隨著水路運輸?shù)某掷m(xù)穩(wěn)定發(fā)展,導致船舶數(shù)量日益增加,水上交通事故潛在風險也隨之增大。因此,建立合適的水上交通事故預測模型,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雜關系,控制水上交通事故發(fā)生趨勢具有重要的現(xiàn)實意義。本文首先從定性預測、定量預測和組合預測三個方面,歸納了水上交通事故預測方法的研究現(xiàn)狀,介紹了五種單項預測模型、組合預測模型的理論和預測性能評價方法;應用博德理論,深入研究水上交通事故發(fā)生的機理,運用灰色關聯(lián)分析法,從人為因素、船舶因素、環(huán)境因素、管理因素、經(jīng)濟因素五個方面,對水上交通事故的影響因素進行定量分析,并找出關鍵性的影響因素;在綜合分析水上交通系統(tǒng)的非線性、隨機性、動態(tài)性以及不確定性的特點和各單項預測模型適用性的基礎上,選擇灰色模型和BP神經(jīng)網(wǎng)絡模型,通過誤差修正技術的方式進行組合,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),分別用兩種單項模型和組合優(yōu)化模型進行實例預測,通過預測性能評價方法,比較組合優(yōu)化模型和灰色模型、BP神經(jīng)網(wǎng)絡模型兩種單項模型的預測結果,實例驗證表明:組合優(yōu)化... 

【文章來源】：大連海事大學遼寧省 211工程院校

【文章頁數(shù)】：59 頁

【學位級別】：碩士

【部分圖文】：

圖５．１灰色模型預測值和實際值??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)絡的水上交通事故預測模型，我們可以計算得到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測實例??基于組合優(yōu)化模型的水上交通事故預測的計算步驟如下：??（１）本文首先運用灰色對２００１年－２０１４年全國水上交通事故數(shù)進行預測，預測結??果序列如表５．４所示；??（２）將原始事故序列；與預測結果序列；＾）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)絡預測模型中進行訓練學習，最終預測??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)絡預測模型參數(shù)設置如下：??一、種群的初始化：本文采用的ＢＰ神經(jīng)網(wǎng)絡結構輸入層節(jié)點數(shù)為４，輸出層節(jié)點??數(shù)為１，因此種群規(guī)模為２０。??二、適應度函數(shù)：本文將神經(jīng)網(wǎng)絡

【參考文獻】：
期刊論文
[1]基于灰色BP神經(jīng)網(wǎng)絡組合模型的水上交通事故數(shù)預測[J]. 范中洲,趙羿,周寧,趙沖,張文燁.  安全與環(huán)境學報. 2020(03)
[2]長江干線水上交通事故的灰色分析與預測[J]. 徐東星,尹勇,張秀鳳,孫珽,葉進.  中國航海. 2019(02)
[3]水上交通事故組合預測模型的構建及應用[J]. 王當利,王雪佳,呂雪,楊馨穎.  武漢理工大學學報(交通科學與工程版). 2019(03)
[4]一階多變量灰色預測模型GM（1,N）應用實證分析[J]. 蔡素麗.  哈爾濱師范大學自然科學學報. 2019(01)
[5]基于灰色馬爾科夫模型的船舶交通流預測[J]. 劉成勇,萬偉強,陳蜀喆,甘浪雄.  中國航海. 2018(03)
[6]改進灰色模型在海上交通綜合安全指數(shù)預測應用[J]. 陳昌源,戴冉,馮紀軍,岳興旺,張杰.  中國航海. 2017(01)
[7]基于德爾菲法和預先危險性分析的船舶引航風險源辨識[J]. 梁肇基,王晨,江福才.  港口經(jīng)濟. 2017(03)
[8]基于ARIMA模型的水上交通事故預測[J]. 張艷艷,劉曉佳,熊子龍,張可.  中國水運(下半月). 2017(02)
[9]加權灰色關聯(lián)理論模型在遼寧海上交通事故分析與預測中的應用[J]. 牛佳偉,李連博,陳昌源,林威.  上海海事大學學報. 2016(01)
[10]道路交通事故發(fā)生機理研究現(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)境學報. 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 2017
[2]組合預測方法及其應用研究[D]. 馬濤.蘭州大學 2017
[3]基于馬爾可夫鏈的道路交通事故預測研究及應用[D]. 趙玲.長安大學 2013

碩士論文
[1]基于IOWA算子的水上交通事故組合預測方法研究[D]. 呂雪.武漢理工大學 2018
[2]基于改進灰色系統(tǒng)和GABP網(wǎng)絡組合模型的事故預測[D]. 胡凱.中國計量大學 2018
[3]遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡在連云港港口吞吐量預測中的應用研究[D]. 楊客.深圳大學 2017
[4]基于時間權重的船舶事故組合預測分析[D]. 王雅欽.集美大學 2017
[5]組合預測模型的研究與應用[D]. 李佩.武漢理工大學 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 2016
[7]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的乳化器故障預警系統(tǒng)的研究[D]. 陸康健.杭州電子科技大學 2016
[8]基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡股票價格預測[D]. 張希影.青島科技大學 2014
[9]基于遺傳算法的BP神經(jīng)網(wǎng)絡的優(yōu)化研究及MATLAB仿真[D]. 任謝楠.天津師范大學 2014
[10]基于德爾菲法的技術預見[D]. 曲鐘陽.大連理工大學 2013



本文編號：3453952