基于QPSO-RBF的厦门港吞吐流量预测

发布时间：2023-06-08 20:15

　　港口吞吐流量预测是港口管理规划六大主要内容之一,根据吞吐量预测进行港口调度管理优化,可以缩短装卸等待时间,提高船舶进出港效率,减少经济浪费,而确定未来的吞吐量是计划调度的关键因素。本文以厦门港为例,首先介绍了港口决策相关理论,引出了港口吞吐流量预测在理论和实务中的必要性。接着理论联系实际,探究了港口吞吐量的预测方法问题。在传统的预测方法基础,使用了以量子行为粒子群优化算法来为搜索算法的径向基神经网络,用来进行厦门港流流量时间序列的预测。在预测的应用过程中,提出了一种结合两个不同的无监督训练算法对所使用神经网络的模型参数进行确定的方法,即通过结合Density Peaks和k-means解决了径向基网络隐含层神经元个数确认的问题,从而提高神经网络模型构建效率,并避免了传统主观选择神经网络结构所导致的误差。实验结果表明,利用本文所构建的神经网络模型去拟合时间序列数据,其预测效率和精度都达到了较高的水平。为了横向对比本文所使用的改良后的神经网络模型,本文以三种常用的时间序列预测模型即移动平均法,三次指数平滑法和ARIMA模型作为对比,实验结果证明本文使用的模型相比以上三种模型有更高的精度。本...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 引言
    1.1 研究背景和意义
    1.2 研究现状和文献综述
    1.3 研究内容
    1.4 技术路线
第2章 港口管理决策和预测相关理论
    2.1 港口管理规划内容
        2.1.1 港口规划体系
        2.1.2 港口管理规划过程
    2.2 预测方法概述
        2.2.1 定性预测方法
        2.2.2 定量预测方法
    2.3 本章小结
第3章 基于量子行为粒子群优化算法的径向基神经网络
    3.1 人工神经网络
        3.1.1 人工神经网络概述
        3.1.2 径向基函数神经网络
    3.2 径向基神经网络设计过程
        3.2.1 径向基神经网络的结构设计
        3.2.2 径向基神经网络的参数设计
    3.3 粒子群优化算法
    3.4 量子行为粒子群优化算法
        3.4.1 量子行为粒子群优化算法基本原理
        3.4.2 量子行为粒子群优化算法的模型建立
    3.5 QPSO优化RBF神经网络流程
    3.6 本章小结
第4章 厦门港吞吐量预测过程
    4.1 厦门港简介
    4.2 港口吞吐量数据分析
    4.3 基于量子行为粒子群优化算法的径向基网络预测流程
        4.3.1 训练数据预处理
        4.3.2 RBF神经网络的结构和参数设置
        4.3.3 QPSO-RBF编程实现
        4.3.4 RBF神经网络拟合及预测过程
    4.4 本章小结
第5章 厦门港吞吐量预测模型应用
    5.1 预测模型回顾
    5.2 预测模型应用比较
    5.3 本章小结
第6章 总结
    6.1 研究总结
    6.2 研究展望
附录
参考文献
致谢
攻读硕士期间发表论文



本文编号：3832417