基于径向基函数神经网络港口吞吐量预测的研究

《基于径向基函数神经网络港口吞吐量预测的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于行向基函数神经网络的港口吞吐量预期l碍f究摘要在经济全球化的进程中，沿海港口是我国参与全球经济合作和竞争的重要战略资源。港口业深切地感受着全球经济增长的强劲拉动，产生了比常规贸易更多的运输需求。港口吞吐量持续着高速增长的态势，压船、压港现象愈加严重，使得沿海港口总体吞吐能力和布局以及码头泊位建设都面临着相当大的挑战。港口吞吐量作为衡量一个港口在国际经济贸易中地位的一个重要标志，其预测研究在确定港口的发展方向、基本设施投资规模、深水泊位的选址和港口的经营策略等方面，有着重要的、不可缺少的作用。基于港口吞吐量与运输需求的密切关系，本文首先从经济学的角度深入分析

2、了运输需求的生成规律，结合港口产业和生产活动的特点，具体探讨了港口运输需求的形态，以及影响货运量的主要因素。在详细阐述古典预测方法的基础上，本文以大连港历史数据为样本，分别运用时间序列预测方法以及回归预测方法来预测其未来五年的货物吞吐量，并做以分析比较。由于神经网络具有超强的适应能力和学习能力，善于联想、概括、类比和推理；加之其优良的非线性特性，适用于非线性系统的处理。而港口生产活动中，很多因素之间的关系大多是非线性的，古典的预测方法在该方面的预测有一定的困难，因此可将基于神经网络的智能预测方法用于港口吞吐量的预测方面。本文深入的研究了径向基函数神经网络的模型

3、结构等基本理论以及实现方法。分别通过构造时间序列神经网络和因果关系神经网络来预测大连港的货物吞吐量，考虑到某些不可量化的因素对港口吞吐量预测的影响，本章对这些因素进行综合编码处理，将定量方法与定性方法有效结合起来，对径向基函数神经网络进行了改进，证明改进后的模型精度相对于前两种模型都有了一定程度的提高，预测结果比较理想。最后，本文对径向基网络预测模型的结构进行了初步的推广，使得网络模型具有较好的通用性。关键词：港口，人工神经网络，预测，吞吐量基于经两蘩螭数弹经砖络静辩疆吞蛙量褒测磅究ABSTRACTIntheprogressoftheeconomicgloba

4、lization，thecoastalportsaretheveryimportantandstrategicresourcesinourcountry'seconomiccooperationandcompetition．T

5、1eportindustryproducedmoreandmoretransportdemandinrecentyears，whichimpliedbytherapidlyrisingthroughput，andtheproblemwillalsodeteriorate。Thecapacityofourcoastalportsandth

6、eberthconstructionarefacingaverybigchallenge．Theforecastoftheportthroughputthatmeasuresaport'spositionintheinternationaltradeisimportantandindispensableinmanyaspects，suchastheportdevelopment，theinvestmentofInfrastructure，thechoiceofberthaddressandthemanagementstrategyetc，Thearticlea

7、nalyzedtheregulationofthetransportdemandbecauseofthecloserelationshipbetweenthethroughputandthedemand．Combiningthecharacteristicsoftheportproduction，itreseamhedthedemandingappearanceoftheportindustryandthemainfactorsthatinfluencethroughput．Thenitrespectivelyappliedthreemodelsofthecl

8、assicforecastmethodtopredictthethroughputofDaLianportandcomparetheresults。TheArtificialNeuralNetworkhasverystrongadaptingabilityandleamingability．Becauseofits900dassociation，Generalize，analogyandreasoning。itisusedinvariousfieldsincludingforecast．Manyfactorsinportsysternarenonlinear,

9、classicforecastmeth