导读:本文包含了港口吞吐量预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:吞吐量,序列,模型,港口,集装箱,时间,向量。
港口吞吐量预测论文文献综述
黄跃华,陈小龙,王亚辉[1]（2019）在《基于正弦和的GM(1,1)幂模型在港口吞吐量预测中的应用》一文中研究指出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,预测精度都显着优于线性回归模型、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。(本文来源于《上海海事大学学报》期刊2019年03期）
陈锦文,兰培真[2]（2019）在《改进型BP神经网络的港口吞吐量预测》一文中研究指出为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来叁年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来叁年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差迭加,具有较好的适用性。(本文来源于《集美大学学报(自然科学版)》期刊2019年05期）
郭战坤,金永威,梁小珍,杨明歌,汪寿阳[3]（2019）在《基于异常值检测的港口集装箱吞吐量预测模型》一文中研究指出考虑到诸如金融危机等重大事件的影响,时间序列可能存在异常值,提出了一个基于局部异常因子(LOF)的LOF-SSA-LSSVM预测模型,并将其应用于广州港集装箱吞吐量预测.首先,对原始时间序列进行X12加法季节分解,对于分解得到的不规则序列,采用LOF算法进行异常值检测,确定异常数据的位置,之后通过插值或最小二乘支持向量机(LSSVM)的预测值来修正原始季节调整序列中的异常值,将修正后的季节调整序列与季节因子序列加和,即得到新的待预测序列.预测阶段,先采用奇异谱分析(SSA)将新的待预测序列进行分解重构,剔除序列中的噪声,然后再采用LSSVM对其进行预测.实证结果表明,建立的LOF-SSA-LSSVM模型相比BP、ARIMA等模型有着更好的预测精度.(本文来源于《数学的实践与认识》期刊2019年17期）
薛艳茹[4]（2019）在《基于时间序列分析的散杂货港口吞吐量短期预测研究》一文中研究指出港口是国内外物流重要的支撑力量,日益加剧的竞争环境促使港口向智慧化、精细化方向转型。吞吐量是衡量企业生产经营活动的重要依据。吞吐量长期预测有助于企业投资规划、制定发展策略。吞吐量短期预测可以辅助企业安排生产活动、调整企业运营节奏,对企业精细化发展意义重大。本文引入深度学习技术对散杂货港口月度吞吐量数据建模,从时间序列分析的角度研究吞吐量短期预测问题,主要包括以下几方面:(1)散杂货港口吞吐量时间序列特性分析,验证了其线性与非线性交织的复合型发展趋势。结合散杂货运输的业务特点,挖掘其长期性、季节性、波动性等多特征,将以上多特征的影响因素提取出来用于后续建模。(2)基于ARIMA的线性吞吐量预测模型、基于LSTM的非线性吞吐量预测模型的构建与验证。通过网格搜索法确定模型最优参数。将多特征影响因素引入到LSTM模型,进一步提高其预测精度。(3)吞吐量预测组合模型的构建与应用。为了避免单一预测模型在复合型问题的不足,采用权重分配的方式将线性模型与非线性模型组合。将组合模型嵌入到港口生产业务系统中辅助集团及港务分公司管理决策。本文以广州港集团G港务分公司为例,验证了线性模型ARIMA与非线性模型LSTM的适用性及优势。组合模型预测平均相对误差为0.096,远低于叁次指数平滑法的0.1819。此外,选取了 RMSE、MAE以及误差等级等对预测效果进行评估,论证了组合模型的优越性。本文提出的组合模型对港口企业吞吐量预测有一定的参考意义。(本文来源于《北京交通大学》期刊2019-06-04）
张雷雨,杨毅[5]（2019）在《基于PCA-SVM的港口集装箱吞吐量预测模型研究》一文中研究指出从影响港口集装箱吞吐量的若干因素出发,本文依据主成分分析法和支持向量机回归法的基本原理,提出了一种基于主成分分析和支持向量机回归算法的建模预测方法。以连云港1999—2016年的统计数据为例,将该方法与指数平滑法、多元线性回归法及支持向量机回归法相结合,预测精度较高,最后利用主成分分析和支持向量机回归算法预测了2019—2020年的港口集装箱吞吐量,为港口决策提供重要依据。(本文来源于《江苏商论》期刊2019年05期）
吴琛[6]（2019）在《基于时间序列模型的港口集装箱吞吐量预测》一文中研究指出针对集装箱吞吐量进行精准预测,已成为港口发展建设的重要一环。本文以广州港作为研究对象,选取2010.01-2017.12区间中96组数据作为原始数据。首先分析该时间序列的变动趋势特征;然后根据原始序列特征选取ARIMA模型进行预测,结果显示预测数值与实际数值的相对误差基本控制在10%以内,体现出模型的可靠性和精准性;最后对2019下半年广州港集装箱吞吐量进行预测,为港口运营提供参考价值。(本文来源于《珠江水运》期刊2019年05期）
刘明英,翁世洲,黄凤青[7]（2018）在《基于GM(1,1)的防城港港口货物吞吐量预测及分析》一文中研究指出关于港口货物吞吐量的预测一直被视为灰色系统领域,依据灰色预测模型GM(1,1)应用于较小样本数据的特征,及港口货物吞吐量具备较为明显的波动性,针对防城港自2011年以来的货物吞吐量数据,运用GM(1,1)模型对防城港港口未来五年的港口货物吞吐量进行有效预测。根据模型预测的结果,以及对防城港的发展现状和存在的问题进行分析,提出可行的建议,为防城港的科学规划提供依据。(本文来源于《对外经贸》期刊2018年11期）
傅培华,张亚,詹正刚,王秀丽[8]（2018）在《复杂网络可视图及其在内河港口吞吐量预测中的应用》一文中研究指出指出港口吞吐量时间序列的研究较多采用机器学习和数据挖掘的方法,此类"黑箱"方法一般较难直观反映时间序列的规律特征。为了更直观地分析港口吞吐量时间序列特征,利用可视图理论构建了港口吞吐量时间序列复杂网络,并对这些网络的特性进行分析,如度分布、小世界效应、等级结构等。结果表明,可视图度值能够较为准确地确定预测值所在的区间,且新预测周期度值越大,预测区间更接近于实际观测值。(本文来源于《物流技术》期刊2018年11期）
宋凌玉[9]（2018）在《融合斯塔克尔伯格模型的港口吞吐量预测方法》一文中研究指出港口吞吐量预测是港口规划的基础,在确定港口发展方向、投资规模等方面发挥着十分重要的作用,因此有必要对港口吞吐量的发展趋势做出合理的预测.提出了一种融合斯塔克尔伯格模型的港口吞吐量预测方法(Forecasting method of port throughput Stackelberg model,FMPTSM).该方法首先需要将港口吞吐量内具有冲突性的各类大数据分成不同的数据集合,并要求具有相近性质的数据子集能够被分配在同一类中,以此防止港口间吞吐量相互阻塞造成可调度性损失.实验结果表明,该算法预测能力高于同类算法在港口吞吐量预测中的有效性.(本文来源于《西安文理学院学报(自然科学版)》期刊2018年05期）
赵一棋[10]（2018）在《基于时间序列分析的港口吞吐量预测》一文中研究指出本文以我国沿海港口外贸货物吞吐量为研究对象,对数据进行处理后构建乘积季节模型,并对模型进行检验,最后运用模型进行预测。建模结果表明,运用乘积季节模型能较好描述港口吞吐量的变化过程,且运用历史数据对沿海港口外贸货物吞吐量进行预测的效果良好,模型预测结果可以为港口改扩建工程决策提供参考依据。(本文来源于《市场研究》期刊2018年08期）
港口吞吐量预测论文开题报告
（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：
为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来叁年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来叁年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差迭加,具有较好的适用性。
（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。
港口吞吐量预测论文参考文献
[1].黄跃华,陈小龙,王亚辉.基于正弦和的GM(1,1)幂模型在港口吞吐量预测中的应用[J].上海海事大学学报.2019
[2].陈锦文,兰培真.改进型BP神经网络的港口吞吐量预测[J].集美大学学报(自然科学版).2019
[3].郭战坤,金永威,梁小珍,杨明歌,汪寿阳.基于异常值检测的港口集装箱吞吐量预测模型[J].数学的实践与认识.2019
[4].薛艳茹.基于时间序列分析的散杂货港口吞吐量短期预测研究[D].北京交通大学.2019
[5].张雷雨,杨毅.基于PCA-SVM的港口集装箱吞吐量预测模型研究[J].江苏商论.2019
[6].吴琛.基于时间序列模型的港口集装箱吞吐量预测[J].珠江水运.2019
[7].刘明英,翁世洲,黄凤青.基于GM(1,1)的防城港港口货物吞吐量预测及分析[J].对外经贸.2018
[8].傅培华,张亚,詹正刚,王秀丽.复杂网络可视图及其在内河港口吞吐量预测中的应用[J].物流技术.2018
[9].宋凌玉.融合斯塔克尔伯格模型的港口吞吐量预测方法[J].西安文理学院学报(自然科学版).2018
[10].赵一棋.基于时间序列分析的港口吞吐量预测[J].市场研究.2018
论文知识图
