×

集装箱船航行集装箱数量的预测模型。 (英语) Zbl 1461.90018号

摘要:集装箱船在一次航行中必须经过多个停靠港。因此,预测始发港的集装箱体积信息,然后将这些信息发送给后续港口,对集装箱码头管理和集装箱配载人员至关重要。许多因素影响集装箱船舶在一次航行中的集装箱分配,影响程度各不相同,产生复杂的非线性。因此,本文提出了一种基于灰色关联分析(GRA)和混合核支持向量机(SVM)的集装箱船舶航次集装箱分配预测模型。首先,在该模型中,通过GRA确定影响因素的权重。然后,将加权因子作为SVM模型的输入,通过遗传算法优化SVM模型参数。数值模拟结果表明,该模型能够有效预测集装箱船舶航次的集装箱数量,具有较强的泛化能力和较高的精度。因此,该模型为预测航次集装箱体积提供了一种新方法。

MSC公司:

90B06型 运输、物流和供应链管理
62M20型 随机过程推断和预测
62M99型 随机过程推断
第60页 统计学在工程和工业中的应用;控制图
68T05型 人工智能中的学习和自适应系统

软件:

SVM灯
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Helo,P。;Paukku,H。;赛拉南,T。;集装箱船货物概况、货物系统和装载能力:关键性能指标;马里特。经济。物流:2018年,1-21.
[2] 戈萨桑,V。;Chandraprakaikul,W。;Kiattisin,S。;神经网络在曼谷港集装箱吞吐量预测中的应用;世界工程大会论文集:,137-141.
[3] 圣路易斯。;帕西诺,D。;罗普克,S。;Larsen,A。;综合泊位分配和岸桥分配问题:集合划分模型和计算结果;运输。Res.Part E物流。运输。版次:2015;第81卷,75-97。
[4] 姜杰。;Wang,H。;杨,Z。;基于集装箱吞吐量及其主要影响因素的经济计量分析;大连马里特大学:2007;第1卷。
[5] 周,C。;远东地区主要港口的集装箱吞吐量分析;马里特。研究期刊:2002年;第12卷,59-71。
[6] Meersman,H。;斯坦森斯,C。;范德沃德,E;集装箱吞吐量、港口容量和投资:比利时安特卫普,1997年。
[7] 卡斯滕,C.V。;罗普克,S。;Pisinger,D。;具有中转时间限制的集装箱船航速和航线同时优化;运输。科学:2018; 第52卷,769-787。
[8] 魏莹,Z。;Yan,L。;卓上,J。;基于SVM的集装箱船航次集装箱数预测模型;造船。中国:2006年;第47卷,101-107。
[9] 李,S。;提出了一种基于神经网络的集装箱安全保有量预测方法;导航。中国:2002年;第3卷,56-60。
[10] 格鲁德尼茨基,G。;Osburn,L。;预测标准普尔和黄金期货价格:神经网络的应用;《期货杂志》:1993年;第13卷,631-643。
[11] 白色,H。;连接非参数回归:多层前馈网络可以学习任意映射;神经网络:1990; 第3卷,535-549。
[12] 查克拉博蒂,K。;Mehrotra,K。;莫汉,C.K。;Ranka,S。;用神经网络预测多元时间序列的行为;神经网络:1992; 第5卷,961-970。
[13] 拉皮德斯,A。;法伯,R。;神经网络非线性信号处理:预测和系统建模;IEEE国际神经网络会议论文集:。
[14] Yu,J。;唐·G。;宋,X。;Yu,X。;齐,Y。;李,D。;Zhang,Y。;船舶到达预测及其在集装箱码头日常运营中的价值;海洋工程:2018年;第157卷,第73-86页。
[15] 徐,C。;黄,Y。;Wong,K.I。;预测货运量和行业动态变化的行业份额灰色混合模型;运输。信函:2018; ,1-12.
[16] Vapnik,V.N。;统计学习理论综述;IEEE传输。神经网络:1999; 第10卷,988-999。
[17] 科尔特斯,C。;Vapnik,V。;支持向量网络;马赫。学习。:1995年;第20卷,273-297·Zbl 0831.68098号
[18] 米勒,K.R。;斯莫拉,A.J。;Rätsch,G。;Schölkopf,B。;科尔摩根,J。;Vapnik,V。;基于支持向量机的时间序列预测;《人工神经网络论文集》ICANN’97:柏林/海德堡,德国,1997,999-1004.
[19] S.R.冈恩。;用于分类和回归的支持向量机;ISIS技术代表:1998;第14卷,5-16。
[20] 约阿希姆斯,T;使大规模SVM学习实用化:1998年;第28卷。
[21] 史密斯,G.F。;Jordaan,E.M。;基于混合核函数的改进SVM回归;2002年国际神经网络联合会议论文集:,2785-2790.
[22] Jebara,T。;支持向量机的多任务特征和核选择;第二十届第一届机器学习国际会议论文集:,329-337.
[23] 曾荫权,I.W。;郭,J.T。;Cheung,P。;核心向量机:超大数据集上的快速SVM训练;J.马赫。学习。决议:2005年;第6卷,363-392·Zbl 1222.68320号
[24] Lu,Y.L。;Lei,L.I。;周,M.M。;Tian,G.L。;基于混合核函数的新型模糊支持向量机;2009年机器学习与控制论国际会议论文集:,526-531.
[25] 谢国荣。;王,S。;Zhao,Y。;赖,K.K。;基于LSSVR模型的集装箱吞吐量预测混合方法的比较研究;申请。软计算:2013; 第13卷,2232-2241。
[26] 邓J.L。;灰色系统理论导论;J.灰色系统:1989; 第1卷,1-24·Zbl 0701.90057号
[27] Al-Douri,Y。;Hamodi,H。;伦德伯格,J。;基于两级多目标遗传算法的时间序列预测——以隧道风机维护成本数据为例;算法:2018年;第11卷·Zbl 1462.62564号
[28] Weiwei,W。;基于SVM和GA的时间序列预测;2007年第八届国际电子测量与仪器会议记录:,307-310.
[29] Yin,Y。;崔,H。;洪,M。;赵博士。;基于灰色关联分析和SVM方法的船体垂向振动预测;J.Mar.科学。技术:2015年;第20卷,467-474。
[30] Kuo,Y。;Yang,T。;黄,G。;灰色关联分析在解决多属性决策问题中的应用;计算。工业工程:2008;第55卷,80-93。
[31] 托森,N。;应用灰色关联分析确定钻井多性能特征的最佳参数;国际高级制造技术期刊:2006; 第28卷,450-455。
[32] 沈,M.X。;X.F.薛。;张,X.S。;灰色关联分析中判别系数的确定;J.空军工程大学:2003年;第4卷,68-70。
[33] 姚,X。;张,L。;程,M。;Luan,J。;庞,F。;基于SVM方法的船舶上层建筑舱室噪声预测;J.可控震源。震惊:2009年;第7卷。
[34] 黄,C。;陈,M。;王,C。;采用基于支持向量机的数据挖掘方法进行信用评分;专家系统。申请:2007; 第33卷,847-856。
[35] Duan,K。;Keerthi,S.S.公司。;Poo,A.N。;调整SVM超参数的简单性能指标评估;神经计算:2003年;第51卷,第41-59页。
[36] 范德沙尔,M。;Delory,E。;安德烈,M。;基于高斯核网络的抹香鲸点击分类;算法:2009年;第2卷,1232-1247·Zbl 06920473号
[37] 罗,W。;聪,H。;基于优化支持向量机的船舶航向保持控制;算法:2016年;第9卷。
[38] 魏毅。;Yu,Y。;基于SaDE-ELM算法的船用燃料系统故障诊断研究;算法:2018年;第11卷。
[39] 卞,Y。;杨,M。;范,X。;刘,Y。;基于切比雪夫矩不变量和PSO-SVM的火灾探测算法;算法:2018年;第11卷·Zbl 1460.90210号
[40] Cherkassky,V。;马云(Ma,Y.)。;支持向量机回归参数的实用选择和噪声估计;神经网络:2004; 第17卷,113-126·Zbl 1075.68632号
[41] 艾琴,H。;Yong,W。;基于LS-SVM和果蝇算法的控制阀压力模型;算法:2014年;第7卷,363-375。
[42] 杜,J。;刘,Y。;Yu,Y。;Yan,W。;基于支持向量机和粒子群优化算法的降水数据预测;算法:2017年;第10卷·Zbl 1461.62201号
[43] Wang,R。;Tan,C。;徐,J。;王,Z。;Jin,J.等人。;Man,Y。;基于混合优化自整定PID控制器的液压缸压力控制;算法:2017年;第10卷·Zbl 06920564号
[44] 刘,D。;牛博士。;Wang,H。;范,L。;基于小波变换和遗传算法优化的支持向量机的短期风速预测;更新。能源:2014年;第62卷,592-597。
[45] Shevade,S.K.公司。;Keerthi,S.S.公司。;巴塔查里亚,C。;Murthy,K.R.K。;支持向量机回归SMO算法的改进;IEEE传输。神经网络:2000; 第11卷,1188-1193。
[46] Holland,J.H;自然和人工系统中的适应:生物学、控制和人工智能应用的介绍性分析:美国马萨诸塞州剑桥,1992年。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。