共查询到15条相似文献，搜索用时 171 毫秒
1.
为提高潮汐预报的精度，提出一种基于支持向量机(Support Vector Machine,SVM)的模块化潮汐实时预报模型. 将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮，分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报, 结合两种方法的输出构造最终的潮汐预报结果. 在对非天文潮的预测中,将SVM与灰色模型相结合,并利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVM的参数进行优化以提高预报精度. 利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度. 相似文献
2.
为解决标准支持向量回归(support vector regression, SVR)在预测港机剩余使用寿命时,误差程度不同的数据会被施以相同程度的惩罚,从而导致预测精度不足的问题,通过对每个数据的惩罚系数添加各自的误差比例,使每个数据的惩罚系数与各自的误差程度成比例,降低误差数据对整体预测精度的影响。实验表明,这种改进SVR相对于标准SVR在不降低计算效率的前提下能有效提高预测精度,并拥有良好的泛化能力。 相似文献
3.
港口吞吐量的预测受众多因素的影响,如何确定影响港口吞吐量的典型因素,是预测的关键问题之一。为解决此关键问题,先对港口吞吐量影响因素进行分析,再用系统聚类法确定其中的典型因素。以典型因素作为自变量,应用多元线性回归分析法建立港口吞吐量的典型因素预测模型。对厦门港集装箱吞吐量的预测结果表明,该模型有较高的拟合度和预测精度。 相似文献
4.
郭维民 《山西师大体育学院学报》2013,(5):95-97
针对原始数据序列建立灰色GM（1,1）模型,然后利用BP神经网络对GM（1,1）模型预测值加以校正,得到GM（1,1）与BP神经网络组合预测模型。通过运用田径比赛项目相关成绩序列进行模型检验,相比单纯的GM（1,1）模型,组合模型具有更高的预测精度,表明了组合模型预测的可行性。 相似文献
5.
为提高集装箱吞吐量的预测精度,提出基于因子分析和曲线拟合的集装箱吞吐量预测模型。以上海港为例,通过因子分析,分析影响集装箱吞吐量的主要因素,筛选出主因子,得到不同年份的综合经济发展值;再运用曲线拟合方法,建立以综合经济发展值为自变量,以集装箱吞吐量为因变量的三次曲线模型;运用自回归积分移动平均(autoregressive integrated moving average,ARIMA)模型预测2016—2020年的综合经济发展值,进而求得2016—2020年上海港集装箱吞吐量预测值。结果表明:该模型的拟合效果和预测精度均较高,可以运用到集装箱吞吐量预测中。给出上海港在国内经济新常态下转型升级的建议。 相似文献
6.
概率统计在社会的各个领域都有着广泛的应用,尤其是回归模型。对回归模型的预测与控制问题进行了研究。首先介绍了回归模型以及回归模型的预测与控制方法,然后分析了回归模型预测的步骤,最后以企业实例为基础,分别对一元回归模型的预测、二元回归模型的预测进行了分析。 相似文献
7.
基于PSO的BP神经网络-Markov船舶交通流量预测模型 总被引：3，自引：0，他引：3
为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。 相似文献
8.
为提高水上交通事故的预测精度,将引入弱化算子序列的灰色模型和支持向量回归模型的预测结果进行组合,进而构建基于IOWA算子的组合预测模型。以全国和长江某流域水上交通事故历史数据为预测样本,将组合预测模型的预测结果与其他预测模型的预测结果进行对比。结果显示:组合预测模型的预测精度更高,能更好地反映水上交通事故的发展趋势。 相似文献
9.
基于NARX神经网络的港口集装箱吞吐量预测 总被引：1，自引：0，他引：1
为对港口集装箱吞吐量进行科学预测,采用带外生变量的非线性自回归(NARX)模型对上海港的集装箱吞吐量进行预测.通过主成分分析法对港口吞吐量影响因子进行相关性分析,将筛选出的GDP作为外部输入因子引入NARX模型.实证分析发现,引入GDP的NARX神经网络模型对具有非线性特征的集装箱吞吐量数据有良好的映射逼近性.训练后的网络误差小且拟合度高,具有良好的泛化能力,预测性能较好. 相似文献
10.
针对自回归移动平均(auto regressive moving average,ARMA)模型在船舶纵摇角度预测时不具有普遍适用性问题,提出使用自回归综合移动平均(auto regressive integrated moving average,ARIMA)模型进行纵摇角度预测,并采用改进粒子群优化(particle swarm optimization,PSO)算法对模型定阶。对纵摇角度值序列数据进行平稳性检验和差分运算,确定ARIMA模型的适用性;采用具有针对性适应度评价函数的PSO算法进行模型定阶,并优化PSO算法的权重计算方法。通过仿真对比验证本文所提方法的科学性和有效性。仿真结果表明:采用改进PSO算法进行模型定阶的方法能够有效提升模型的预测精度,具有更好的预测效果。 相似文献
11.
为提高船舶交通事故的预测精度,提出将自回归综合移动平均(autoregressive integrated moving average, ARIMA)模型与BP神经网络组合的船舶交通事故预测方法。该方法考虑船舶交通事故的复杂性和非线性因素,充分结合ARIMA模型与BP神经网络的优势,分别从简单加权和残差优化角度对ARIMA模型与BP神经网络的不同组合方法进行比较研究,并将其应用于2000—2018年英国籍船舶交通事故预测中。结果表明:与ARIMA模型、BP神经网络和ARIMA-BP的简单加权组合预测方法进行对比,ARIMA-BP的残差优化组合预测方法的预测精度最高,其均方根误差、平均绝对误差和平均绝对百分比误差分别为7.16、6.0和4.9%。本文提出的船舶交通事故预测方法可以为相关人员的决策提供指导。 相似文献
12.
为对船舶航行安全状况进行有效预测,利用支持向量回归(support vector regression, SVR)算法构建船舶航行安全评估模型。在分析影响船舶航行安全的因素的基础上,对船舶历史数据进行预处理后将其作为模型训练和测试的样本数据。实验结果表明:该模型评估准确度可达99.6%以上;在同一样本数据条件下,模型的评估准确度和稳定性均优于基于极限学习机(extreme learning machine,ELM)构建的模型。模型的评估结果为水上交通管理部门的监管提供参考。 相似文献
13.
旨在实现对赛道上风速风向的超短期预测,为自由式滑雪空中技巧提供实用有效的风速风向预报信息,为运动员稳定性控制与技术训练提供辅助支持。针对赛道风具有非平稳、波动剧烈的特点,采用离散小波变换提取风速风向序列的特征分量,对低频近似分量建立非线性自回归(NAR)神经网络模型,高频细节分量建立差分自回归移动平均(ARIMA)模型,再将各分量结果组合相加得到最终预测结果。误差分析表明组合模型能有效改善单一模型的预测滞后性,预测精度高同时具备预测风速风向突变的能力。对预测结果进一步分析,将其转换为表征赛道风稳定性的指标,来为运动员提供更直观的预报信息。最后对模型计算用时分析表明该方法能够满足实际应用的需求。 相似文献
14.
由于船舶轴系支点轴承缺乏相应的振动烈度评判标准,结合支点轴承的日常监测数据,采用箱形图制定低转速工况下的界限值,根据振动烈度随转速增加既有线性增长又有指数增长的趋势,利用灰色线性回归组合模型对高转速工况下的界限值进行预测,并与BP神经网络模型的预测效果进行对比分析.结果表明,箱形图法制定的低转速工况界限值比较合理,灰色线性回归组合模型的预测值比BP神经网络模型的更加准确、稳健,其平均相对误差为2.634%. 相似文献
15.
为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的. 相似文献