船舶交通流速度离散特性研究

为更深刻地理解船舶交通流运行特性,以速度离散度研究为切入点,提出描述船舶交通流速度离散特性的两种指标,根据交通流基本图理论,对速度离散度在船舶交通流基本图上的分布及其与船舶交通流三参数之间的关系进行定量分析。结果表明:随着船舶流量、密度和速度的增加,速度离散度的分布趋于稳定,在低流量、高速度离散度区间内,速度离散度随着船舶流量的增加逐渐降低,在低速度离散度区间内,速度离散度随着船舶流量增加逐渐升高;基于改进的K-means-FCM算法,使用船舶交通流流量、密度、速度和速度离散度作为分类指标,对船舶交通流进行聚类分析,得到4个聚类中心与指标值的分布范围。基于试验结果,抽象总结船舶交通流运行状态图,将船舶交通流划分自由态、同质态、稳定态和异质态等4种状态。该研究对更好地认识船舶交通流特性起到一定的作用。

基于场方法的船舶交通流分析

为大范围、高精度地研究船舶交通流特征,引入场方法对船舶交通流进行分析.该过程基于理想的网格布置,以AIS船舶交通流数据为样本值,运用Delaunay剖分进行三角插值,得到船舶交通流流场分布图.与实际交通流情况的对比分析表明,场的形式能够较好地表征船舶交通流分布特征和航行水域安全状态;采用船舶交通流流场分析结果,可以提高船舶航行安全预警和海事安全监管的有效性.

船舶交通流组合预测方法研究

船舶交通流预测的研究能为港口设计及船舶通航安全管理提供基础性数据。基于港口特征、船舶行为和船舶交通流的历史数据,建立了一种改进的船舶交通流变权组合预测模型,较好地解决了现有船舶交通流预测算法中存在的预测精度不高、依赖于经验的不足。以天津港主航道连续9年的历史观测数据为例进行验证,结果表明,改进的组合预测模型能够减小单一模型预测中存在的不确定性,从而提高了整个预测系统的精度及其稳定性。

基于SARIMA模型的船舶交通流量预测研究

为提高船舶月交通流量预测精度,更合理地为港口规划和发展提供决策依据,选用季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型对船舶月交通流量建立了预测模型,并利用Eviews软件,以2007年1月-2015年12月荆州港船舶交通流月均流量统计数据为样本进行了实证分析.对船舶月交通流量时间序列样本数据进行平稳化预处理,消除其趋势成分和季节因素;基于平稳化后的数据建立了SARIMA模型并对模型进行参数检验及最优模型选取;并利用所获得的最优模型SARIMA(2,0,0)(1,1,1)12对2008年1月-2016年3月荆州港船舶交通流月均流量进行预测,并将预测结果与AR(1)模型、季节指数模型的预测结果进行对比分析.对比分析结果表明,SARIMA的预测精度更高,更能反映船舶月交通流量的变化情况,利用该模型对船舶月交通流量进行建模预测具有较好的实用性.

基于灰色马尔科夫模型的船舶交通流预测

鉴于船舶交通流预测的复杂性,利用单一的灰色预测方法难以对其做出准确预测,考虑交通流量的波动性,将灰色预测理论和马尔科夫预测方法结合以建立灰色马尔科夫预测模型,利用该模型对长江口河段的船舶交通流量进行预测分析。研究结果表明:灰色马尔可夫链模型的预测结果较单一的灰色预测结果更接近实际值,相对误差较小且具有较高的拟合精度,对于具有一定波动性和随机性的船舶交通流有较高的预测精度,可应用于实际船舶交通流量预测研究中。

船舶交通流建模与仿真研究进展

船舶交通流受到多种因素的影响,难以用精确的数学模型描述,人们常用仿真的方法对其进行研究。通过仿真,可以定量或形象地分析船舶的行为特征和规律,评价航道的通过能力、航行风险、组织和管理等能力。对国内外船舶交通流建模和仿真的进展情况进行分析和总结,回顾了船舶交通流仿真的国内外研究现状,提炼了交通流仿真的核心内容和流程。同时探讨了船舶交通流的建模方法,并分析了船舶交通流仿真的关键技术及典型应用。最后展望了交通流仿真的发展趋势。

基于AIS的元胞自动机模型的船舶交通流特征参数分析

针对海上交通工程学中的密度-速度(流量)关系图"线性假设"的不严密性,利用基于AIS的元胞自动机船舶交通流模型模拟再现船舶交通流,然后统计出船舶交通流密度-速度(流量)基本关系图,并给出其三相交通流理论的解释;模拟研究发现,船舶交通流包含自由流、同步流和拥挤流三种相态,相态之间的转换也包含自由流与同步流、同步流与堵塞流两种形式;船舶密度-速度之间并非简单的线性关系,船舶密度-流量之间也不是二次抛物线关系,而是不明确的多值关系.模拟方法和结论有助于解释一些复杂的水上交通现象.

基于二维矩阵分解的船舶交通流预测

为克服船舶交通流的非线性和非平稳性特点造成的预测精度不高的问题,提出了一种融合二维经验模式分解(Bidimensional Empirical Mode Decomposition,BEMD)和时序正则化矩阵分解(Temporal regularized matrix factorization,TRMF)的船舶交通流预测方法。首先,将传统一维船舶交通流时序数据重整为二维交通流量时序矩阵(天×时段),再利用BEMD将二维交通流量数据分解为高频矩阵和低频矩阵,其中高频矩阵体现突变因素对交通流的影响,低频矩阵体现稳定因素对交通流的影响;接着,采用引入正则时序项的TRMF,分别对高频与低频矩阵进行预测,进而融合得到最终的交通流量预测结果;最后,对比分析BEMD-TRMF、GM(1,1)、ARIMA、BPNN、WNN、LSTM和TRMF预测模型,结果表明BEMD-TRMF模型的平均预测误差约为3%,优于对比模型,达到了较好的预测精度。

组合粗糙集和支持向量回归的船舶交通流预测

影响交通流变化的因素众多,为改进传统的船舶交通流预测精度不高,一种结合粗糙集和支持向量回归智能算法的交通流预测模型提出,通过ROSETTA软件进行属性约简预处理,筛选出影响交通流变化的关键影响因素,剔除冗余信息。筛选结果显示外轮进出艘次、对外贸易总额、港口GDP、集装箱标准箱、港口货物吞吐量为输入变量,运用Libsvm软件构建基于遗传算法参数寻优的支持向量回归模型预测2008年和2009年的交通流。算例结果表明,与BP神经网络和SVM模型相比,组合预测模型是有效和实用的预测工具。

极端水位对长江中游船舶交通流特征的影响

极端水位下长江中游航道通航条件受到影响,通航管理部门通常采取必要管制措施,继而船舶交通流宏、微观特征发生变化。以长江中游太平口水道发生极端低水位,采取上下行间歇性封航措施为例,结合线性速度-密度关系下的船舶交通波模型,解释封航发生及解除后船舶交通流的集结、消散过程。结果表明:因封航产生的船舶交通流最大排队长度、阻塞时间与封航时间成正比。通航管理部门需制定科学详尽的通航计划,最大程度地减小封航影响。

基于GM跟驰模型的内河限制性航道船舶交通流基本图

为准确掌握内河航道上船舶交通流的运行特征与规律,考虑船舶正常航行时为保持舵效所需的最低航速与最小安全间距,引入最低航速和最大密度2个特征变量,对经典的GM跟驰模型进行局部修正,然后根据锡澄运河现场实船跟驰实验数据,回归拟合了内河船舶交通流的3种速度间距关系,从而构建了新的内河限制性航道船舶交通流基本图模型.结果表明,所提出的船舶交通流基本图模型符合实际,指数模型和对数模型检验的MAPE值小于5%,RMSE值小于0.4,R^(2)值大于0.93.该基本图模型是对经典车辆交通流基本图模型的局部拓展,使之既有交通流的普遍规律,又符合内河船舶的航行特点,建议采用指数模型或对数模型描述内河限制性航道船舶交通流基本图.

基于集合经验模态分解和灰色神经网络的船舶交通流预测

为提高船舶交通流预测精度,更科学地为海事监管、港口水域规划布局提供参考,结合灰色神经网络模型(grey neural network,GNN)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)对船舶交通流建立了EEMD-GNN组合预测模型,并基于Matlab软件,以2007年1月—2015年12月荆州长江公路大桥断面船舶交通流月流量统计数据为样本进行了实例分析.首先对船舶月流量时间序列样本数据进行EEMD分解以降低序列的非平稳性,然后对EEMD分解后获得的各分量建立GNN模型进行预测,并将各分量预测值进行叠加即得到EEMD-GNN模型的预测结果.最后,将EEMD-GNN模型预测结果与传统GNN模型进行对比分析.对比分析结果表明,EEMD-GNN模型较传统GNN模型的预测精度更高,能更好地反映船舶月交通流量的变化情况.

基于FCM-ANFIS模型的船舶交通流预测

提出一种基于模糊C均值聚类自适应神经模糊推理系统(Fuzzy C-Means Clustering Algorithm with Adaptive Neural-Fuzzy Inference System,FCM-ANFIS)的船舶海上交通流预测模型,采用相关分析法预测网络模型的输入变量个数;采用模糊C均值聚类算法对仿真数据进行分析和模糊聚类,从而确定模型的聚类中心,进而建立ANFIS预测网络结构。该模型采用BP算法与最小二乘算法相结合的混合学习算法进行网络参数训练,可克服传统预报模型收敛速度慢和局部最优等问题,进而提高预报精度。同时,选用船舶自动识别系统(Automatic Identification System,AIS)记录的船舶交通流数据进行仿真预报,仿真结果验证了该模型的可行性和有效性,并取得良好的效果。

台湾海峡船舶交通流的调查与分析

采用雷达观测方法获取台湾海峡船舶交通实况,应用自行开发的基于电子海图的观测数据与分析软件进行数据处理,分析台湾海峡船舶交通流分布,建立交通流模型,揭示台湾海峡船舶交通流特点和潜在危险。其调查与分析结果为实施台湾海峡船舶交通管理措施提供科学依据。

内河航道船舶交通流研究

本文在分析内河船舶航行特点的基础上,应用水流阻力和船舶制动距离计算公式,提出了平原地区内河航道船舶跟驰的安全间距模型,并以双向单航道直线段基本航段和500 t级典型内河船舶为研究背景,建立了基于Anylogic平台的仿真模型。交通流理论结合仿真结果,给出了船舶交通流的基本图模式,分析了水流对交通流的影响以及船舶交通流基本图的特征。

基于TBD策略的船舶交通流视觉图像统计方法

为提高在天气恶劣、目标密集、目标被遮挡及其他复杂海况下船舶交通流统计的准确率,提出一种将目标检测算法CenterNet、多目标跟踪算法DeepSORT与凸包算法中优化逆时针(counter clockwise,CCW)判断的单线法相结合的船舶交通流视觉图像统计方法。使用Python对所选的数据和场景进行测试,结果表明:CenterNet在多场景检测中比YOLOv3更优秀;基于目标检测的多目标跟踪算法具有良好实时性,能够有效对抗因目标抖动、密集、被遮挡等所导致的目标丢失,继而减少船舶交通流统计时常出现的漏检、错检和重复统计等问题。

基于改进PSO-BP神经网络的船舶交通流预测分析

为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。

基于灰色小波神经网络的船舶交通流预测研究

船舶交通流预测的准确性和可靠性已成为制约港口经济科学发展的瓶颈因素。文章综合利用小波变换的局部化性质与神经网络的自学习能力,并引入灰色模型以反映船舶交通流的发展趋势,使得小波神经网络在灰色模型预测结果的基础上结合船舶交通流的影响因素再预测,构成基于灰色小波神经网络的船舶交通流组合预测模型。实验结果表明,灰色小波神经网络的预测精度高于BP神经网络与小波神经网络,提高了整个预测系统的精度及其鲁棒性。

基于多智能技术的船舶交通流仿真研究

交通流理论是一种数学和物理学进行交通特性分析的新型理论。随着社会经济的发展,海上交通运输业越来越繁荣,一方面促进了全球经济的发展,提高了物流运输效率;另一方面,导致海上航线密集,船舶碰撞、搁浅事故频发。因此,研究船舶海上交通理论有重要的意义。本文基于多智能(Multi-Agent)技术,建立了船舶智能交通模型,并进行了船舶交通流的仿真。本研究可以有效的促进海上航线规划水平,提高海上船舶的交通管理能力。

基于点集偏差的船舶交通流不均匀性度量研究

为探究区域范围内船舶交通流空间分布形态特征,通过系统分析船舶交通流形态特征,提出区域船舶交通流在空间分布形式上具有不均匀分布特性.定性分析了区域船舶交通流空间分布不均匀性特征的影响因素及演化机理,并基于点集偏差理论,建立了区域船舶交通流空间分布不均匀性的度量模型,并以长江口进出港航道和烟台西港主航道为例进行了实例分析.结果表明,该模型能够充分考虑及量化分析船舶交通流空间分布不均匀特征,计算结果能够为船舶交通流形态特征及态势研判度量指标的构建提供理论基础.