基于因素分析和SVM模型的江海联运运量预测方法
PDF下载 (240)杨丁红,郑彭军.基于因素分析和SVM模型的江海联运运量预测方法[J].宁波大学学报(理工版),2020,33(2):86-92.DOI:
YANG Dinghong,ZHENG Pengjun.Method for prediction of river-sea combined transport volume based on factor analysis and SVM model[J].Journal of Ningbo University(Natural Science & Engineering Edition),2020,33(2):86-92.DOI:
| Title: | Method for prediction of river-sea combined transport volume based on factor analysis and SVM model |
| 作者: | 杨丁红, 郑彭军 |
| Author(s): | YANG Dinghong, ZHENG Pengjun |
| 关键词: | 江海联运运量; 因素分析; 灰色关联度分析; 粒子群算法; 支持向量机 |
| Keywords: | river-sea combined transport; factor analysis; grey relation analysis; particle swarm optimization; support vector machine |
| 分类号: | U6-9 |
| 文献标识码: | A |
| 摘要: | 鉴于江海联运运量受众多因素的影响, 为了解决江海联运运量预测问题, 先对江海联运运量影响因素进行分析, 再用灰色关联度分析筛选出其中的典型因素. 在此基础上应用粒子群算法优化的支持向量机建立江海联运运量预测模型, 应用于宁波港域江海联运量的预测. 结果表明, 该模型与传统时间序列预测方法相比具有较高的拟合度和预测精度, 为解决江海联运运量等多因素非线性系统预测提供了一条新的途径. |
| Abstract: | The volume of river-sea combined transport is affected by many factors. In order to solve the problems found in forecasting this volume, its influencing factors are analyzed first, and then typical factors are selected by grey relation analysis. Based on the result, a support vector machine (SVM), optimized by particle swarm optimization (PSO) algorithm, is applied to establish a predictive model of the river-sea combined transport volume. The model is then applied to the prediction of the river-sea combined transport volume in Ningbo Port. The results show that the model is superior to the traditional time series forecasting method, and has a high degree of fitness and forecasting accuracy. It provides a new way to solve the multi-factor nonlinear system prediction problems, such as the one in river-sea combined transport volume prediction. |
| 参考文献 /References: | [1] 姜颖珲. 外部环境变化对洋山港江海联运运量的影响[D]. 上海: 上海海事大学, 2005. [2] 董文娟, 徐莹. 宁波港“水水中转”发展策略研究[J]. 浙江万里学院学报, 2015, 28(5):13-17. [3] 赵亚鹏, 丁以中. 基于江海联运的长江沿线港口集装箱吞吐量分析预测[J]. 水运工程, 2006(11):1-3. [4] 刘枚莲, 朱美华, 黄键. 港口吞吐量预测影响因素筛选方法研究[J]. 水运工程, 2011(3):76-80. [5] 刘文文. 基于灰色关联铁水含硅量影响因素分析[J]. 中外企业家, 2013(27):228-229. [6] Vapnik V N. The Nature of Statistical Learning Theory: Statistics for Engineering and Information Science[M]. New York: Springer-Verlag, 2000. [7] 戴燚, 王锡淮, 肖健梅. 支持向量机在集装箱吞吐量预测上的应用[J]. 水运工程, 2005(8):18-21; 39. [8] 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016. [9] Elbisy M S. Sea wave parameters prediction by support vector machine using a genetic algorithm[J]. Journal of Coastal Research, 2015, 31(4):892-899. [10] 汪友明, 穆恒星, 徐国宁. 基于改进粒子群优化支持向量机的光伏电池输出功率预测[J]. 电气自动化, 2019, 41(3):63-65; 91. [11] 杨小明, 崔雪, 周斌, 等. 基于粒子群优化支持向量机的短期负荷预测[J]. 武汉大学学报(工学版), 2018, 51 (8):715-720. [12] Subasi A. Classification of EMG signals using PSO optimized SVM for diagnosis of neuromuscular disorders [J]. Computers in Biology and Medicine, 2013, 43(5): 576-586. [13] 白鹏. 支持向量机理论及工程应用实例[M]. 西安: 西安电子科技大学出版社, 2008. [14] 吴琛. 基于时间序列模型的港口集装箱吞吐量预测[J]. 珠江水运, 2019(5):73-74. |
| 备注/Memo: | 收稿日期: 2019－08－09. 宁波大学学报（理工版）网址: http://journallg.nbu.edu.cn/ 基金项目: 国家自然科学基金（61074142）; 国家重点研发计划政府间国合重点专项（2017YFE9134700）; 欧盟地平线2020项目（690713）; 浙江省自然科学基金（LY15E080013）. 宁波大学学报（理工版）网址：http://journallg.nbu.edu.cn/第一作者: 杨丁红（1994－）, 女, 山东莘县人, 在读硕士研究生, 主要研究方向: 江海联运. E-mail: 952692327@qq.com *通信作者: 郑彭军（1965－）, 男, 浙江宁波人, 教授, 主要研究方向: 交通运输与港航管理. E-mail: zhengpengjun@nbu.edu.cn |
