本文選題：船舶交通量　切入點(diǎn)：BP神經(jīng)網(wǎng)絡(luò)　出處：《上海海事大學(xué)學(xué)報(bào)》2017年02期

【摘要】：為提高船舶交通量的預(yù)測(cè)精度,在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合馬爾科夫預(yù)測(cè)模型建立一個(gè)新的預(yù)測(cè)模型.采用通過長(zhǎng)江九江大橋的月度船舶交通量數(shù)據(jù)進(jìn)行模型訓(xùn)練、驗(yàn)證和預(yù)測(cè),求出相對(duì)殘差值,將相對(duì)殘差的前8項(xiàng)歸一化后劃分為3個(gè)狀態(tài),利用馬爾科夫預(yù)測(cè)模型修正BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值.該新模型將BP神經(jīng)網(wǎng)絡(luò)的相對(duì)殘差值區(qū)間從[-12.9%,12.3%]降低至[-9.9%,5.4%].該模型能提高船舶交通量的預(yù)測(cè)精度,用于預(yù)測(cè)船舶交通量是可行的.
[Abstract]:In order to improve the prediction accuracy of ship traffic volume, a new prediction model is established based on BP neural network combined with Markov forecasting model. The model is trained by the monthly ship traffic volume data from Jiujiang Bridge of the Yangtze River. The first eight items of the relative residuals are normalized and divided into three states. The prediction value of BP neural network is modified by Markov forecasting model. The new model reduces the relative residual value of BP neural network from [-12.9%] to [-9.9%]. The model can improve the prediction accuracy of ship traffic volume and is feasible to predict ship traffic volume.
【作者單位】： 武漢理工大學(xué)航運(yùn)學(xué)院;武漢理工大學(xué)內(nèi)河航運(yùn)技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家科技支撐計(jì)劃(2015BAG20B01)
【分類號(hào)】：TP183;U692

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 秦松;;基于加權(quán)的滑動(dòng)平均—馬爾科夫預(yù)測(cè)模型及其應(yīng)用[J];水資源與水工程學(xué)報(bào);2013年01期

2 馬文博;郭福亮;;灰色-馬爾科夫油料消耗預(yù)測(cè)模型[J];艦船電子工程;2012年06期

3 ;[J];;年期

相關(guān)會(huì)議論文 前1條

1 黃元生;王哲明;張巖峰;;馬爾科夫預(yù)測(cè)模型及其在用電結(jié)構(gòu)分析中的應(yīng)用[A];中國運(yùn)籌學(xué)會(huì)第七屆學(xué)術(shù)交流會(huì)論文集（中卷）[C];2004年

相關(guān)碩士學(xué)位論文 前3條

1 翟瓊;中國女子10000m跑成績(jī)的灰色馬爾科夫模型預(yù)測(cè)的研究[D];遼寧師范大學(xué);2015年

2 趙萬香;基于馬爾科夫預(yù)測(cè)法的車道偏離預(yù)警系統(tǒng)研究[D];長(zhǎng)安大學(xué);2014年

3 畢威;混合馬爾科夫預(yù)測(cè)模型在反洗錢中的應(yīng)用研究[D];華中科技大學(xué);2009年

，

本文編號(hào)：1659095