研究港口吞吐量的论文

　　研究港口吞吐量数据，对港口发展是有利的，很多学者也会发表这方面的论文，有的是期刊论文，有的是学位论文，有的是会议论文，今天学术顾问在这里整理了几篇港口吞吐量的论文，发表论文的人员可作为参考：

　　论文一、基于改进多层感知机模型的港口吞吐量预测研究

　　摘要精确的港口货物吞吐量预测对于港口的发展至关重要。本文提出了改进粒子群优化去尾均值多层感知机模型对上海港货物吞吐量进行预测。选取了影响上海港货物吞吐量的十个因素进行训练,实验结果表明该预测模型的预测性能明显优于传统MLP预测模型和基本的粒子群优化多层感知机模型。对该预测模型的误差分析和收敛性分析表明该预测模型可靠。

　　出处《软件工程》 2021年第3期39-42,35,共5页

　　关键词粒子群算法 去尾均值 多层感知机 港口吞吐量预测

　　论文二、基于EMD方法的深圳港港口吞吐量研究

　　摘要改革开放以来,中国各行各业在经济方面得到了极大发展[1]。拥有大型港口的城市经济情况更是实现了飞跃式增长。但是对于港口吞吐量的研究预测具有一定局限性。因此,本文利用经验模态分解(EMD)方法对深圳港口吞吐量进行了研究,有助于更加准确进行预测[2]。

　　出处《中国水运》 2021年第10期21-22,共2页

　　关键词港口吞吐量 经验模态分解 深圳港

　　论文三、港口吞吐量预测影响因素筛选方法研究

　　摘要物流预测指标的筛选是物流需求预测工作的首要步骤。对港口吞吐量及其影响因素进行了分析,提出了预测指标的筛选原则和筛选方法,并以广西北部湾港口为例,利用2000—2008年的统计数据,采用灰色关联分析法和DPS数据处理软件工具求出各因素与港口吞吐量以及各因素之间的灰色关联度,最后根据筛选原则选出一组相关性强、结构合理的港口吞吐量预测指标。

　　关键词港口吞吐量 影响因素 预测指标筛选 灰色关联分析法

　　论文四、基于Adaboost的改进Elman神经网络港口吞吐量预测方法

　　摘要为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测。首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型。经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习。以宁波-舟山港2011—2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度。研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91%,最小值0.06%,可以将预测误差控制在2%以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法。

　　出处《重庆交通大学学报：自然科学版》 CAS CSCD 北大核心 2021年第5期1-5,共5页

　　基金国家自然科学基金项目(51579025)。

　　关键词交通运输工程 港口吞吐量 ADABOOST算法 ELMAN神经网络 动态预测

　　以上都是研究港口吞吐量的论文，除此之外还有很多的期刊论文，毕业论文，不同作者需求是不一样的，更多相关的论文详情可随时和在线学术顾问沟通。