波神经网络的港口船舶交通流量预测模型比较[J].中国水运(下半月).2019
[5].江福才,时瑞志,马全党,范庆波,张帆.无偏灰色模型在东营港船舶交通流量预测中的应用[J].广州航海学院学报.2018
[6].陈丹涌,刘明明.船舶AIS交通流量的跨江桥梁建设期通航风险及对策分析[J].广州航海学院学报.2018
[7].余珍,蒋仲廉,雷国平,刘丰阳.内河断面船舶交通流量预测方法研究[C].第十叁届中国智能交通年会大会论文集.2018
[8].江福才,范庆波,马全党,张帆,马勇.SARIMA-Markov模型在船舶交通流量预测中的应用[J].武汉理工大学学报(交通科学与工程版).2018
[9].范庆波,江福才,马全党,马勇.基于PSO的BP神经网络-Markov船舶交通流量预测模型[J].上海海事大学学报.2018
[10].李晋,钟鸣,李扬威.基于AIS船舶数据的港口交通流量预测模型研究[J].交通信息与安全.2018