基于广义回归神经网络的船舶交通量预测模型
交通流量预测的统计模型教程
交通流量预测的统计模型教程交通流量预测在城市规划、交通管理和运输系统等领域中具有重要的作用。
通过准确预测交通流量，可以帮助决策者制定合理的交通规划和交通管理方案，优化道路网络资源的利用，提升交通系统的效率和安全性。
在本文中，我们将介绍一些常用的统计模型，用于交通流量预测，并提供详细的教程。
1. 线性回归模型线性回归模型是最简单、最常用的统计模型之一，用于建立自变量和因变量之间的线性关系。
在交通流量预测中，我们可以将交通流量视为因变量，而天气、时间、节假日等因素视为自变量。
通过收集历史数据，建立线性回归模型，可以预测未来某个时间段的交通流量。
具体步骤如下：1) 收集历史数据：获取过去一段时间内的交通流量数据和其他相关因素的数据。
2) 数据预处理：对收集到的数据进行清洗和处理，包括异常值处理、缺失值填充等。
3) 特征工程：根据实际情况，选择合适的自变量，并进行特征选择和特征转换。
4) 模型训练：将预处理后的数据划分为训练集和测试集，使用训练集对线性回归模型进行训练。
5) 模型评估和调优：通过测试集评估模型的性能，并根据需要进行调优，如模型参数调整、特征选择等。
6) 进行预测：使用经过调优的线性回归模型对未来交通流量进行预测。
2. 时间序列模型时间序列模型广泛应用于交通流量预测中，可以考虑交通流量在时间上的趋势和周期性变化。
常见的时间序列模型包括ARIMA 模型、季节性自回归移动平均模型（SARIMA）和指数平滑模型等。
具体步骤如下：1) 收集历史数据：获取过去一段时间内的交通流量数据。
2) 数据预处理：对收集到的数据进行清洗和处理，包括异常值处理、缺失值填充等。
3) 模型选择：根据数据的特点和模型的假设，选择合适的时间序列模型。
4) 参数估计：使用历史数据对时间序列模型的参数进行估计。
5) 模型检验和调优：对已估计的模型进行检验，如残差分析等，并进行调优，如参数调整等。
6) 进行预测：将调优后的时间序列模型应用于未来的交通流量预测。
基于机器学习的交通流量预测模型设计与实现
基于机器学习的交通流量预测模型设计与实现交通流量预测是城市交通规划和管理中的重要环节。
准确地预测交通流量能够帮助交通部门优化交通配套设施和交通管理措施，提高交通运输的效率和安全性。
近年来，随着机器学习技术的发展，基于机器学习的交通流量预测模型逐渐成为研究的热点之一。
本文将介绍基于机器学习的交通流量预测模型的设计与实现，并讨论其在实际应用中的挑战和应对策略。
首先，为了设计和实现基于机器学习的交通流量预测模型，需要收集大量的交通数据。
这些数据包括历史交通流量数据、道路网络拓扑结构、天气状况等。
其中，历史交通流量数据是最基础的输入特征，可以通过交通流量监测设备或者交通导航软件获取。
道路网络拓扑结构是指道路之间的连接关系，可以通过地理信息系统(GIS)获取。
天气状况包括温度、降水量、风速等信息，可以通过气象预报数据获取。
收集到的数据需要进行预处理，包括数据清洗、数据融合等操作，以提高模型的准确性和稳定性。
在数据预处理完成后，需要选择适合的机器学习算法来构建交通流量预测模型。
常用的机器学习算法包括线性回归、决策树、神经网络等。
对于交通流量预测问题，常用的算法包括回归算法、时间序列模型、随机森林等。
回归算法适用于预测交通流量的连续变量，如交通流量的数量；时间序列模型适用于预测具有时间相关性的交通流量，如每日交通流量的变化；随机森林是一种集成学习算法，可以综合多个子模型的结果，提高整体模型的准确性和鲁棒性。
在选择机器学习算法时，需要考虑算法的准确性、计算效率、可解释性等因素。
构建交通流量预测模型后，需要对模型进行训练和验证。
训练模型时，将历史交通数据作为输入特征，将实际交通流量作为输出标签，通过机器学习算法对模型进行优化和参数调整。
验证模型时，使用未来的交通数据进行模型测试，评估模型的预测准确性。
评估指标可以包括均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R-squared)等。
通过不断地训练和验证，可以逐步提升交通流量预测模型的准确性和泛化能力。
基于广义回归神经网络的公路货运量预测方法研究
１ 公 路 货 运 量 预测 方 法
１ １ 公 路 货运量 影 响 因素 ．
多的优化 回归 面 。笔 者尝 试使用 广义 回归神 经 网 络 建立预 测模型 ， 对公 路货 运量进 行 预测［ 。 １ ］
质 引 ‘。
ＧＲ ＮＮ 的结构 如 图 １所示 ， 网络包 括 ２ ： 该 层 中间层 （ 隐含层 ） 径 向基 层 ， 出层 为线性 层 。 为 输 图
公 路 货运 量 预 测 多采用 定 量 预测 方 法 ， 定 用
量 分 析来 研 究 货运 量 的发 展趋 势 ， 以历史 统 计 它
维普资讯
基 于广 义 回 归神 经 网络 的 公路 货 运 量 预 测 方 法 研 究 —— 李 杰 王
科
王
航
基于广义回归神经 网络 的 公路货运量预测方法研 究
李 杰 王 科 王 航
（ ｉ 大 学 南 京 ２ ０ ９ ） （ 京 理 工 大 学 。 南 京 ２ ０ ９ ） ｇ海 １ ０ ８ 南 １０ ４ 摘 要 公 路 货 运 量 受 多 种 因 素 影 响 ， 因 素 的 作 用 机 制 通 常 不 能 准确 地 用 数 学 语 言 进 行 描 各
收稿 日期 ：０ ７０ —３ ２ ０ —４２
图 １ 广 义 回归 神 经 网 络 结 构
网络 的第 １层 为 径 向基 隐含 层 ， 经元 个 的权值 函数 为 欧 氏距 离 函
数 （ ｌ ｉ 表 示 ）其 作 用 为计 算 网络 输 入 与 用 ｌ ｓｌ ｔｌ ｄ ，
交通流量预测方法研究
交通流量预测方法研究随着城市化进程加快，交通拥堵问题变得日益严重，给我们的出行带来了巨大的困扰。
为了有效缓解交通拥堵，提高交通效率，科学准确地预测交通流量成为亟需解决的问题。
本文将探讨一些交通流量预测方法的研究。
一、历史数据分析法历史数据分析法是交通流量预测的传统方法之一。
该方法通过对历史交通流量数据的分析，预测未来交通流量的走势。
具体做法是根据历史数据的时间序列特征，利用统计学方法建立预测模型，然后根据该模型进行未来交通流量的预测。
二、基于神经网络的方法近年来，随着人工智能技术的飞速发展，神经网络在交通流量预测方面也得到了广泛应用。
基于神经网络的方法通过构建复杂的神经网络模型，动态地学习和模拟交通流量数据的变化规律，从而实现对未来交通流量的预测。
该方法的优点是能够自适应地学习和调整模型参数，较好地应对交通流量数据的非线性特征。
三、基于机器学习的方法机器学习是一种通过让计算机从大量数据中学习和发现规律，从而实现自主决策和预测的方法。
在交通流量预测中，基于机器学习的方法常用的有支持向量机、决策树等算法。
这些算法可以通过分析交通流量数据中的各种特征，自动学习和发现不同特征之间的关系，并进行交通流量的预测。
四、基于人工智能的方法随着技术的不断进步，人工智能在交通流量预测中的应用也变得越来越广泛。
基于人工智能的方法主要利用图像识别、自然语言处理等技术，从交通摄像头、交通警示牌等设备中获取数据，通过对这些数据的处理和分析，实现对未来交通流量的预测。
这种方法具有较高的准确性和实时性，能够更好地适应交通流量的变化。
总之，交通流量预测方法的研究对于提高交通效率、缓解交通拥堵具有重要意义。
历史数据分析法、基于神经网络、机器学习以及人工智能等方法各有优劣，可以根据具体情况选择合适的方法进行预测。
未来随着技术的不断发展，相信交通流量预测方法将会越来越精确和可靠，为我们的出行提供更好的保障。
基于EMD-LSTM神经网络的交通流量预测模型
的关键，同时也是智能交通系统管理的基础Z3］。 短时交通流具有较强的混沌性和非线性等，很多学
者针对其特点提出很多智能预测模型和算法⑷。 科学合理地预测城市轨道交通客流量，分析并掌握 客流变化的特性和规律，对城市轨道交通可行性研 究、线网规模的规划及制定合理的运营管理决 策⑸具有重要意义。神经网络是一种新型的客流 预测方法，它摆脱了建立精确数学模型的困扰，具 有良好的自组织性、自适应性，有很强的学习能 力、抗干扰能力等优点，比历史平均模型、时间序 列模型同等传统预测方法更适合复杂、非线性的 条件。目前已经广泛应用于预测领域的神经网络预
LSTM［⑸具有学习长期依赖的能力。所有的RNN 都采用神经网络的链式重复模块的形式。使用专门 构建的存储单元来存储信息的内存模块也有类似的 链式结构，但是重复模块的结构不同。如图1所 示，在一个LSTM单元中有四个相互作用的层。
元状态通过tanh并乘以输出门。 (1) Forget gate layer. ft=a(Wf- [ht_19 %J + bf) (2) Input gate layer. 必二"(见・[%J +bj (3) New memory cell.
二、方法及原理
(―)EMD经验模态分解 2000年以来，有很多突破性的频谱分析方法, EMD”-⑷方法是大家都认可的一种新型方法，此 方法主要描述数据本身，不需要安插其他基函数,
只需要按照数据本身的时间尺度特征进行信号方面 的分解。这也正是它与其他方法的差异所在。正是
由于EMD拥有这样独特的性质，所以在理论层面 上各类信号都可以用EMD处理，尤其是在处理非 线性数据上，EMD拥有很明显的优势，优胜于其 他方法，并且具备很高的信噪比。自从提出EMD 方法之后，各个领域都广泛应用其处理一些棘手的 问题数据，比如空气质量、海洋数据、天体观测数 据资料分析、地震记录数据分析。EMD的主要工
交通流量预测方法的研究与应用
交通流量预测方法的研究与应用随着城市化进程和汽车保有量的迅速增加，在城市交通管理中，交通流量预测成为必不可少的工作。
交通流量预测是指根据历史车流状况和当前环境，利用数学模型及其他技术手段预测未来的车流量。
交通流量预测不仅是交通管理决策的基础，还广泛应用于交通控制、交通管制、智能交通系统等领域。
本文将介绍交通流量预测的方法、应用及未来发展趋势。
一、传统的交通流量预测方法1.1 基于统计模型的交通流量预测方法传统的基于统计模型的交通流量预测方法主要是利用时间序列分析、回归分析等方法对历史车流量数据进行建模，然后通过对模型的预测进行评估和调整，得到预测结果。
这种方法主要依赖历史数据，对其预测效果受到历史数据的质量和数量的限制。
此外，传统的统计分析方法通常只能处理单一因素的影响，如时间、日期、天气等，难以处理多重因素的交互影响。
因此，该方法在精度和准确性方面存在很大的局限性。
1.2 基于神经网络的交通流量预测方法基于神经网络的交通流量预测方法是通过训练神经网络模型，将历史车流量数据转化为权值矩阵，然后通过输入当前的环境变量进行预测。
相比于传统方法，神经网络模型不仅具有更强的自适应性和非线性拟合能力，而且能够同时处理多重因素的交互影响，提高了预测的准确性和可靠性。
此外，随着深度学习技术的发展，基于深度神经网络的交通流量预测方法也逐渐得到了广泛应用。
二、交通流量预测的应用2.1 交通流量预测在交通管理中的应用交通管理决策需要准确、可靠的交通流量预测结果作为依据，以制定最佳的交通控制方案，提高路网的运行效率和交通安全性。
在公共交通调度中，交通流量预测可以为公交车、地铁等公共交通工具提供更为精准的发车时间，提高出行效率和服务质量。
此外，交通流量预测还可以为城市规划提供数据支持，为道路建设和修缮提供指导意见，促进城市交通的可持续发展。
2.2 交通流量预测在智能交通系统中的应用智能交通系统是一种基于先进信息和通信技术实现交通管理和服务的综合性系统，交通流量预测是其重要组成部分。
交通量预测技术总结报告
交通量预测技术总结报告
交通量预测技术是用于预测或估计交通流量的一系列方法和工具。
下面是一个关于交通量预测技术的总结报告：
1. 常用交通量预测技术：常用的交通量预测技术包括传统的经验模型（如线性回归模型、时间序列模型）、统计模型（如广义线性模型、人工神经网络模型）、仿真模型（如微观仿真模型、宏观仿真模型）和基于机器学习的预测方法等。
2. 数据来源：交通量预测所需的数据来自多个来源，包括交通流量调查、道路和交通设施的属性数据、历史交通数据、交通传感器数据以及其他与交通流相关的数据。
3. 模型选择与校准：在选择合适的交通量预测模型时，应考虑预测目标、数据可用性、计算资源等因素。
同时，需要进行模型的校准和验证，以提高预测准确性。
4. 数据处理与特征提取：从原始交通数据中提取有用的特征，如交通流的时空特性、交通状况指标等，对数据进行预处理和清洗，以提高预测模型的效果。
5. 预测结果评估与优化：对预测结果进行评估，比较预测结果与实际观测值的差异，进行优化和调整，提高预测的准确性和可靠性。
6. 控制与应用：基于交通量预测结果，进行交通管理和运行优化，制定交通管理策略和规划交通设施的发展。
需要注意的是，交通量预测是一个复杂的任务，受到多种因素的影响，如交通状况、路段属性、出行行为等。
因此，在使用交通量预测技术时，应谨慎选择适合实际场景的方法，并结合实际情况进行分析和决策。
基于LSTM神经网络的交通流量预测研究及应用
基于LSTM神经网络的交通流量预测研究及应用随着城市化进程的快速发展，城市交通成为了人们生活中不可或缺的一部分，而交通流量预测则成为了城市交通管理的重要课题之一。
传统的交通流量预测方法主要依赖于统计学模型，这些模型对于复杂的交通情况预测效果差，而基于神经网络的交通流量预测方法则能够更好地解决这个问题。
本文研究了基于LSTM 神经网络的交通流量预测方法，并分析了该方法在实际应用中的效果与应用场景。
LSTM神经网络在交通流量预测中的应用LSTM神经网络是一种特殊的循环神经网络，它在处理有序序列数据时能够保持较长时间的记忆，并且能够有效地应对数据噪声的干扰。
在交通流量预测领域，LSTM神经网络可以利用历史交通数据进行训练，并根据历史数据学习出交通流量的规律，从而对未来的交通流量进行预测。
具体的预测方法可以分为以下几个步骤：1.数据预处理在构建LSTM神经网络模型之前，需要先对数据进行预处理。
首先，需要对原始样本数据进行标准化处理，将所有数据都归一化到0-1的范围内。
其次，需要对数据进行时间序列化处理，将交通数据按时间顺序进行排序，并分割成多个时间段。
2.神经网络模型构建LSTM神经网络模型的构建主要分为三个部分：输入层、隐藏层和输出层。
输入层用于接收数据序列，隐藏层用于处理序列数据的特征，输出层则输出交通流量的预测结果。
LSTM神经网络的隐藏层有记忆单元和遗忘门等结构，这些结构能够避免梯度消失和梯度爆炸的问题，从而提高模型的训练和预测效果。
3.模型训练神经网络模型的训练主要分为两个阶段：前向传播和反向传播。
在前向传播过程中，神经网络根据输入数据计算出输出结果；在反向传播过程中，神经网络进行误差反向传播，并根据误差大小调整模型参数，从而不断优化模型的预测效果。
基于LSTM神经网络的交通流量预测方法具有预测效果好、计算速度快等优点，已经广泛应用于城市交通管理中。
下面列举几个典型的应用场景：1.公共交通流量预测市区公共交通是城市居民的主要出行方式之一，公共交通流量预测可以帮助交通管理部门合理调配公交车辆，从而提高公交系统的效率和服务水平。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基 于 广 义 回归 神 经 网 络 的 船 舶 交 通 量 预 测 模 型
刘 敬 贤 ， 刘振 东， 周 锋
（ 武汉理 工 大学 航 运学 院 ，湖北 武汉 ４ ０ ６ ） ３ ０ ３
摘 要 ： 舶 交 通 量 受 多 种 环 境 与 社 会 因 索 的影 响 ， 得 船 舶 交 通 量 预 测 存 在 复 杂 性 与 非 线 性 的特 点 。在 分２ ２ １ — ３ ２
作 者 简 介 ： 敬 贤 （ ９ ７）男 ， 北 孝 感 人 ， 授 ， 士 ， 刘 １ ６一 ， 湖 教 博 从事 水 上交 通 环 境 与 安 全保 障技 术 研 究 。 Ｅｍａ ： ｘｅｃｅ＠ ｓｈ ．ｏ — ｉ ｌ ｔａｈ ｒ ｏ ｕ ｃｎ ｌｊ
（ ａｋＰ ｏ ａ ａｉｎ 神 经 网 络 模 型 ， 测 精 度 往 往 不 Ｂ ｃ ｒｐ ｇ ｔ ） ｏ 预
方 面 来 描 述 船 舶 交 通 量 的 变 化 规 律 。且 影 响 船 舶
交 通量 的多 种 因素表 现各 异 ， 用形 式复 杂 ， 就使 作 这 得交 通 量预测 具有 较 大 的复 杂 性与非 线性 特点 。分 析 船舶交 通 量 的影 响 因素 异 常 重 要 ， 后在 其 基 础 而 上 选择合 适 的具有 处 理复 杂性 与非线 性能 力 的数学
交 通 量 分 为 六 类 ， 用 ＧＲ 利 ＮＮ 神经 网络 分 别 进 行 预 测 。预 测 结 果 表 明 ＧＲ ＮＮ 神 经 网络 具 有 很 强 的 非 线 性 拟 合 能 力， 有效 解 决 了天 津 港 船 舶 交通 量 预测 中 的小 样 本 问题 ， 高 了整 个 预 测 系 统 的 精 度 与 稳定 性 。 提 关 键 词 ： 路 运 输 ； 舶 交 通 量 ； 义 回归 神 经 网 络 ； 样 本 问 题 ； 合 预 测 模 型 水 船 广 小 组
ｃ ｍｐ ｅ ｎ ｏ －ｉ ｅ ｒｃ ａ ａ ｔ ｒｓｉ ｓ Ｓ ｎ ｅ ｔ ｅ ｉ ａ ｔ ｆｖ ｒｏ ｓ ｆ ｃｏ ｓ ｏ ｉ ｅ ｅ ｔｋ ｎ ｆｓ ｉ ｓ ａ ｅｄ ｆｅ ｅ ｔ ｏ ｌ ｘ ａ ｄ ｎ ｎ ｌ ａ ｈ ｒ ｃ ｅ ｉｔｃ ． ｉ ｃ ｈ ｍｐ ｃ ｓ ｏ ａ ｉ ｕ ａ ｔ ｒ ｎ ｄ ｆ ｒ ｎ ｉ ｄ ｏ ｈ ｐ ｒ ｉ ｒ ｎ ， ｎ ｆ ｆ
ｌｍ ；ｃ ｂｉｅ ｏｒ ｃ ｓ ｉ ｏ ｌ ｅ ｏｍ ｎ ｄ ｆ ｅ ａ ｔｎｇ ｍ ｄｅ
随着海运 业不 断发展 和水上 交通 安全 管理要求
ｅ） 。但 是 ， Ｉ［ ］ ２ 在该模 型 中 ， 由于 单 项模 型选 择 的随 意性及 单项 模型权 重 的不 变性 ， 响 了 Ｃ Ｆ 的预 影 ＳＭ 测 精度 。针对 上述 问题 ， 于智 能 融 合 的船 舶 交 通 基 量 预 测 系 统［ 被 建 立 ， 很 好 地 弥 补 了上 述 不 足 。 ４ 并 但 智能融 合 的预测 系统仍然 是一 种静 态交通量 的预
模 型进行 预 测 。
高， Ｇ 而 ＲＮＮ 正好 能解 决 该 问题 。相 比 于 Ｂ ］ Ｐ与
Ｒ Ｆ Ｒａ ｉｌ ａｉ Ｆ ｎ ｔ ｎ 神 经 网 络 ， ＮＮ 具 有 Ｂ （ ｄａ Ｂ ｓ ｕ ｃｉ ） ｓ ｏ ＧＲ
收 敛速度 快 、 精度 高 、 宜 陷入 局 部 极 小值 等优 点 ， 不 应用 Ｇ ＲＮＮ进 行小 样 本 数 据 的船 舶 交 通量 预 测 有 着很 好 的发展 前景 Ⅲ ］ ６ 。
Ａｂ ｔ ａ ｔ：Ｍ ａ ｉ ｅ ｔａ ｆｃ ｆｏ ｉ ｎｆｕｅ ｃ ｄ ｂｙ ａ ｖ ｒｅ ｙ ｏｆｅ ｖｉｏｎｍ ｅ ａ ｎｄ ｓ ｃａ ａ ｔ ｒ ， Ｓ ｏｒ ｃ ｓｉ ｇ ｏ ｔｈａ ｓｒ ｃ ｒｎ ｒ ｆｉ ｌ ｗ ｓ ｉ ｌ ｎ ｅ ａ ｉｔ ｎ ｒ ｎｔ ｌａ ｏ ｉｌｆ ｃ ｏ ｓ Ｏ ｆ ｅ ａ ｔｎ ｆ ｉ ｓ
输 出。
船 舶交 通量 ， 这样 就 避 免 了原 有 预测 模 型 的盲 目性 与 不稳 定性 ， 有效 地 解 决 了船 舶 交 通 量 预 测 中存 在 的复杂 性与 非线性 问题 ， 且充 分 考 虑 了各 因素 对 不 同类 型船舶 的影 响 。
在 船 舶 交 通 量 预 测 中 ， 史 数 据 为 小 样 本 。 如 历
ｐ ｏ ｌｍ ｆｓ ａ ｉ ｔ ａ ａ ａ ａ ｄ ｆ ｒ ｃ ｓ ｒ ｅ ｔａ ｆ ｌ ｗ ｆｔ ｅ Ｔｉｎ ｉ ｒ ｏ ｆｅ ｔ ｅ ｙ Ｔｈ ｔ ｏ ｎ ａ ｃ ｓ ｒ ｂｅ ｏ ｔ ｔｓ ｉ ｌｄ ｔ ｎ ｏ ｅ ａ ｔｍａ ｉ ｒ ｆ ｃ ｆ ｃ ｎ ｉ ｏ ｏ ｈ ａ ｊｎ Ｈａ ｂ ｒｅ ｆ ｃ ｉ ｌ ． ｖ ｅ ｍｅ ｈ ｄ ｅ ｈ ｎ ｅ ｔ ｅ ｐ ｅ ｉｔ ｎ ｐ ｅ ｉｉｎ ａ ｄ ｓ ａ ｉ ｔ ｆｆ ｒ ｃ ｓｉ ｇ ｓ ｓ ｅ ｈ ｒ ｄ ｃ ｉ ｒ ｃｓｏ ｎ ｔ ｂ ｌ ｙ ｏ ｏ ｅ ａ ｔｎ ｙ ｔ ｍ． ｏ ｉ Ｋｅ ｒ ｓ ｙｗｏ ｄ ：ｗａ ｅ ｗａ ｒ ｎ ｐ ｒａ ｉ ｎ ｔ ｒ ｙ ｔａ ｓ ｏ ｔ ｔ ；ｍａ ｉｅ ｔａ ｆｃｆ ｗ；ｇ ｎ ｒ ｌ ｅ ｅ ｒ ｓ ｉ ｎ ｎ ｕ ａ ｅ ｗｏ ｋ；ｓ ｌ ｓ ｍｐ ｅｐ ｏ — ０ ｒｎ ｒ ｆｉ ｌ ｏ ｅ ｅ ａ ｉ ｄ ｒ ｇ ｅ ｓｏ ｅ ｒ ｌｎ ｔ ｒ ｚ ｍａｌ ａ ｌ ｒ ｂ
（ 特指 化学 品及 气体 船） 与社会 船六种 不 同类 型 的船 舶 交通 量 ， 分析其 影响 因素 的基础 上 ， 在 利用广 义 回
的影 响 因 素 ， 出 了 船 舶 交 通 量 的 组 合 预 测 模 型 提
ＣＳＦＭ （Ｃｏｍ ｐ ｉｅ ｏｓｔ Ｓｙ ｔ ｍ ａ ｉ Ｆｏ ｅ ａ ｔｎ Ｍ ｏ ｓｅ ｔｃ ｒ ｃ ｓｉｇ ｄ—
２ 船 舶 交 通 量 预 测 的 ＧＲＮＮ 模 型 及
实 例 分 析
２ １ 影 响 因 素 分 析 ．
船 舶交 通 流的产 生是 经济 需求 与运输 系统 供给 等 多方 面共 同作 用 的结 果 ， 难 用 单 一 模 型或 从 单 很
一
果 利 用 多 元 线 性 回归 模 型 、 合 预 测 模 型 或 Ｂ 组 Ｐ
第 ３ ４卷 第 ２ 期
２１ ０ １年 ６月
中 国 航
海
Ｖｏ ．３ １ ４ Ｎｏ ２ ．
Ｎ Ａ Ｖ Ｉ Ａ Ｔ１ Ｇ ０Ｎ Ｆ ０ ＣＨ Ｉ Ａ Ｎ
Ｊ ｎ ２ １ ｕ． ０１
文 章编 号 ： ０ ０ ６ ３ ２ １ ） ２ ０ ４ ４ １ ０ —４ ５ （ ０ １ ０ —０ ７ —０
Ｈａ ｂ ｒ ｒ ｏ ．Ｔｏ ｉ ｒ ｖ ｈ ｒｎ ｒ ｆｉ ｆｏ ｆ ｒ ｃ ｓｉ ｇ，ｔ ｅｂ ｓｃｐ ｉ ｃｐ ｅ ａ ｄ ｔ ｐ ｌｇ ｔ ｕ ｔ ｒ ｆ ｈ ｅ ｅ ａｉｅ ｍｐ ｏ ｅ ｔ ｅ ｍａ ｉ ｅｔ ａ ｆ ｌ ｗ ｏ ｅ ａ ｔｎ ｃ ｈ ａ ｉ ｒ ｉ ｌ ｎ ｏ ｏ ｏ ｙ ｓ ｒ ｃ ｕ ｅｏ ｅｇ ｎ ｒ ｌ ｄ ｎ ｔ ｚ ｒ ｇ ｅ ｓｏ ｅ ｒ ｌｎ ｔ ｒ ＧＲＮＮ）ａ ｅ ｉ ｔｏ ｕ ｅ ｏ ｏ ｅ ａ ｔ ｇ ｍａ ｉ ｅｔ ａ ｆ ｌ ｗｓｏ ｉ ｅ ｅ ｔｖ ｓ ｅ ｔ ｐ ｓ Ｒｅ ｅ ｒ ｓ ｉ ｎ ｎ ｕ ａ ｅ ｗｏ ｋ（ ｒ ｎ ｒ ｄ ｃ ｄ ｆ ｒｆ ｒ ｃ ｓ ｉ ｒｎ ｒ ｆｉ ｆ ｎ ｃ ｏ ｆ ｆ ｒｎ ｅ ｓｌ ｙ ｅ． ｄ ｆ — ｓ ｌｓ ｓ ｏ ｔ ａ ｕ ｔ ｈ ｗ ｈ ｔ ＧＲＮＮ ｅ ｒ ｌ ｅ ｗｏ ｋ ｈ ｓｇ ｏ ｏ －ｉ ｅ ｒａ ｐ ｏ ｉ ｔ ｎ ｃ ｐ ｂｌ ｙ ａ ｄ ｃ ｎ ｓ ｌ ｅ ｔ ｅ ｓ ｌ ｓ ｍｐ ｅ ｎ ｕ ａ ｔ ｒ ａ ｏ ｄ ｎ ｎ ｌ ａ ｐ ｒ ｘ ｍａ ｉ ａ ａ ｉ ｔ ｎ ａ ｏ ｖ ｈ ｍａ ｌ ａ ｌ ｎ ｎ ｏ ｉ
Ｌｉ ｉ ｇ ｉ ｎ， Ｌｉ ｅ ｄ ｎ Ｚｈ ｕＦｅ ｇ ｕＪ ｎ ｘ ａ ｕＺｈ ｎ ｏ ｇ， ｏ ｎ
（ ｌｅ ｅ ｏ ｖ ｇａ ｉ ｎ，Ｗ ｕｈ ｎ Ｕｎｉ ｅ ｓｔ ｆＴｅ ｈｎ ｏｇ Ｃｏ ｌ ｇ ｆＮａ ｉ ｔｏ ａ ｖ ｒ ｉｙ ｏ ｃ ｏｌ ｙ，Ｗ ｕｈａ ３ ６ ｎ ４ ００ ３，Ｃｈ ｎａ ｉ ）
以天津 港为例 ， 分船 型 （ 杂货 船 、 船 、 装 在 散 油 集 箱 船 、 装船 、 滚 液货 船 与 社 会 船 ） 的基 础 上对 交 通 量 进行 预测 ， 由于各 类 船 舶 的交 通 量 发 展 趋 势与 其 影 响 因素 不尽 相 同 ， 得 总船 舶 交 通 量 预 测 的复 杂 性 使 进一 步加 大 ¨ 。根 据 ２ ０ ８ ］ ０ ８年 天 津市 统 计 年 鉴 中历 年 的相关 数 据 ， 析 了 天 津港 主航 道 船 舶交 通 量 中 分
预测误 差 不可避免 地存 在 。 】 ］ 近 年来 广大学 者在 对我 国沿海 主要港 口水域 船
舶 交 通 量 进 行 系 统 分 析 的 基 础 上 ， 合 定 量 与 定 性 结
因此 ， 根据船 舶种类 的通 常划分 方法 ， 将船 舶交
通量分 为散 杂货船 、 油船 、 集装 箱船 、 滚装船 、 液货 船
刘 敬 贤 ， ： 于广 义 回 归 神 经 网 络 的 船 舶 交 通 量 预 测 模 型 等 基
７ ５
归神经 网络 （ ｅ ｅａ ｇｅ ｓ ｎ Ｎｅ ｒｌ ｔ ｒ Ｇ ｎ ｒｌ Ｒｅ ｒｓｉ ｕａ Ｎｅｗｏｋ， ｏ
ＧＲＮＮ） 别 进 行 预 测 ， 后 将 预 测 数 据 融 合 为 总 的 分 然
ｔ ｅｓ ｉｓａ ｅｄｖｄ ｄ ｉｔ ａｅ ｏ ｉｓｂ ｓｄ ｏ ｈ ａａｏ ｈｐ ｔａｆｃｆ ｗ ｒ ｖｄ ｄ ｂ ｈ ｈｐ ｒ ｉｉｅ ｎ ｏ６ ｃｔｇ ｒｅ ａ ｅ ｎ ｔ ｅｄ ｔ ｆｓ ｉ ｒ ｆｉ ｌ ｐ ｏ ｉｅ ｙ ＶＴＳ Ｃｅ ｔｒｏ ｈ ａ ｊ ｏ ｎ ｅ ｆｔ ｅＴｉｎｉ ｎ
有 预 测 模 型 和 方法 不 足 的基 础 上 ， 绍 了 广 义 回 归 神 经 网络 Ｇ ＮＮ 的 基 本 原 理 与 拓 扑 结 构 。不 同 类 型 船 舶 受 各 介 Ｒ