随机运输时间下集装箱海铁联运箱流径路优化方法

集装箱在海铁联运过程中容易受到各种不确定因素的影响,导致运输时间波动,进而影响货物的送达准点率。为有效降低不确定运输时间的影响,兼顾运输过程的经济性和绿色可持续性优化集装箱海铁联运箱流径路。采用随机机会约束规划构建运输总费用最少和碳排放量最低的多目标模型。在约束条件中引入铁路和海洋期望运到时间,并对超过期望运到时间的径路进行惩罚处理,保证运输径路的优越性。考虑一站直达和中转换装这2种运输组织模式,克服现有研究未考虑货源是否充足的缺陷。运用不确定及概率论相关理论知识将不确定约束转化为线性约束。以西安至洛杉矶的集装箱货物出口径路优化为案例背景,采用NS-GA-Ⅱ算法求解,并通过贪心算法改进初始化种群以及基于logistics分布的概率选择算子改进精英选择算子。通过对比分析得到以下结果:①算法优化后运输总费用减少23.15万美元,碳排放减少6.69t,同时算法求解速度提高了75.36%;②将本文模型选用的随机规划和模糊规划进行对比,发现随机规划解集数量多于模糊规划,且二者在相同输送径路中的运输总费用和碳排放量均优化了10.65%。因此本文模型和算法具有良好的优化效果。进行灵敏度分析,观察置信水平以及时间影响系数对目标函数和货物送达准点率的影响。结果表明:①较高的铁路和海洋运输置信水平会提高货物的运输总费用。②时间影响系数和货物送达准点率呈负相关,影响系数越大货物送达准点率越低。

基于优化变分模态分解和核极限学习机的集装箱吞吐量预测

针对港口集装箱吞吐量数据的复杂性特征,提出基于优化变分模态分解(OVMD)和核极限学习机(KELM)的集装箱吞吐量短期混合预测模型。首先,用汉佩尔辨识法(HI)剔除原始时间序列中的异常值,并把预处理之后的序列通过OVMD分解为多个特征明显的子模态。然后,为提高预测效率,将分解后的子模态按照样本熵(SE)值的大小分成高频低幅、中频中幅和低频高幅三类;同时,借助KELM中携带的小波、高斯和线性核函数捕捉具有不同特征子模态的趋势。最后,把所有子模态的预测结果线性相加得到最终的预测结果。以深圳港的月度集装箱吞吐量数据为样本进行实验,所提模型的平均绝对误差(MAE)达到0.9149,平均绝对百分比误差(MAPE)达到0.199%,均方根误差(RMSE)达到7.8860,决定系数(R2)为0.9944。与四种对比模型相比,所提出的模型在预测精度和效率上都具有一定的优势,同时克服了传统互补集成经验模态分解(CEEMD)和集成经验模态分解(EEMD)中容易出现的模态混叠问题以及极限学习机(ELM)中存在过拟合等问题,具有一定的实际应用潜力。