基于神经网络的时间序列预测在堆场管理中的应用研究

《基于神经网络的时间序列预测在堆场管理中的应用研究》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、上海交通大学硕士学位论文摘要基于神经网络的时间序列预测在堆场管理中的应用研究摘要随着我国加入WTO经济和贸易的高速发展推动了我国集装箱运输的高速发展集装箱堆场作为集装箱运输中一个不可缺少的组成部分也因此得到了迅猛发展但目前许多堆场在管理方面存在着高峰和低谷期作业不均衡人员设备及资源闲置浪费等问题大大降低了堆场作业效率增加了堆场的运营成本给集装箱运输的顺利有序进行带来不可忽视的影响针对这一问题本文结合深圳金鸿基集装箱堆场的管理信息系统开发项目对神经网络时间序列预测的原理及模型进行了研究并结合传统的移动平均法建立了一个有效的预测模型应用到该堆场信息系统的预约管理模

2、块中为预约时间的选择提供科学的依据从而错开安排客户到堆场存取集装箱有效地提高了堆场的运作效率本论文研究的内容主要包括以下方面首先介绍了传统时间序列预测原理及模型在此基础上对BP神经网络时间序列预测模型的建立机制及BP算法的改进进行重点阐述与研究其次运用Matlab7.0软件编程建立了BP神经网络及移动平均时间序列预测模型并结合深圳金鸿基集装箱堆场的实际历史进出上海交通大学硕士学位论文摘要场集装箱数据对未来进出场数据进行预测最后在VisualStudio.Net的开发平台上运用C#编程语言将基于BP神经网络的时间序列预测模型运用到集装箱堆场信息系统的预约管理模块

3、中并提供历史及预测数据的二维三维图形显示功能完善该系统的预约管理模块此外在其他许多行业内都存在与该堆场类似的问题如超市银行等对于这类问题均可以运用文中所提到的基于神经网络的时序预测模型统计分析历史数据并预测出未来某天各个时段排队需要服务的顾客数量并依据预测值来进行人员的调配安排判断是否需要添置新的设备及是否需要新开服务窗口等因此该模型具有非常广阔的应用前景关键词神经网络时间序列预测管理信息系统上海交通大学硕士学位论文摘要APPLICATIONANDRESEARCHOFTIMESERIESFORECASTINGINCONTAINERYARDBASEDONARTI

4、FICIALNEURALNETWORKABSTRACTWiththesoaringgrowthoftheeconomyandtradeafterChina’sjoiningtheWTO,thecontainertransportisgreatlyboosting.Consequently,thecontaineryard,asanindispensablepartofthecontainertransport,isalsorapidlydeveloping.However,therearemanyproblemsinthemanagementoftheyard

5、,suchastheunbalancedtasksinthebusyandvacantperiod,theidlingandwastesofstaff,equipmentandresourcesandsoon.Ithasgreatlyreducedtheoperationefficiencyoftheyardandincreasedtheoperatingcostsandexertedfurtherunignorableinfluenceonthecontainertransport.Therefore,Combinedwiththedevelopmentpr

6、ojectofthemanagementinformationsysteminShenzhenKingHongKContainerYardCompany,thepaperhasdonearesearchaboutthetheoryandmodelofthetimeseriesforecastandbuiltaforecastingmodelbasedonArtificialNeuralNetworkandthetraditionalMovingAveragemethod.Then,themodelhasbeenappliedtothemanagementinf

7、ormationsystemtohelpdecidewhenthepropertimeisforthecustomerstodepositor上海交通大学硕士学位论文摘要drawthecontainers.Thus,theefficiencyofthecontaineryardcouldbeenhancedeffectivelybytheapplicationoftheforecastingmodel.Thispapercoversthefollowingresearchcontents:Firstly,Thetraditionaltimeseriesfore

8、castingmodelhasbeen