GWO-Elman模型在港口货物吞吐量预测中的应用

港口作为国内国际贸易的重要枢纽,在新时代区域经济发展中具有重要的战略地位。为提高港口货物吞吐量的预测精度,使用差分法、灰狼优化(GWO)算法和Elman神经网络模型对2010—2019年青岛港货物吞吐量进行了训练与预测。基于所收集到的时间序列数据,将其作为样本数据输入Elman神经网络模型进行训练与测试;在训练过程中,引入灰狼优化(GWO)算法来优化Elman神经网络的权重(w)和神经元阈值(b);将GWO-Elman组合模型应用于青岛港货物吞吐量预测的实证研究中。结果证明:GWO-Elman算法模型相较于传统Elman神经网络模型,在预测货物吞吐量时有着更高的收敛速度与预测精度,这为港口货物吞吐量的预测提供了一种新的计算方法。

基于IVMD-MOGTO的沿海港口吞吐量预测方法研究

该文针对集装箱吞吐量的预测问题进行探究。提出了改进的变分模态分解(Improved Variational Mode Decomposition,IVMD)策略对数据进行去噪处理,从而构建了IVMD-MOGTO模型以实现集装箱吞吐量的精准预测。结果显示,在验证IVMD有效性的试验中,IVMD-LSTM的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)为2.93%。在验证MOGTO优化算法性能的试验中,MOGTO算法在港口中的均方根误差(Root Mean Square Error,RMSE)最低仅为11.39。

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.

基于改进支持向量机(SVM)模型的荆州港吞吐量预测

在编制港口总体规划过程中,港口吞吐量的预测对于提出规划方案至关重要,支持向量机(SVM)方法是港口吞吐量预测较为常见和有效的预测方法。针对港口吞吐量预测影响因素复杂的问题,以荆州港总体规划为实例,研究分析了影响港口吞吐量的主要指标因素。在采用SVM预测方法的基础上,运用遗传算法(GA)、网格搜索算法(GS)对SVM模型主要参数进行优化改进,GA-SVM和GS-SVM模型预测结果都是在支持向量机预测方法的基础上,采用遗传算法和GS方法对支持向量机模型的主要参数进行优化和改进,并用MSE和R2检验了遗传支持向量机和GS支持向量机模型的预测结果。改进后的SVM模型是在当前研究成果基础上提出的一种新港口吞吐量预测方法,可将该模型在港口总体规划工作中进行推广应用。

整体优化的吞吐量预测中继选择策略

提出了一种蜂窝网络中关于移动中继的选择方案,将小区内的用户按照下行路径损耗分为一跳用户和两跳用户.一跳用户由基站直接对其分配资源,两跳用户采用整体优化的吞吐量预测中继选择算法选择空闲用户作为中继节点.该算法全面考虑了带宽与信道质量对通信速率的影响,以两跳用户所在接入链路与回程链路吞吐量相等为原则主动调节两跳用户带宽分配比例,并且通过匈牙利算法计算出系统吞吐量最大时的最佳匹配矩阵.仿真结果表明,该算法能够有效提升边缘用户吞吐量和频谱利用率.