原文传递
集装箱码头外部集卡到港量预测模型
| 论文题名： | 集装箱码头外部集卡到港量预测模型 |
| 关键词： | 集装箱码头;集卡到港量;预测模型;支持向量机;深度学习 |
| 摘要： | 随着港口之间的竞争日益激烈，港口越来越关注自身服务能力的提升，通过为客户提供更便捷的服务，提升对于货源的吸引力。目前，很多港口采取出口箱随机入港的模式，相较传统的集中入港模式，不仅可以给货主提供更宽松的集卡入港时间范围，为货主和集卡车队安排出口箱内陆运输提供更大的便利，提升对货源的竞争力，还可以缓解集中入港模式下，由于集卡的集中入港造成码头闸口的拥堵及排队现象，减轻港区内交通压力过大等实际问题。但是在随机入港模式下，集卡到港的随机性会增加，严重影响集装箱码头作业计划的制定及实施，使得集中入港模式下施行的“泊位计划→配载计划→堆场计划→集装箱入港计划”的顺序式方法不再符合码头的实际。由于码头无法确定各航次的出口箱到港情况，很难像集中入港下预留箱区进行集中堆存，对于堆场箱区等资源的配置造成很大困难。所以在随机入港模式下，研究集卡的到港规律及到港量具有重要意义，可以为码头制定合理的资源配置及调度计划提供依据。 本文通过对港口集卡到港历史数据的研究，分析集装箱码头集卡到港规律，挖掘并分析各因素对集卡到港的影响情况，并通过方差分析等方法进一步研究各因素的影响程度。此外，以影响因素作为自变量，建立基于深度学习的预测模型对单船舶各时间段的集卡到港量进行预测，通过引入深度学习中的深度置信网络进行特征点提取，并以特征为新的自变量进行机器学习的训练及预测，对机器学习方法进行改进，提高预测的准确性。 本文在对集卡到港规律及影响因素研究的基础上，通过对锦州港的集卡到达数据及船舶作业数据进行实例分析，证明了本文提出的深度学习&支持向量机的预测模型的有效性，并通过与其它机器学习算法的比较发现采用DBN进行特征提取可以有效提升预测的准确性，并证明在上述方法中本文建立的DBN&SVM模型具有最佳的预测效果。此外，通过对于天津港集卡到港量的预测，进一步证明了本文预测模型的有效性及适用性。 |
| 作者： | 滕藤 |
| 专业： | 交通运输规划与管理 |
| 导师： | 曾庆成 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
