原文传递
基于SARIMA-LSTM的海上交通事故预测研究
| 论文题名： | 基于SARIMA-LSTM的海上交通事故预测研究 |
| 关键词： | 海上交通事故;SARIMA模型;LSTM模型;组合预测 |
| 摘要： | 随着我国水路运输的迅速发展，作为国民经济的核心产业——航运经济业，备受冲击和挑战，例如日益严重的海上交通隐患，日益复杂的水运形势。因此准确地进行海上交通事故预测，并控制整个水域事故趋势，这对于降低海上交通事故发生风险，提升海上交通安全状况具有鲜明意义。 在本文中，笔者将与当前社会环境结合，在充分阅读国内外文献的基础上，归纳事故预测方法，对国内外事故预测研究方法和发展趋势做介绍，从而阐释出海上交通事故预测对水运发展的重要性。当下计算机网络的兴起，使得越来越多的研究人员使用深度学习技术和神经网络在各个领域进行预测研究。因此，在本文中，笔者将对比预测海事事故的典型方法，阐明模型的适用条件，在此基础上建立一个科学选择海上交通事故预测方法的系统。最后，通过阐明组合预测方法优势，确定建立基于残差优化模型的海上交通事故组合预测模型，并通过海事事故预测实例加以验证。 本文以传统事故预测模型季节性自回归综合移动平均(SeasonalAutoregressiveIntegratedMovingAverage,SARIMA)和智能方法长短时记忆神经网络模型(LongShort-TermMemoryNetworks,LSTM)为研究对象。实例数据汇总了2000-2019年辽宁辖区海上交通事故共240组数据，包括发生日期，碰撞类型，事故种类，事故等级等信息。经过初步的整理分析，数据的结构和形式均符合LSTM和SARIMA预测模型进行预测的前提条件。但鉴于时间序列模型本质为线性预测，仅能依托历史数据预测未来数据趋势，无法蕴含一系列的非线性因素，预测精度偏低；长短时记忆神经网络模涵盖着天然的复杂性魅力。因此笔者考虑优势互补的思想，构建基于SARIMA-LSTM神经网络残差优化的组合预测方式，同时选取均方根误差(RootMeanSquareError,RMSE)作为评价指标衡量组合预测模型的预测精度，并与两个单项预测模型的精度进行比较。 通过python搭建各预测模型并以辽宁水域数据进行实证分析，得出3组RMSE数值。基于SARIMA-LSTM神经网络的残差优化的组合预测模型充分结合了二者的优势，评价指标RMSE达到了0.15。以此评价指标数值，论证了残差优化组合预测模型的优越性。本文提出的海上交通事故预测方法可以为相关人员的决策提供指导。 |
| 作者： | 张逸飞 |
| 专业： | 海上交通工程 |
| 导师： | 付玉慧 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
