原文传递
基于LSTM模型的集卡日到达量短期预测研究
| 论文题名： | 基于LSTM模型的集卡日到达量短期预测研究 |
| 关键词： | 集装箱码头;集卡到达;长短时记忆网络;大数据;闸口 |
| 摘要： | 集卡到达量的准确预测是复杂的，但对集装箱码头日常运转至关重要。本文提出长短时记忆神经网络（Long-shorttermmemory，LSTM）模型来预测集装箱码头的每日集卡到达量。除了集卡到达量历史数据之外，该模型兼顾了天气和星期两个外界影响因素。根据到港目的，本文预测的集卡在港作业类型包括三类：提箱作业集卡、交箱作业集卡和混合作业集卡。本研究的另一个贡献是基于中国南方世界领先集装箱港口的真实数据来测试预测模型的性能，可丰富集装箱码头集疏运作业组织领域的研究基础，为港口交通管理与运营提供理论支撑。对比实验结果表明了本文所提出预测模型性能明显优于基准模型，预测准确率分别提高了22.97%（混合作业集卡）、15.76%（提箱作业集卡）和17.43%（交箱作业集卡），此外，通过与现有研究中的预测模型对比，可验证LSTM模型预测值更接近真实值。在算例验证时，发现了两个有趣的规律，一是与独立特征相比，天气和星期两特征的交互产生的共同作用可明显提高预测精度；二是与现有文献中集卡流2分类相比，本文提出的3分类方法可有效降低预测误差。 本文提出的集卡到达量预测模型为包括集卡公司和航运公司在内的多方利益相关者提供参考。码头运营商可根据混合作业集卡、提箱作业集卡和交箱作业集卡的到港预测量，提前且灵活分配堆场空间资源和装卸设备。从环保角度考虑，与其他作业环节相比，集卡在闸口和码头队列中怠速排放关注度更高，因此，基于本文研究结果，通过码头资源的合理分配和高效装卸来间接减少集卡在闸口和堆场内部的排放等待时间。 |
| 作者： | 盛昊天 |
| 专业： | 物流工程与管理 |
| 导师： | 李娜 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
