原文传递
基于PCA-IPSO-ELM模型的集装箱船在泊作业时间预测
| 论文题名： | 基于PCA-IPSO-ELM模型的集装箱船在泊作业时间预测 |
| 关键词： | 港口管理;集装箱船;在泊作业时间;主成分分析;极限学习机;改进粒子群 |
| 摘要： | 随着全球化贸易的飞速发展，航运集装箱周转量急剧增长，如何合理高效利用港口资源成为各港口进行未来规划时面临的主要难题之一。对于港口而言，制定科学高效的泊位计划是提高运转效率和服务水平的关键措施。其中，集装箱船预计在泊作业时间作为泊位计划制定的重要依据，对港口实际生产作业具有非常重要的现实意义。然而，现有的集装箱船在泊作业时间预测研究仍存在一定的局限性，一方面此类预测往往只考虑部分影响因素对在泊作业时间的线性作用，而在实际港口作业中会面临较多不确定因素的干扰，各因素与作业时间存在非线性影响关系；另一方面，现有研究中模型的预测性能仍有可提高空间，需对预测模型展开深入研究。 本文以不确定性环境下的集装箱船在泊作业时间为研究对象，综合考虑影响在泊作业时间的因素，以提高预测模型的综合性能为目标，提出一种基于主成分分析（PrincipalComponentAnalysis，PCA）和改进粒子群算法（ImprovedParticleSwarmOptimization，IPSO）优化极限学习机（ExtremeLearningMachine，ELM）的混合预测模型。首先，研究分析了集装箱船在泊作业时间的影响因素，针对因样本维度较高造成原始数据样本冗余的情况，采用主成分分析对数据进行降维处理，为后续提升模型预测性能的研究打下基础。其次，在对极限学习机优化的过程中，针对传统粒子群算法易出现早熟收敛的问题，提出一种基于非线性参数动态调整的改进粒子群算法，并选取标准测试函数验证算法寻优性能，实验表明改进后的粒子群算法在收敛速度和预测精度方面都有明显改善。最后，采用改进的粒子群算法对极限学习机的权值和阈值进行优化，构建基于PCA-IPSO-ELM的集装箱船在泊作业时间预测模型，并对模型有效性进行验证。 本研究基于MATLAB仿真平台，以天津港集装箱船公司的港口作业数据为预测样本进行实例研究，并将该模型与BP、ELM、GA-BP及IPSO-ELM模型的预测效果进行对比。结果表明：PCA-IPSO-ELM预测模型的平均绝对误差、均方根误差和运行时间分别为0.3196h、0.4080h和201.787s，均低于其他模型相应指标；且该模型决定系数为98.62%，拟合程度高于其他模型。由此可知，本研究提出的基于PCA-IPSO-ELM的集装箱船在泊作业时间预测模型具有较好的预测性能，可为集装箱港口资源优化配置提供决策依据。 |
| 作者： | 董珊 |
| 专业： | 管理科学与工程 |
| 导师： | 李朝辉 |
| 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
