船舶交通流量预测的灰色神经网络模型,本文是一篇关于灰色论文范文，可作为相关选题参考,和写作参考文献。
灰色论文参考文献：
摘 要：为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播（BackPropagation,BP）神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明：灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型；该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.
关键词：船舶交通量； 灰色模型； 神经网络
中图分类号： U691.32；U698.5；TP183
文献标志码： A
Abstract：In order to reduce the error and improve the accuracy of ship traffic flow prediction, a Grey neural network model is constructed based on the analysis of the advantages and disadvantages of the traditional Grey model and BackPropagation （BP） neural network model. The real measured data are used as initial data to construct different Grey models. Various prediction results of these models are used as the input of the neural network, and then the optimized prediction model is obtained. A case study shows that the Grey neural network model can improve prediction accuracy, is of good prediction results and better than the single prediction model. The model requires less initial data, is of strong nonlinear fitting ability, and is feasible and effective for the ship traffic flow prediction.
Key words：ship traffic flow； Grey model； neural network
0引言
准确预测繁忙水道的船舶交通流量可为港口和航道管理部门提供可靠的数据,对缓解船舶交通拥堵、提高通航效率以及船舶交通管理系统（Vessel Traffic Services, VTS）服务水平等有重要的参考价值,同时可为减少船舶交通事故提供重大帮助.影响船舶交通流量的因素多且复杂,宏观上主要包括水域所在的自然环境、航运市场状况、世界经济和国家政策等,微观上主要包括港口规划、航道水深及尺度、分道通航制、交通管理的实施、船舶类型及吨位等,而且各种因素的作用机制很难用准确的数学语言描述,因此对船舶交通流量的预测是一个复杂的非线性系统问题.目前,常用的预测船舶交通流量的方法主要有灰色模型、线性回归分析[1]、神经网络[2]、极大似然估计、组合预测模型[3]、支持向量机[4]等,但这些单一的预测方法都有一定的局限性,预测误差较大,难以满足预测要求.
灰色系统理论预测模型所需数据量较少,计算方法简单,不需要太多的关联因素,可用于短、中、长期预测；神经网络具有自学习、非线性映射以及并行分布处理的能力.本文将这两种方法相结合,发挥各自优势,避免其局限性,从而提高船舶交通流量预测精度.
1预测模型的构建
1.1建模原理
灰色系统理论是根据部分信息已知、部分信息未知的历史数据,建立一个能够表达信息发展的灰色模型（Grey Model,GM）,揭示信息未来发展规律并进行预测.[5] 目前,灰色预测方法在各领域的应用非常广泛,但是该方法缺乏自学习、自组织和自适应能力,处理信息的能力较差,难以对预测误差进行控制.
神经网络是一种通过模仿动物神经网络行为特征,对信息进行并行分布处理的算法数学模型.[6]神经网络预测模型具有很强的非线性映射能力,能够对输出误差进行反馈校正,在一定条件下能够任意逼近模型,预测精度非常高,其中以反向传播神经网络（BackPropagation Neural Network,BPNN）的应用最为广泛和成功.[7]然而,这种模型也有缺点,反向传播（BackPropagation,BP）算法是一种梯度搜索算法,网络的权值是沿着局部改善的方向逐渐进行调整的,这样会使算法陷入局部极小值问题,从而导致网络训练失败.
本文将灰色系统理论与神经网络相结合,构建灰色神经网络（Grey Neural Network, GNN）模型对船舶交通流量进行预测,充分发挥这两种方法的优势.
1.2模型构建
2实例及数据分析
采用江苏镇江尹公洲断面2012年3月1日—4月10日共41 d的船舶交通流量数据作为实验数据验证模型,设计GM1,GM2,GM3,BPNN模型和GNN模型,应用前31 d的数据作为初始数据,预测后10 d内的船舶交通流量.GM1,GM2和GM3建模所用的时间序列长度分别为10,8和6,为确保预测精度,采用等维递推滚动预测方法[910],即每次预测一个船舶交通流量后,添加一个新的数据,去掉最早的一个数据,以保持数据序列等维,重新建模预测下一个值,这样依次递补进行预测.
结论：关于对写作灰色论文范文与课题研究的大学硕士、相关本科毕业论文灰色论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
基于BP神经网络模型人才考核评价
摘 要：人才工作考核评价是对人才素质、业绩和人才价值的综合测评。多年的人才管理工作实践表明，引入科学的人才评价体系是人才资源有效开发的前提和开展。
神经网络模型理论的简要
摘要：本文系统地介绍了神经网络模型中径向基函数网络模型的数学理论，包括他的原理，算法步骤和实证过程。关键词：神经网络模型 径向基函数网络人工。
基于MATLAB动态神经网络进行时间序列预测房地产价格
摘 要：文章以MATLAB动态神经网络为前提，采用时间序列预测方法进行房地产价格预测。采用全国平均房地产价格为基础样本，利用训练样本和基础样本。
基于改进RBF神经网络矿井瓦斯涌出量预测
摘 要：介绍了瓦斯涌出量对矿井安全的影响及一种改进的RBF算法——IRBF算法，借助Matlab软件利用BP算法、传统RBF算法及IRBF算法对。