改进型BP神经网络的港口吞吐量预测

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,将未来三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,预测未来三年的港口吞吐量。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叠加,具有较好的适用性。     

基于灰色马尔科夫模型的深圳港集装箱吞吐量预测

为了更准确的预测港口集装箱吞吐量,以深圳港2003-2017年集装箱吞吐量数据为基础,通过数学方法将灰色预测模型和马尔科夫预测模型两种数学模型结合起来,建立灰色马尔科夫模型,然后利用灰色预测模型与灰色马尔科夫模型分别进行深圳港集装箱吞吐量的预测计算。结果表明:灰色马尔科夫预测模型能大幅降低波动性较大的时间序列的预测误差,尤其适用于中长期的预测;同时,传统的灰色预测GM(1,1)模型的预测精度也得到明显提高。根据建立的预测模型,计算出了深圳港2018-2020年的集装箱吞吐量预测值。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

集装箱吞吐量及主要影响因素的计量经济分析

利用近年来的相关数据对港口集装箱吞吐量、港口所在城市的国民生产总值以及地方进出口商品总值进行了计量经济分析,通过二元线性回归模型对港口未来集装箱吞吐量进行预测,并对模型进行了相关检验,为港口岸线资源的合理开发与利用提供决策依据,为港口未来发展以及定位提供参考.     

长江外贸集装箱运量预测和码头装卸工艺优选

本文利用新陈代谢ＧＭ（１，１）模型、二次指数滑动平均法、计量经济学模型３种预测模型对上海港进行了外贸集装箱吞吐量的预测，并结合考虑长江各主要港口在共同航线上的运量分配及航线运量占该港吞吐量的比重，对各港口进行了外贸集装箱吞吐量和主要航线运量预测。然后，运用多目标决策理论中的线性分配法与层次分析法，分析了不同运量水平下港口装卸工艺系统的优选问题，并利用外贸集装箱的预测结果，得到了这些港口装卸工艺的优     

基于GARCH误差修正的时间序列季节预测模型及应用

针对神经网络、支持向量机等方法对数据样本容量要求较高的问题,以及一般时间序列预测模型对最大负荷等随机因素拟合不足的问题,应用时间序列的季节乘法模型对地区月度最大负荷做预测,并用GARCH模型对预测误差进行修正.用某电网的真实数据作案例,结果表明,误差率仅为2%,预测精度良好.相比修正前的模型,误差率下降0.5%,证明误差修正模型有效.     

基于LOF-SSA-PSO-LSSVM模型的旅游客流量预测

针对月度旅游客流量影响因素复杂，时间序列数据中可能存在异常值和噪声的特点，提出了一个基于局部异常因子(LOF)和奇异谱分析(SSA)的LOF-SSA-PSO-LSSVM预测模型.数据预处理阶段，对原始序列运用X12季节加法模型消除季节性的影响，采用LOF方法检测季节调整后序列的异常值，并使用线性插值和最小二乘支持向量机(LSSVM)方法来修正异常值，新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段，首先采用奇异谱分析(SSA)方法来剔除新的待预测序列中的噪声，然后采用PSO-LSSVM方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例，通过与ARIMA、LSSVM等模型比较，表明LOF-SSA-PSO-LSSVM模型能有效提高旅游客流量的预测精度和稳定性.     

混合算法在港口吞吐量预测中的应用

针对单一预测方法存在的不足,采用一种联合时间序列法和因果分析法的混合算法预测港口吞吐量.并以宿迁港吞吐量预测为例,对这种方法进行了详细说明.预测过程中借助主成分分析法提取出影响港口吞吐量的关键因子,利用改进的灰色模型理论对关键因子中远期未来值做出预估,最后通过吞吐量与关键因子的线性回归得出宿迁港在预测年份的吞吐量值.通过对混合算法预测模型误差的检验发现,此预测方法的模型精度较高,能够满足港口吞吐量预测的要求,可以推广到类似港口吞吐量的预测中.     

利用样条函数建立季节性时间序列的预测模型

用B样条函数最小二乘法的非参数回归与时间序列相结合的方法建立了季节性时间序列预测模型. 利用滑动平均估计季节项,再利用B样条函数非参数回归估计长期项和周期波动,对于随机项建立ARMA模型,最后对某产品需求量进行了实例分析. 结果表明该方法有较高的预测精度.     

集装箱吞吐量的灰色预测

通过建立集装箱吞吐量预测的GM(1．1)模型,并经过其在某港口的集装箱运量预测的运用检验,证明该模型精度较高,能够对港口货物吞吐量作出准确的预测。     

季节ARIMA模型在我国肺结核发病率预测中的应用

目的探讨应用季节ARIMA模型对我国肺结核发病率进行预测的可行性.方法对我国2005年1月-2010年12月肺结核逐月发病率建立季节ARIMA模型,并对预测效果进行评价.结果 ARIMA（3,1,0）×（0,1,1）12模型很好地拟合了既往数据,对2011年1月-9月发病率的预测值符合实际发病率变动趋势.结论季节ARIMA模型能很好地模拟我国肺结核发病率的变动趋势,将其应用于肺结核发病率预测是可行的.     

无线传感器网络中节点动态功率管理方法分析

在无线传感器网络中,节点携带的电池能量十分有限,针对如何高效地利用能量、最大化网络的生存周期,提出了一种以时间序列分析中的自回归(AR)模型和滑动平均(MA)模型理论为基础的动态功率管理(DPM)方法。通过给节点设置相应状态切换的时间阈值,让节点对事件发生的时间间隔与时间阈值进行比较,来决定自身的工作状态。实验结果表明,此方法是有效的。     

基于时间序列的南昌房地产价格指数模型研究

鉴于房地产全国价格指数与实际城市房地产价格相差较大,本文基于自回归积分移动平均模型理论,构造了南昌市1998～2011年共55个季度房地产价格指数数据的理论模型ARIMA(3,2,0),经Box-Pierce检验表明该模型具有95%的概率合理性,为预测南昌市未来房地产价格指数提供参考.     

基于新陈代谢灰色马尔科夫模型的芜湖港集装箱吞吐量预测

为提高内河港口规划的合理性,更加精确地预测内河港口集装箱吞吐量,先用安徽芜湖港近年集装箱吞吐量数据建立了灰色GM(1,1)预测模型,然后采用新陈代谢法实时更新预测数据,构建新陈代谢动态灰色GM(1,1)模型,再运用马尔科夫模型分别对两个模型的预测结果进行修正。对比预测结果发现,灰色GM(1,1)马尔科夫模型比灰色GM(1,1)模型平均相对误差降低43%,新陈代谢灰色GM(1,1)马尔科夫模型比新陈代谢灰色GM(1,1)模型平均相对误差降低45%。由此可得出,新陈代谢灰色GM(1,1)马尔科夫模型的结果具有更高的可信度。     

沪深两市股票指数的长记忆性

针对中国股票市场的长记忆性问题,讨论了分整自回归移动平均(Auto-regressivefractionalintegratedmovingaverage,ARFIMA(p,d,q))模型中的参数估计问题,重点集中在对分整参数d的估计。使用Hurst指数方法估计d,并分别用经典R/S方法、有偏修正R/S方法和无偏修正R/S方法进行估计,并结合上证指数和深证成指的收益率数据,给出了3种方法的估计结果。实证结果表明,中国股票市场已初步显示出了长记忆性。给出ARFIMA模型的最优阶数和全部参数估计值。得出了上证指数和深证成指收益率所适合的最优的ARFIMA模型。     

综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用

桥梁健康监测系统的实测数据普遍存在缺失问题,为了保证桥梁监测数据的完整性,更好地预测桥梁未来的健康状况,提出了一种具有样本内和样本外预测能力的组合模型。样本外预测可以基于现在数据预测未来的桥梁健康状态,样本内回归用于填补传感器数据中的缺失值,确保桥梁监测数据的完整性。由于不同位置处相同类型传感器的相关性较强,首先利用岭回归（Ridge Regression,RR）解决共线性问题,建立各传感器数据之间的关联,并预测缺失数据。接着引入季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA) 方法,利用其样本外预测能力并结合岭回归方法预测桥梁未来运行数据。然后,通过设立预警值实现健康状况预警,以保证桥梁健康运行。最后,将该方法应用于实桥中,验证了其有效性,为传感器数据填补以及预测桥梁未来状态提供了一个有效的预测模型。     

基于径向基神经网络的集装箱吞吐量组合预测

利用上海港国际集装箱吞吐量的历史数据,分别采用灰色预测法和三次多项式曲线模型建立了单项预测模型.利用径向基（RBF）神经网络对两个单项预测模型结果进行了组合预测,以作为其最终的预测值.实验结果表明,采用组合方法比采用单一预测方法的预测精度有了进一步的提高.最后,应用马尔可夫链预测模型对组合预测结果进行分析,增加了结果的可信性.     

基于组合模型的厦门港集装箱吞吐量预测

为预测厦门港未来集装箱吞吐量,运用灰色Verhulst与马尔科夫组合模型建立厦门港集装箱吞吐量的预测模型,得出厦门港2018—2022年的集装箱吞吐量数据。研究结果表明,组合模型将平均绝对误差由3.74%降低至1.65%,预测精度为一级。预测结果具有较高的可信度,可为厦门港的集装箱未来发展规划提供参考依据。     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。