基于PCA的神经网络在港口货物吞吐量中的预测

分析选取了可能影响港口货物吞吐量的因素,采用PCA技术提取关键因子,最后以提取的关键因子作为神经网络的神经输入元,分别建立BP神经网络预测模型和GRNN神经网络预测模型。以上海港口为例,对港口货物吞吐量进行预测并对预测结果给予分析。     

基于改进多层感知机模型的港口吞吐量预测研究

精确的港口货物吞吐量预测对于港口的发展至关重要.本文提出了改进粒子群优化去尾均值多层感知机模型对上海港货物吞吐量进行预测.选取了影响上海港货物吞吐量的十个因素进行训练,实验结果表明该预测模型的预测性能明显优于传统MLP预测模型和基本的粒子群优化多层感知机模型.对该预测模型的误差分析和收敛性分析表明该预测模型可靠.     

基于Seq2Seq模型的港口进出口货物量预测

港口进出口货物吞吐量是反映港口业务状况的重要指标,其准确预测将给港口经营管理人员进行决策提供重要的依据.利用机器翻译领域的Seq2Seq模型,对影响港口进出货物量的多种因素进行建模.Seq2Seq模型可以反映进出口货物量在时间维度上的变化规律,并且可以刻画天气、节假日等外部因素的影响,从而进行精准预测.Seq2Seq模型包含两个由循环神经网络（LSTM）组成的编码器和解码器,能够捕捉长短期时间范围内集装箱变化趋势,可以根据历史进出口货物量预测未来一段时间的货物量信息.在真实的天津港进出口集装箱数据集上进行了实验,结果表明Seq2Seq模型的深度学习预测方法效果优于传统的时间序列模型以及其他现有的机器学习预测模型.     

组合粗糙集和支持向量回归的船舶交通流预测

影响交通流变化的因素众多,为改进传统的船舶交通流预测精度不高,一种结合粗糙集和支持向量回归智能算法的交通流预测模型提出,通过ROSETTA软件进行属性约简预处理,筛选出影响交通流变化的关键影响因素,剔除冗余信息。筛选结果显示外轮进出艘次、对外贸易总额、港口GDP、集装箱标准箱、港口货物吞吐量为输入变量,运用Libsvm软件构建基于遗传算法参数寻优的支持向量回归模型预测2008年和2009年的交通流。算例结果表明,与BP神经网络和SVM模型相比,组合预测模型是有效和实用的预测工具。     

广义神经网络的研究及其在交通流预测中的应用

提出一种基于线性独立函数的智能神经元模型,理论分析表明这种智能神经元比普通神经元具有更高的知识存储能力,可使整个神经网络的信息处理能力得到大大增强.将这种智能神经元组成的广义神经网络应用于交通流预测,对大连市实测交通流数据进行了预测分析.实验结果表明,该广义神经网络的预测效果远远优于常规BP网络,具有较高的实用价值.     

BP神经网络用于藻类生长预测的改进

针对传统的BP神经网络应用于藻类生长预测时,往往出现训练时间较长、输出数据精度低等问题.本文提出了在含有两层隐含层的BP神经网络结构中,对于数量一定的神经元,若神经元在隐含层分配合理,则BP神经网络可以达到减少训练次数并且能满足问题精度的要求.应用实例表明,该方法对预测藻类生长显得非常有效.     

基于小波神经网络法的短期风电功率预测方法研究

基于小波与BP神经网络,提出一种小波与BP神经网络结合的方法对短期风电负荷进行预测。运用小波能够精确地提取时间序列的细微特性和BP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了小波神经网络预测模型,经实际数据证明该方法提高了预测的精确性。     

基于BP神经网络技术的车辆通行时间预测研究

为进一步提高交通调度效率,解决日益严重的交通拥堵现状,提出基于BP神经网络模型预测车辆通行时间的方案。根据交叉路口特征,建立了三层BP(Back Propagation)神经网络模型,并确定模型的输入层和输出层神经元数目均为4个。采用MATLAB软件对采集的车辆通行数据进行仿真分析,最终确定隐含层神经元数目为9个。利用预测样本对BP神经网络模型进行了可行性验证。结果表明,BP神经网络模型能够用于预测排队车辆通行时间,误差在10%以内,可以作为交通控制器配时方案的依据,提高车辆通行效率。     

组合模型在机场旅客吞吐量预测中的应用

研究机场运输优化控制问题,机场旅客吞吐量受到政治、经济、节假日、票价和天气等多种因素影响,具有周期性和非线性变化特点,传统单一预测方法只能描述其部分变化规律,预测精度低。为了提高机场旅客吞吐量预测,将灰色模型和BP神经网络相结合,形成一种机场旅客吞吐量组合预测模型。首先组合预测模型利用灰色模型对线性变化部分进行预测,然后采用BP神经网络对非线性变化部分进行预测,并对预测误差进行补偿。仿真结果表明,组合模型,解决了单一预测模型存在的缺陷,提高了机场旅客吞吐量预测精度,为机场旅客吞吐量预测提供一种新的思路。     

用改进GA-BP神经网络的设备故障维修时间预测

光伏充电站中设备故障维修时间对运行效率有着重要影响.为提高光伏充电站设备维修时间的预测精度,考虑到神经网络算法中隐含层神经元数对算法预测精度的影响,提出了一种改进的GA-BP神经网络算法,并以光伏充电站60个设备维修时间为样本验证了改进算法的有效性.结果表明,GA-BP神经网络结构中隐含层神经元数取5时算法预测精度最高,且采用改进GA-BP神经网络算法预测时平均相对误差仅为6.1％,较灰色模型与BP神经网络算法分别降低了 90.4％与57％.改进后的GA-BP神经网络的预测准确度远高于灰色模型和BP神经网络,得到的预测时间可为维修人员调度提供依据.