隨著水路運(yùn)輸?shù)某掷m(xù)穩(wěn)定發(fā)展,導(dǎo)致船舶數(shù)量日益增加,水上交通事故潛在風(fēng)險(xiǎn)也隨之增大。因此,建立合適的水上交通事故預(yù)測模型,對理清水上交通事故發(fā)生數(shù)量與事故影響因素之間的復(fù)雜關(guān)系,控制水上交通事故發(fā)生趨勢具有重要的現(xiàn)實(shí)意義。本文首先從定性預(yù)測、定量預(yù)測和組合預(yù)測三個(gè)方面,歸納了水上交通事故預(yù)測方法的研究現(xiàn)狀,介紹了五種單項(xiàng)預(yù)測模型、組合預(yù)測模型的理論和預(yù)測性能評價(jià)方法;應(yīng)用博德理論,深入研究水上交通事故發(fā)生的機(jī)理,運(yùn)用灰色關(guān)聯(lián)分析法,從人為因素、船舶因素、環(huán)境因素、管理因素、經(jīng)濟(jì)因素五個(gè)方面,對水上交通事故的影響因素進(jìn)行定量分析,并找出關(guān)鍵性的影響因素;在綜合分析水上交通系統(tǒng)的非線性、隨機(jī)性、動(dòng)態(tài)性以及不確定性的特點(diǎn)和各單項(xiàng)預(yù)測模型適用性的基礎(chǔ)上,選擇灰色模型和BP神經(jīng)網(wǎng)絡(luò)模型,通過誤差修正技術(shù)的方式進(jìn)行組合,建立組合優(yōu)化模型。最后,以2001年-2014年水上交通事故數(shù)據(jù)為樣本數(shù)據(jù),2015年～2016年水上交通事故數(shù)據(jù)為測試數(shù)據(jù),分別用兩種單項(xiàng)模型和組合優(yōu)化模型進(jìn)行實(shí)例預(yù)測,通過預(yù)測性能評價(jià)方法,比較組合優(yōu)化模型和灰色模型、BP神經(jīng)網(wǎng)絡(luò)模型兩種單項(xiàng)模型的預(yù)測結(jié)果,實(shí)例驗(yàn)證表明:組合優(yōu)化... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖５．１灰色模型預(yù)測值和實(shí)際值??Ｆｉｇ．?５．１?Ｇｒａｙ?ｍｏｄｅｌ?ｐｒｅｄｉｃｔｅｄ?ｖａｌｕｅ?ａｎｄ?ａｃｔｕａｌ?ｖａｌｕｅ??

?基于組合優(yōu)化模型的水上交通事故預(yù)測研究???９００，，能，數(shù)（誤－ｔ＾—屮的，變化網(wǎng)，＿??８００?－，?－??７００?－?－??６００?－??窈?５００?．?－??■?４００?－?－??３００?－?－??２００?－??１００?Ｌ?Ｉ?－??Ｑ???１?Ｉ．－．?？?———?■?，■?■?ｔ－?－?，１?．．??——．＾１———??１０?２０?３０?４０?５０?６０?７０?８０?９０?１００??訓(xùn)練過??圖５．４能量函數(shù)（誤差平方和）變化圖??Ｆｉｇ．?５．４?Ｃｈａｎｇｅ?ｇｒａｐｈ?ｏｆ?ｅｎｅｒｇｙ?ｆｕｎｃｔｉｏｎ?（ｓｕｍ?ｏｆ?ｓｑｕａｒｅｄ?ｅｒｒｏｒｓ）??通過基于ＢＰ神經(jīng)網(wǎng)絡(luò)的水上交通事故預(yù)測模型，我們可以計(jì)算得到２０１５年水上交??通事故數(shù)為２５２，２０１６年水上交通事故數(shù)為２５３，平均相對誤差為０．２３９８，神經(jīng)網(wǎng)絡(luò)模??型精度高于灰色模型。??５．?３基于組合優(yōu)化模型的水上交通事故預(yù)測實(shí)例??基于組合優(yōu)化模型的水上交通事故預(yù)測的計(jì)算步驟如下：??（１）本文首先運(yùn)用灰色對２００１年－２０１４年全國水上交通事故數(shù)進(jìn)行預(yù)測，預(yù)測結(jié)??果序列如表５．４所示；??（２）將原始事故序列；與預(yù)測結(jié)果序列；＾）作差，得到殘差序列＜／）；??（３）將殘差序列輸入到優(yōu)化過的ＢＰ神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進(jìn)行訓(xùn)練學(xué)習(xí)，最終預(yù)測??得到２０１５年和２０１６年水上交通事故數(shù)。??基于遺傳算法優(yōu)化的ＢＰ神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)設(shè)置如下：??一、種群的初始化：本文采用的ＢＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸入層節(jié)點(diǎn)數(shù)為４，輸出層節(jié)點(diǎn)??數(shù)為１，因此種群規(guī)模為２０。??二、適應(yīng)度函數(shù)：本文將神經(jīng)網(wǎng)絡(luò)

【參考文獻(xiàn)】：
期刊論文
[1]基于灰色BP神經(jīng)網(wǎng)絡(luò)組合模型的水上交通事故數(shù)預(yù)測[J]. 范中洲,趙羿,周寧,趙沖,張文燁.  安全與環(huán)境學(xué)報(bào). 2020(03)
[2]長江干線水上交通事故的灰色分析與預(yù)測[J]. 徐東星,尹勇,張秀鳳,孫珽,葉進(jìn).  中國航海. 2019(02)
[3]水上交通事故組合預(yù)測模型的構(gòu)建及應(yīng)用[J]. 王當(dāng)利,王雪佳,呂雪,楊馨穎.  武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版). 2019(03)
[4]一階多變量灰色預(yù)測模型GM（1,N）應(yīng)用實(shí)證分析[J]. 蔡素麗.  哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào). 2019(01)
[5]基于灰色馬爾科夫模型的船舶交通流預(yù)測[J]. 劉成勇,萬偉強(qiáng),陳蜀喆,甘浪雄.  中國航海. 2018(03)
[6]改進(jìn)灰色模型在海上交通綜合安全指數(shù)預(yù)測應(yīng)用[J]. 陳昌源,戴冉,馮紀(jì)軍,岳興旺,張杰.  中國航海. 2017(01)
[7]基于德爾菲法和預(yù)先危險(xiǎn)性分析的船舶引航風(fēng)險(xiǎn)源辨識(shí)[J]. 梁肇基,王晨,江福才.  港口經(jīng)濟(jì). 2017(03)
[8]基于ARIMA模型的水上交通事故預(yù)測[J]. 張艷艷,劉曉佳,熊子龍,張可.  中國水運(yùn)(下半月). 2017(02)
[9]加權(quán)灰色關(guān)聯(lián)理論模型在遼寧海上交通事故分析與預(yù)測中的應(yīng)用[J]. 牛佳偉,李連博,陳昌源,林威.  上海海事大學(xué)學(xué)報(bào). 2016(01)
[10]道路交通事故發(fā)生機(jī)理研究現(xiàn)狀與趨勢分析[J]. 李淑慶,彭囿朗,肖莉英,孟思夢,王鵬,徐繼鵬.  安全與環(huán)境學(xué)報(bào). 2014(03)

博士論文
[1]水上交通事故致因問題研究[D]. 張麗麗.大連海事大學(xué) 2017
[2]組合預(yù)測方法及其應(yīng)用研究[D]. 馬濤.蘭州大學(xué) 2017
[3]基于馬爾可夫鏈的道路交通事故預(yù)測研究及應(yīng)用[D]. 趙玲.長安大學(xué) 2013

碩士論文
[1]基于IOWA算子的水上交通事故組合預(yù)測方法研究[D]. 呂雪.武漢理工大學(xué) 2018
[2]基于改進(jìn)灰色系統(tǒng)和GABP網(wǎng)絡(luò)組合模型的事故預(yù)測[D]. 胡凱.中國計(jì)量大學(xué) 2018
[3]遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在連云港港口吞吐量預(yù)測中的應(yīng)用研究[D]. 楊客.深圳大學(xué) 2017
[4]基于時(shí)間權(quán)重的船舶事故組合預(yù)測分析[D]. 王雅欽.集美大學(xué) 2017
[5]組合預(yù)測模型的研究與應(yīng)用[D]. 李佩.武漢理工大學(xué) 2017
[6]基于Apriori算法的船舶碰撞事故致因分析[D]. 孫斌.大連海事大學(xué) 2016
[7]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的乳化器故障預(yù)警系統(tǒng)的研究[D]. 陸康健.杭州電子科技大學(xué) 2016
[8]基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)股票價(jià)格預(yù)測[D]. 張希影.青島科技大學(xué) 2014
[9]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化研究及MATLAB仿真[D]. 任謝楠.天津師范大學(xué) 2014
[10]基于德爾菲法的技術(shù)預(yù)見[D]. 曲鐘陽.大連理工大學(xué) 2013



本文編號(hào)：3453952