论文总字数：17326字

摘 要

随着我国水上运输业的快速发展，各个水域的船舶交通流量都在不断增加，航行过程中的安全性以及经济性难以得到保障，这时船舶交通流预测方法的准确性就显得尤为重要了。本文从当前研究现状出发，总结出几个较为典型的船舶交通流预测模型并加以分析，然后以天津港为例，在了解天津港通航环境和船舶交通流的前提下，找到几种较为适合的船舶交通流预测模型，对他们所得到的预测值与实际值进行对比分析，最终确定一种EEMD-GM(1,1)-IAGA-BP组合模型。EEMD-GM(1,1)-IAGA-BP组合模型是由三种预测模型进行耦合而组成的模型，不仅拥有EEMD分解多个IMF分量的能力，同时还能够对分解出来的IMF分量进行逐一分析和结果分析，大大提高了船舶交通流预测的精度。

关键词：船舶交通流预测；船舶交通流预测模型；天津港；EEMD-GM(1,1)-IAGA-BP组合模型

Abstract

With the rapid development of China's water transportation industry, the traffic flow of ships in various waters is increasing, and the safety and economy in the navigation process are difficult to be guaranteed. At this time, the accuracy of ship traffic flow prediction method is particularly important. Based on the current research status, this paper summarizes several typical ship traffic flow prediction model and analyses them, and then to tianjin port as an example, in the understanding of tianjin port navigation environment and under the premise of vessel traffic flow, to find some more suitable vessel traffic flow prediction model, for they have been predicted and actual values were analyzed, finally confirmed a EEMD rope - GM (1, 1) - IAGA - BP model of the combination. The EEMD-GM (1,1) –IAGA-BP combination model is a coupling model composed of three prediction models. It not only has the ability of EEMD to decompose multiple IMF components, but also can analyze the decomposed IMF components one by one and analyze the results, which greatly improves the accuracy of ship traffic flow prediction.

Key Words：Prediction of ship traffic flow；Ship traffic flow prediction model; Tianjin port；EEMD-GM (1,1) -IAGA-BP model

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 研究内容及目标 2

1.4 研究技术路线 3

第2章 船舶交通流预测模型概述 4

2.1 灰色神经网络模型 4

2.2 EEMD-GNN组合预测模型 4

2.3 FOA-GRNN预测模型 5

2.4 灰色马尔可夫预测模型 6

2.5 GA-ELM预测模型 7

第3章 天津港港区通航环境概况 9

3.1 港区和航道概况 9

3.2 水文气象概况 10

3.3 船舶交通流概况 10

第4章 天津港船舶交通流预测 13

4.1 EEMD预测模型 13

4.2 IAGA-BP神经网络模型 14

4.3 EEMD-GM(1,1)-IAGA-BP组合模型 15

4.4 船舶交通流预测模型验证 16

4.5 天津港船舶交通流预测 18

第5章 结论与展望 19

参考文献 20

致谢 22

第1章 绪论

1.1 研究背景及意义

1.1.1 研究背景

不可否认的是在近些年，我国水上交通运输业正处于快速发展的阶段，而这便意味着船舶交通流量在逐渐的增长，但与此同时，这也带来了不少的隐患，比如说通航安全这一方面，更加容易引起安全事故；又或者说通航效率，由于船舶交通流量的增加，而通航水域的大小是固定的，尤其是在狭窄水域等不是很容易航行的水域，会出现长时间船舶难以通过该水域而引起不必要的损失，同时也很容易引起交通事故的发生；再或者说通航资源，在有限的通航资源内，在船舶交通流量逐渐增加的前提下，势必会出现通航资源不够十分充足或不一定满足所有船舶通行的条件。

1.1.2 研究意义

为了较好的缓解这些问题，我们对船舶交通流进行预测和研究就显得尤为重要了，这也就意味着我们需要采取一系列的措施，通过这些措施来获得相对最好的措施，从而了解船舶交通流未来一段时间内的发展趋势，以此为基础，更好的保障船舶航行的安全。通过船舶交通流预测，一方面可以在船舶航行前设计好最佳的计划航线，另一方面，当船舶航行在某些复杂水域或在某个时间段有特别多的船舶同时通过的水域时，船舶交通流预测也为在该水域航行的船舶的安全性给出了一定的理论保障和数据支持，以此减少船舶在该水域发生事故的可能性。同时，当在进行设计港口或者设计航线时，船舶交通流预测可为其安全工作提供可靠的技术支持和安全保障，也可为有关部门管理船舶航行和安排船舶航行提供了特别有效的保障。在这个基础上，可以充分发挥出船舶出入港口航道的可航能力。同时，对船舶交通流进行预测可以规范船舶的航行行为，也可以为船舶驾驶人员提供航行的预警导航信息，提高了船舶正常航行的效率。

1.2 国内外研究现状

到目前为止，无论是国内还是国外，关于船舶交通流预测的研究始终是很多学者非常关注的一个主题，而他们目前的研究结果主要来源于先建立模型，然后通过模型对他们进行数据上的分析，用数据来更加精确的进行预测，这些模型主要包括时间序列分析、人工神经网络^[[1]]、支持向量机^[[2]]等，不得不说这些方法都获得了良好的预测效果。但是，这些方法多多少少仍然存在着一定的局限性，比如说时间序列分析，这是基于观察一段时间内船舶交通流量的大小来研究的方法，但是我们都了解的是，且不说不同季节或年份，就是同一天不同时间段的船舶交通流量都会有很大的差异，若是水文气象条件等发生变化，则会出现很大的预测误差；又比如说，人工神经网络，这是一种数据驱动算法，在一定程度上能够处理非线性信息，但是它的实用性并不强，主要原因是其由于数据上的波动容易引起预测数据大幅度的偏差，同时其把数据整合的速度较慢，数据不易整理，人工神经网络的转换能力和举一反三能力也都不够出众；同时，现在船舶交通流预测最大的问题在于是否能够收集准确的数据和不同时间段有不同的规律，工作量非常大，但是目前国内外的研究无法大范围使用，甚至有的时候无法在下一个时间段使用，存在一定的误差。因此如何找到一个更好的船舶交通流预测方法就需要进行更多更系统的研究。

1.3 研究内容及目标

请支付后下载全文，论文总字数：17326字