论文部分内容阅读
我国海域辽阔,水上作业船舶和人员众多,随着我国水路运输的逐年快速发展和海洋开发利用程度的提高,随之而来的是海上遇险事件的增加,遇险船舶和人员数量也在逐年增长,通航条件也变得日益复杂,海上安全形势也变得更加严峻。本文正是在这一背景下,对船舶交通流量预测方法展开研究,通过提高预测模型的预测精度和速度,保障水上安全监管工作的及时性,提高水上安全监管效果,保证生命和财产安全,同时为海事管理部门的政策制定、港口企业的决策规划提供支持和依据。本文在现有相关研究的基础上,对船舶交通流量预测展开研究。首先,为提高预测模型输入变量的科学性和准确性,减少主观因素的影响,利用灰色关联分析对船舶交通流量影响因素进行筛选,选择出更加合理的因素作为预测模型的输入变量;然后,针对现有船舶交通流量预测模型的不足和局限性,选择最小二乘支持向量机作为预测方法,粒子群算法作为优化算法,构建了 PSO-LSSVM船舶交通流量预测模型,并以深圳市月度船舶交通流量数据为实例进行验证,并与GA-LSSVM预测模型和GA-WNN预测模型的预测结果进行对比分析。结果表明,PSO-LSSVM预测模型的预测误差低于GA-LSSVM预测模型和GA-WNN预测模型的预测误差,误差分别减少了 9.98%和88.02%,表明LSSVM相比起神经网络更容易得到准确的预测结果,而经过粒子群算法优化的LSSVM更易趋向于全局最优,采用PSO-LSSVM预测模型能够很好的预测特定水域的船舶交通流量。