基于bp人工神经网络的船舶交通流量预测研究

《基于bp人工神经网络的船舶交通流量预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、武汉理工大学硕士学位论文基于BP人工神经网络的船舶交通流量预测研究姓名：王东申请学位级别：硕士专业：交通信息工程及控制指导教师：熊锡龙20090601武汉理工大学硕士学位论文摘要船舶交通流量预测是将水运工程技术和经济预测技术有效结合起来的一个新兴的学科领域。近年来，我国沿海及长江流域的各条“黄金水道”船舶交通流量迅速增加，一方面为我国的经济、社会发展做出了重要的贡献，另一方面，由于船舶交通流量的增加，水上交通事故频发，造成了巨大的损失，这就对各水道或航道的规划设计和通航管理提出了更高的要求。船舶交通流量预测的研究就是为水道的规划、设计和船舶通航管理提供基础性依据。由此，本文从一

2、个全新的研究视角建立BP人工神经网络模型来预测船舶交通流量。首先，本文对船舶交通流量预测的研究背景、研究目的及意义做了论述，对国内外研究现状作了综述，并对论文的研究思路及方法进行了阐述说明。其次，运用系统工程的相关原理分析了影响船舶交通流量的因素，为船舶交通流量预测模型提供了预测基础。第三，论文对人工神经网络的发展概况、相关概念和理论做了介绍，进而引出BP人工神经网络，阐述了BP算法的数学描述、基于BP神经网络应用于预测的原理，提出了预测研究步骤及预测可行性。然后，详细论述了基于BP神经网络的船舶交通流量预测模型的构建。主要包括以下几方面内容：探讨建立基于BP神经网络的预测模型

3、的关键技术，包括样本的选取与预处理、输入输出变量的选取、隐层节点数的确定、初始权和阈值的选取、激活函数、训练算法与参数的选取，最后建立合理的网络模型。第四，论文以深圳港为实例，以历年船舶交通流量和相关的影响数据为实例样本，借助MATLAB人工神经网络工具箱建立了基于神经网络预测模型。对预测值和实际值迸行了比较和分析论述。通过对深圳港船舶交通流量预测实例的验证，证明该方法在一定误差范围内揭示了船舶交通流量与影响因素之『白J的关系，可用于未来船舶交通流量的预测中。最后，作者对全文的内容作了总结，指出了本文的主要研究成果，并对下一步的研究工作指明了方向。关键词：船舶交通流量；预测模型

4、；人工神经网路；BP网络武汉理1=大学硕士学位论文AbstractShiptrafficvolumeforecastingisanewdomainwhichcombineswatertrafficengineeringwimeconomicforecasting．Inrecentyears，shiptrafficvolumeoftheimportantchannelsincludingthecivilinshoreandChang]iangriverhasbeenincreasedrapidly．Ononehand，thesechannelscontributegreatlyt

5、oeconomicandsocialdevelopment．Ontheotherhand，increasedvolumecausedamassofaccidentsandLosswhichrequiresahigherstandardonchannelprogrammingandsafetymanagement，Shiptrafficvolumeforecastingisthesciencetoprovidefoundationtothecharmelprogrammingandsafetymanagement．Therefore,thethesisbuildsaBPNeura

6、lNetworkmodeltoforecasttheshiptrafficvolumefromabrand-newresearchpointofview．Firstly,thisthesiscommentsthebackground，purposeandignificanceoftheresearch。Itsumsupthecurrentsituationstudyingofhomeandabroad，expoundsthethoughtandmethodoftheresearch．Secondly,usingthetheoryofsystemengineeringfindou

7、tthefactorsthatinfluenceshiptrafficvolume，itprovidesthefundamentaltobuildthemodelofshiptrafficvolumeforecasting．Thirdly,thethesisintroducesthehistoryandfundamentalprincipleofArtificialNeuralNetworks．andthenextracttheBPArtificialNeuralNetworks．Itexp