CN112949932B - 船舶交通流预测方法、装置、计算机设备及存储介质 - Google Patents

船舶交通流预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112949932B
CN112949932B CN202110305108.1A CN202110305108A CN112949932B CN 112949932 B CN112949932 B CN 112949932B CN 202110305108 A CN202110305108 A CN 202110305108A CN 112949932 B CN112949932 B CN 112949932B
Authority
CN
China
Prior art keywords
prediction
model
improved
gray
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110305108.1A
Other languages
English (en)
Other versions
CN112949932A (zh
Inventor
陈鹏
赵益智
龚茂珣
王蕾
杨劲松
李修楠
裴军峰
郑罡
陈括
任林
戴文娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second Institute of Oceanography MNR
Original Assignee
Second Institute of Oceanography MNR
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Second Institute of Oceanography MNR filed Critical Second Institute of Oceanography MNR
Priority to CN202110305108.1A priority Critical patent/CN112949932B/zh
Publication of CN112949932A publication Critical patent/CN112949932A/zh
Application granted granted Critical
Publication of CN112949932B publication Critical patent/CN112949932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种船舶流量预测方法、装置、计算机设备及存储介质，该方法包括获取各个时间段遥感影像各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据；将初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果；改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的；改进的马尔科夫模型是通过改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的。本发明实现使用不等时间间距的数据进行预测，可同步预测多种不同类型的船舶数量，考虑了环境因素，预测的准确率高。

Description

船舶交通流预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及船舶流量预测方法，更具体地说是指船舶流量预测方法、装置、计算机设备及存储介质。
背景技术
目前，国内外学者关于交通流量预测的理论方法很多，用于船舶流量预测的方法主要包括灰色预测模型、回归模型、BP(反向传播，Back Propagation)神经网络预测模型、卡尔曼滤波预测模型、趋势外推预测方法、马尔科夫模型、灰色马尔科夫模型等，其中，采用灰色马尔科夫模型时，马尔科夫预测模型中的转移概率矩阵可有效地反映随机因素的波动程度，可以弥补建模数据波动性给传统和优化灰色预测模型带来的局限性。采用构建的灰色马尔科夫预测模型，大大提高了模型的预测精度和预测能力，改善了模型的稳定性，拓展了其适用范围。
在交通流量预测方面，灰色马尔科夫模型更具优势，研究者大多直接利用灰色马尔科夫模型，或对灰色马尔科夫模型进行改进，或将灰色马尔科夫模型与其他理论模型相结合，来预测道路交通流及道路交通事故数量等。比如利用灰色马尔科夫模型对现有道路断面或交叉口进行短时交通流量预测，能满足短时交通流量预测的精度要求。而利用灰色马尔科夫模型对船舶交通流量进行预测的研究仍处于探索阶段。
基于灰色马尔科夫模型的船舶交通流预测的步骤如下：首先运行灰色模型，选取各月平均船舶交通流量数据作为预测的原始时间序列，利用灰色模型进行预测，获取预测的各月平均船舶交通流量；其次运行马尔科夫模型，此过程首先进行状态划分，对比预测的各月平均船舶交通流量与原始数据，利用各月份两者之间相对误差的大小等间距的划分为多个状态，再建立状态概率转移矩阵，再利用状态概率转移矩阵计算下一时刻灰色模型预测值所处的状态，对灰色模型预测的值进行修正，修正后即可得出灰色马尔科夫预测结果。
但是上述的方式所使用的数据为等时间间距的数据，仅限于对单一数据进行预测，不能设置具体的预测时间，只能在返回的预测数据列中通过计数的方式找到想要预测的时间点，操作不便捷，再者船舶在航行中会受到交通环境、港口布局、港口水域条件、港口的交通流组织与调度等各种因素的影响。现有技术在预测船舶流量时，仅考虑了船舶流量这一单一变量，预测准确率低。
因此，有必要设计一种新的方法，实现使用不等时间间距的数据进行预测，可针对多种不同类型的船舶数量进行同步预测，且考虑了环境因素，预测的准确率高。
发明内容
本发明的目的在于克服现有技术的缺陷，提供船舶流量预测方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：船舶流量预测方法，包括：
获取各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据；
将所述初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果；
其中，所述改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的；所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
其进一步技术方案为：所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的，包括：
获取各个时间段遥感影像中各类执法船的数量以及每日的环境数据，以得到样本集；
对样本集进行预处理，以得到目标数据序列；
根据目标数据序列采用最小二乘法确定所述改进的灰度预测模型的参数；
根据所述参数构建改进的灰度预测模型。
其进一步技术方案为：所述对样本集进行预处理，以得到目标数据序列，包括：
按照遥感影像的时间顺序对各个时间段遥感影像上各类执法船的数量进行排序，结合每日的环境数据，生成多列原始数据序列；
对多列原始数据序列进行累加，以得到目标数据序列。
其进一步技术方案为：所述根据所述参数构建改进的灰度预测模型，包括：
将所述参数代入白化微分方程，以得到中间模型；
对中间模型进行累减还原，以得到改进的灰度预测模型。
其进一步技术方案为：所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值，包括：
按照所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量进行状态区间划分，并对各类执法船的数量以及每日的环境数据进行状态划分；
建立状态转移概率矩阵；
对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
其进一步技术方案为：所述建立状态转移概率矩阵，包括：
确定初始转移矩阵；
按照比例系数对初始转移矩阵进行相乘，以得到状态转移概率矩阵。
其进一步技术方案为：所述对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型，包括：
对每个状态区间取中间值，结合所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
本发明还提供了船舶流量预测装置，包括：
初始数据获取单元，用于获取各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据；
预测单元，用于将所述初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果；
其中，所述改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的；所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过输入各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，利用改进的灰色马尔科夫模型对输入的初始数据进行预测，而改进的灰色马尔科夫模型在预测过程中，使用不等时间间距的数据进行预测，能够同步预测某个港口多类执法船的变动情况，结合风、浪、降水、气温等海况以及天气因素，可指定遥感监测的最后时间点的设定天数之内的具体一天作为预测时间，还可设定预测持续的天数，实现了基于时序遥感监测的港口执法船流量的预测，实现了使用不等时间间距的数据进行预测，可针对多种不同类型的船舶数量进行同步预测，且考虑了环境因素，预测的准确率高。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的船舶流量预测方法的应用场景示意图；
图2为本发明实施例提供的船舶流量预测方法的流程示意图；
图3为本发明实施例提供的船舶流量预测方法的子流程示意图；
图4为本发明实施例提供的船舶流量预测方法的子流程示意图；
图5为本发明实施例提供的船舶流量预测方法的子流程示意图；
图6为本发明实施例提供的船舶流量预测方法的子流程示意图；
图7为本发明实施例提供的船舶流量预测方法的子流程示意图；
图8为本发明实施例提供的马尔科夫链的示意图；
图9为本发明实施例提供的船舶流量预测装置的示意性框图；
图10为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的船舶流量预测方法的应用场景示意图。图2为本发明实施例提供的船舶流量预测方法的示意性流程图。该船舶流量预测方法应用于服务器中。该服务器与、应用探测仪器、终端进行数据交互，通过从应用探测仪器处获取各个时间段遥感影像上各类执法船的数量，并结合输入的环境数据、预测时间以及预测天数，由服务器进行船舶流量的预测，并将预测得到的预测结果反馈至终端。
图2是本发明实施例提供的船舶流量预测方法的流程示意图。如图2所示，该方法包括以下步骤S110至S120。
S110、获取各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据。
遥感影像是指采用应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析和揭示出物体的特征性质及其变化的综合性探测技术获取到的港口各类执法船的数量，
在本实施例中，环境数据包括风速、浪高、降水量、气温等海况以及天气因素；预测时间是针对哪一时间段进行船舶流量预测；预测天数是指针对哪几天的港口各类执法船的流量进行预测。
本实施例可使用不等时间间距的数据进行预测；能够同步预测某个港口多类执法船的变动情况；结合风、浪、降水、气温等海况以及天气因素；可指定遥感监测的最后时间点的30天之内的具体一天作为预测时间，还可设定预测持续的天数；实现了基于时序遥感监测的港口执法船流量的预测。
设置了可输入具体预测时间以及持续天数的输入框，使用编程语言提取了设定的时间以及持续天数内的预测值，弥补了现有技术在预测中不能设置具体的预测时间，只能在返回的预测数据列中通过计数的方式找到想要预测的时间点，操作不便捷这一缺陷。构建多因素概率转移矩阵对执法船数量进行预测。
S120、将所述初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果。
在本实施例中，预测结果是指在预测时间和预测天数内根据各类执法船的数量以及环境数据预测所得的港口各类执法船的流量。
其中，所述改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的；所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
所述改进的灰色马尔科夫模型采用的是灰色预测方式，灰色预测方式是一种对含有不确定因素的系统进行预测的方法。灰色预测方式通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。
改进的灰色预测模型主要针对数量非常少，且数据完整性和可靠性较低的数据序列进行有效预测，其本质是通过微分方程来挖掘数据的本质，建模所需信息少，精度较高，运算简便，易于检验，也不需要考虑分布规律或变化趋势等因素。但灰色预测模型一般只适用于短期或指数增长情况下的预测，对波动性大的数据预测精度低，且难以消除指数偏差带来的影响。
改进的马尔可夫模型的预测原理是根据某些变量的显著状态及其变化趋势,预测其在未来某一特定期间内可能出现的状态，适合于随机波动性较大、中长期事件变量的预测。但改进的马尔可夫模型还要求预测的对象具有平稳过程等均值特点,而实际中遇到的预测问题是随时间变化呈现某种变化趋势的非平稳随机过程,时序数据总是围绕变化趋势出现波动而产生一定的偏差。
采用改进的马尔科夫模型与改进的灰色模型相结合的改进的灰色马尔科夫预测模型时，改进的马尔科夫模型中的转移概率矩阵可有效地反映随机因素的波动程度，可以弥补建模数据波动性给传统和优化灰色预测模型带来的局限性。采用构建的灰色马尔科夫预测模型，大大提高了模型的预测精度和预测能力，改善了模型的稳定性，拓展了其适用范围。
在进行船舶流量预测时，主要是为了对船舶行为进行分析，船舶行为是指船舶群体的同类行动的规律与方式，并非某一船舶的某一具体行为。船舶行为包括正常航行行为、紧急突发情况下的船舶非常态航行行为、船舶作业行为和船舶的锚泊行为等。影响船舶行为的要素有船舶驾驶员、船舶、交通环境、港口布局、港口水域条件、港口的交通组织与调度等。同时局部海域及港口执法船的变动还受现实中的多种因素影响,如季节、气候、经济、天气情况等,都会对执法船的变动情况带来直接或间接的影响。
改进的灰色马尔科夫模型对现有技术的灰色马尔科夫模型进行改进，在输入执法船数量的同时输入了海况以及天气要素等信息，综合考虑了多方面因素，以提高整个预测准确率。
灰色系统理论与方法的核心是灰色预测模型，其特点是生成函数和灰色微分方程。灰色预测模型是以灰色生成函数概念为基础，以微分拟合为核心的建模方法。灰色系统理论认为：一切随机量都是在一定范围内、一定时段上变化的灰色量和灰过程，对于灰色量的处理不是寻求它的统计规律和概率分布，而是将杂乱无章的原始数据列，通过一定的方法处理，变成比较有规律的时间序列数据，即以数找数的规律，再建立灰色预测模型。对于原始数据以一定方法进行处理，其目的有二：一是为建立灰色预测模型提供中间信息；二是将原始数据的波动性弱化。灰色GM(1，1)预测模型是最常用的灰色预测模型。
在一实施例中，请参阅图3，上述的所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的，可包括步骤S111～S114。
S111、获取各个时间段遥感影像中各类执法船的数量以及每日的环境数据，以得到样本集。
在本实施例中，样本集是指各个时间段遥感影像上各类执法船的数量以及每日的环境数据构成的集合。
使用不等时间间距的数据进行预测。在遥感数据量充足的情况下，对缺乏数据的少数天自动进行数据插值，使其满足改进的灰色马尔科夫模型的使用条件，可对港口多种类型的船舶数量进行同步预测，设有多个数据通道，可对多个数据源进行同步处理。
S112、对样本集进行预处理，以得到目标数据序列。
在本实施例中，目标数据序列是指按照按遥感影像的时间顺序输入遥感影像中各类执法船的数量，同时输入每日的风速、浪高、天气要素等数据，形成的数据序列再进行累加形成的序列。
在一实施例中，请参阅图4，上述的步骤S112可包括步骤S1121～S1122。
S1121、按照遥感影像的时间顺序对各个时间段遥感影像上各类执法船的数量进行排序，结合每日的环境数据，生成多列原始数据序列。
在本实施例中，多列原始数据序列是指按照按遥感影像的时间顺序输入遥感影像中各类执法船的数量，同时输入每日的风速、浪高、天气要素等数据形成的序列。
多列原始数据序列为x(0)＝{x(0)(1)，x(0)(2)，...，x(0)(n)}，其中，n为序列长度，x(0)(1)，，x(0)(2)，...，x(0)(n)指的是遥感影像中各类执法船的数量，以及对应的每日的风速、浪高、天气要素等数据。
S1122、对多列原始数据序列进行累加，以得到目标数据序列。
在本实施例中，将x(0)＝{x(0)(1)，x(0)(2)，...，x(0)(n)}进行累加，弱化数据的随机性和波动性，增加信息白化度，呈现出一定的规律性，得x(1)＝{x(1)(1)，x(1)(2)，...，x(1)(n)}，其中：k为自然数。
S113、根据目标数据序列采用最小二乘法确定所述改进的灰度预测模型的参数。
在本实施例中，对X(1)建立GM(1，1)模型，解得对应的微分方程为：其中，发展灰数a、内生控制灰数b为待求的灰色模型的参数，记为A＝[a b]T，并利用最小二乘法确定参数：A＝(BTB)(-1)BTY＝[a b]T；
构造的数据矩阵B、Y如下所示，其中，B矩阵的第一列为X(1)的紧邻均值生成序列。
由此，确定改进的灰度预测模型的参数a和b。
S114、根据所述参数构建改进的灰度预测模型。
在一实施例中，请参阅图5，上述的步骤S114可包括步骤S1141～S1142。
S1141、将所述参数代入白化微分方程，以得到中间模型。
在本实施例中，中间模型是指将参数a和b代入白化微分方程所得的模型。
S1142、对中间模型进行累减还原，以得到改进的灰度预测模型。
将参数a和b代入到由白化微分方程得到预测模型：
其中，/>为灰色模型最终预测值的累加，/>
经过累减还原得到改进的灰度预测模型其中，/>为灰色模型计算得到的预测值。
在一实施例中，请参阅图6，上述的改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值，可包括步骤S210～S230。
S210、按照所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量进行状态区间划分，并对各类执法船的数量以及每日的环境数据进行状态划分。
具体地，马尔可夫预测法的基本原理有两个主要内容，即方法的基本思想和体现基本思想的预测模型。关于这种方法，马尔可夫通过实践认为世界上无论是社会领域还是自然领域，有一类事物的变化过程只与事物的近期状态有关，与事物的过去状态无关。事物的这种性质称之为无后效性。例如事物S从初始状态S0起，其变动过程的状态可记为S1，S2，......，Sn-2，Sn-1，Sn。事物经过n次变动后，第n次变动的结果，仅仅与近期(n-1)次的结果有关，与(n-1)次以后的各种变动无关，即某一次变动只能影响到它的下一期，再往后就没有影响了。这就叫做状态转移的无后效性。如果n个连续变动的事物，在变动的过程中，其中任一次变动的结果都具有无后效性，这n个连续变动事物的集合叫做马尔可夫链，如下图8所示。
遵从马尔可夫基本思想变动的事物，应具有两个主要特点：
一是表明事物在过程中的变动是随机的，因此，马尔可夫过程是一个随机变动的过程；
二是事物每一次变动的结果都具有状态转移的无后效性。
马尔可夫过程是状态空间中从一个状态到另一个状态的转换的随机过程，该过程是研究一个系统的状况及其转移的理论。系统根据概率分布，可以从一个状态变到另一个状态，也可以保持当前状态。状态的改变叫做转移，与不同的状态改变相关的概率叫做转移概率。它可以通过对不同的初始状态以及状态之间的转移概率确定状态间的变化趋势，从而达到预测的目的。
设C(t)，t∈T为随机过程，若在t1，t2，...，tn(t1＜t2＜...＜tn∈T)时刻观测得到相应的观测值C1，C2，...，Cn满足条件：P(Cn|Cn-1，Cn-2，...，C1)＝P(Cn|Cn-1)，则称此类过程为马尔可夫过程，简称马氏过程。该式表明tn时刻的随机过程取值仅与tn-1时刻的取值有关，与更早时刻取值无关，即为马尔可夫过程的“无记忆”性，下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。P(Cn|Cn-1)是条件概率，又称为转移概率。时间连续下状态离散的马尔可夫过程又称为马尔可夫链或简称为马氏链。
目前，马尔科夫模型的状态根据实际情况进行划分，一般依据选取的样本集的数量的多少和误差范围等因素来确定。相对误差是一个随时间呈上下波动趋势的非平稳随机过程，按照改进的灰色预测模型预测的误差范围和样本集数量，将相对误差划分为4个区间，每个区间可以表示为：Ei＝[e1i，e2i](i＝1，2，3，4)，其中e1i和e2i分别代表状态区间的最小限制和最大限制。对各类执法船的数量、风速、浪高、降水等要素均进行状态划分。
S220、建立状态转移概率矩阵。
在本实施例中，状态转移概率矩阵是指状态转移的概率构成的矩阵。
在一实施例中，请参阅图7，上述的步骤S220可包括步骤S221～S222。
S221、确定初始转移矩阵。
在本实施例中，初始转移矩阵是指状态转移过程的状态转移率构成的矩阵。
S222、按照比例系数对初始转移矩阵进行相乘，以得到状态转移概率矩阵。
具体地，马尔可夫链的转移概率矩阵P由状态空间及参数集合确定，关于这一概率的确定，可由问题的内在规律得到，也可通过经验得出，还可根据观测数据来估计。
设表示由状态Ei经过m步到Ej的状态转移率，/>表示由状态Ei经过m步到Ej的次数，Ni表示处于状态Ei的总个数，状态转移率可以表示为/>由此得到状态概率转移矩阵如下：/>
综合考虑执法船数量、风速、浪高、降水等要素的状态转移矩阵，按比例系数相乘，获得综合考虑各要素的各类执法船的状态转移概率矩阵。
S230、对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
具体地，对每个状态区间取中间值，结合所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
对每一类执法船数量的相对误差的状态区间Ei取中间值并结合每一类执法船的灰色预测值得出灰色马尔科夫模型的预测公式为：/> 当改进的灰色预测模型的预测值高于实际值时，上式中的符号取正；当改进的灰色预测模型的预测值低于实际值时，符号取负；当改进的灰色预测模型的预测值与实际值较为接近(相对误差≤0.02)时，不予以修正。
通过终端输入各时间点各类执法船的数量信息，每日风速、浪高、降水等海况及天气信息，想要预测的时间以及预测的天数n，运行模型得到预测的时间后n天每天的各类执法船的数量信息，由此预测得到船舶流量预测值。
在本实施例中，利用服务器进行预测时，是利用Postman以及Python对模型进行测试，打开Postman软件，在其地址栏输入python文件给定的地址，在参数栏设定热点发生的时间和热点持续的天数，并在Body一栏中输入卫星遥感数据的时间以及每幅遥感影像上九类船舶的数量，最后发送参数，模型给出预测时间发生后n天，每一天某一港口九类船舶的数量。
上述的船舶流量预测方法，通过输入各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，利用改进的灰色马尔科夫模型对输入的初始数据进行预测，而改进的灰色马尔科夫模型在预测过程中，使用不等时间间距的数据进行预测，能够同步预测某个港口多类执法船的变动情况，结合风、浪、降水、气温等海况以及天气因素，可指定遥感监测的最后时间点的设定天数之内的具体一天作为预测时间，还可设定预测持续的天数，实现了基于时序遥感监测的港口执法船流量的预测，实现了使用不等时间间距的数据进行预测，可针对多种不同类型的船舶数量进行同步预测，且考虑了环境因素，预测的准确率高。
图9是本发明实施例提供的一种船舶流量预测装置300的示意性框图。如图9所示，对应于以上船舶流量预测方法，本发明还提供一种船舶流量预测装置300。该船舶流量预测装置300包括用于执行上述船舶流量预测方法的单元，该装置可以被配置于服务器中。具体地，请参阅图9，该船舶流量预测装置300包括初始数据获取单元301以及预测单元302。
初始数据获取单元301，用于获取各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据；
预测单元302，用于将所述初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果；
其中，所述改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的；所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
在一实施例中，所述船舶流量预测装置300还包括灰色模型获取单元以及马尔科夫模型获取单元；所述灰色模型获取单元，用于通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成；所述马尔科夫模型获取单元，用于通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
在一实施例中，所述灰色模型获取单元包括样本集获取子单元、预处理子单元、参数确定子单元以及模型构建子单元。
样本集获取子单元，用于获取各个时间段遥感影像中各类执法船的数量以及每日的环境数据，以得到样本集；预处理子单元，用于对样本集进行预处理，以得到目标数据序列；参数确定子单元，用于根据目标数据序列采用最小二乘法确定所述改进的灰度预测模型的参数；模型构建子单元，用于根据所述参数构建改进的灰度预测模型。
在一实施例中，所述预处理子单元包括序列生成模块以及累加模块。
序列生成模块，用于按照遥感影像的时间顺序对各个时间段遥感影像上各类执法船的数量进行排序，结合每日的环境数据，生成多列原始数据序列；累加模块，用于对多列原始数据序列进行累加，以得到目标数据序列。
在一实施例中，所述模型构建子单元包括代入模块以及还原模块。
代入模块，用于将所述参数代入白化微分方程，以得到中间模型；还原模块，用于对中间模型进行累减还原，以得到改进的灰度预测模型。
在一实施例中，所述马尔科夫模型获取单元包括状态划分子单元、矩阵建立子单元以及公式计算子单元。
状态划分子单元，用于按照所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量进行状态区间划分，并对各类执法船的数量以及每日的环境数据进行状态划分；矩阵建立子单元，用于建立状态转移概率矩阵；公式计算子单元，用于对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
在一实施例中，所述矩阵建立子单元包括初始矩阵确定模块以及相乘模块。
初始矩阵确定模块，用于确定初始转移矩阵；相乘模块，用于按照比例系数对初始转移矩阵进行相乘，以得到状态转移概率矩阵。
在一实施例中，所述公式计算子单元，用于对每个状态区间取中间值，结合所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述船舶流量预测装置300和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述船舶流量预测装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图10所示的计算机设备上运行。
请参阅图10，图10是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种船舶流量预测方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种船舶流量预测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据；将所述初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果；
其中，所述改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的；所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
在一实施例中，处理器502在实现所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的步骤时，具体实现如下步骤：
获取各个时间段遥感影像中各类执法船的数量以及每日的环境数据，以得到样本集；对样本集进行预处理，以得到目标数据序列；根据目标数据序列采用最小二乘法确定所述改进的灰度预测模型的参数；根据所述参数构建改进的灰度预测模型。
在一实施例中，处理器502在实现所述对样本集进行预处理，以得到目标数据序列步骤时，具体实现如下步骤：
按照遥感影像的时间顺序对各个时间段遥感影像上各类执法船的数量进行排序，结合每日的环境数据，生成多列原始数据序列；对多列原始数据序列进行累加，以得到目标数据序列。
在一实施例中，处理器502在实现所述根据所述参数构建改进的灰度预测模型步骤时，具体实现如下步骤：
将所述参数代入白化微分方程，以得到中间模型；对中间模型进行累减还原，以得到改进的灰度预测模型。
在一实施例中，处理器502在实现所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值步骤时，具体实现如下步骤：
按照所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量进行状态区间划分，并对各类执法船的数量以及每日的环境数据进行状态划分；建立状态转移概率矩阵；对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
在一实施例中，处理器502在实现所述建立状态转移概率矩阵步骤时，具体实现如下步骤：
确定初始转移矩阵；按照比例系数对初始转移矩阵进行相乘，以得到状态转移概率矩阵。
在一实施例中，处理器502在实现所述对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型步骤时，具体实现如下步骤：
对每个状态区间取中间值，结合所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据；将所述初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果；
其中，所述改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的；所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
在一实施例中，所述处理器在执行所述计算机程序而实现所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的步骤时，具体实现如下步骤：
获取各个时间段遥感影像中各类执法船的数量以及每日的环境数据，以得到样本集；对样本集进行预处理，以得到目标数据序列；根据目标数据序列采用最小二乘法确定所述改进的灰度预测模型的参数；根据所述参数构建改进的灰度预测模型。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对样本集进行预处理，以得到目标数据序列步骤时，具体实现如下步骤：
按照遥感影像的时间顺序对各个时间段遥感影像上各类执法船的数量进行排序，结合每日的环境数据，生成多列原始数据序列；对多列原始数据序列进行累加，以得到目标数据序列。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据所述参数构建改进的灰度预测模型步骤时，具体实现如下步骤：
将所述参数代入白化微分方程，以得到中间模型；对中间模型进行累减还原，以得到改进的灰度预测模型。
在一实施例中，所述处理器在执行所述计算机程序而实现所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值步骤时，具体实现如下步骤：
按照所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量进行状态区间划分，并对各类执法船的数量以及每日的环境数据进行状态划分；建立状态转移概率矩阵；对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
在一实施例中，所述处理器在执行所述计算机程序而实现所述建立状态转移概率矩阵步骤时，具体实现如下步骤：
确定初始转移矩阵；按照比例系数对初始转移矩阵进行相乘，以得到状态转移概率矩阵。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型步骤时，具体实现如下步骤：
对每个状态区间取中间值，结合所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.船舶流量预测方法，其特征在于，包括：
获取各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据；
将所述初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果；
其中，所述改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的，即，使用不等时间间距的数据进行预测，同步预测某个港口多类执法船的变动情况，结合环境数据，设定预测天数，指定遥感监测的最后时间点的设定天数之内的具体一天作为预测时间，实现基于时序遥感监测的港口执法船流量的预测；所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
2.根据权利要求1所述的船舶流量预测方法，其特征在于，所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的，包括：
获取各个时间段遥感影像中各类执法船的数量以及每日的环境数据，以得到样本集；
对样本集进行预处理，以得到目标数据序列；
根据目标数据序列采用最小二乘法确定所述改进的灰度预测模型的参数；
根据所述参数构建改进的灰度预测模型。
3.根据权利要求2所述的船舶流量预测方法，其特征在于，所述对样本集进行预处理，以得到目标数据序列，包括：
按照遥感影像的时间顺序对各个时间段遥感影像上各类执法船的数量进行排序，结合每日的环境数据，生成多列原始数据序列；
对多列原始数据序列进行累加，以得到目标数据序列。
4.根据权利要求2所述的船舶流量预测方法，其特征在于，所述根据所述参数构建改进的灰度预测模型，包括：
将所述参数代入白化微分方程，以得到中间模型；
对中间模型进行累减还原，以得到改进的灰度预测模型。
5.根据权利要求1所述的船舶流量预测方法，其特征在于，所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值，包括：
按照所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量进行状态区间划分，并对各类执法船的数量以及每日的环境数据进行状态划分；
建立状态转移概率矩阵；
对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
6.根据权利要求5所述的船舶流量预测方法，其特征在于，所述建立状态转移概率矩阵，包括：
确定初始转移矩阵；
按照比例系数对初始转移矩阵进行相乘，以得到状态转移概率矩阵。
7.根据权利要求5所述的船舶流量预测方法，其特征在于，所述对状态区间以及所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型，包括：
对每个状态区间取中间值，结合所述改进的灰色预测模型所预测的数值计算预测公式，以得到改进的马尔科夫模型。
8.船舶流量预测装置，其特征在于，包括：
初始数据获取单元，用于获取各个时间段遥感影像中各类执法船的数量、环境数据、预测时间以及预测天数，以得到初始数据；
预测单元，用于将所述初始数据输入至改进的灰色马尔科夫模型内进行预测，以得到预测结果；
其中，所述改进的灰色马尔科夫模型包括改进的灰色预测模型以及改进的马尔科夫模型；所述改进的灰色预测模型是通过各个时间段遥感影像上各类执法船的数量、结合每日的环境数据作为样本集构建形成的，即，使用不等时间间距的数据进行预测，同步预测某个港口多类执法船的变动情况，结合环境数据，设定预测天数，指定遥感监测的最后时间点的设定天数之内的具体一天作为预测时间，实现基于时序遥感监测的港口执法船流量的预测；所述改进的马尔科夫模型是通过所述改进的灰色预测模型所预测的数值的误差范围以及样本集数量构建形成的且用于修正所述改进的灰色预测模型所预测的数值。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。
CN202110305108.1A 2021-03-18 2021-03-18 船舶交通流预测方法、装置、计算机设备及存储介质 Active CN112949932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110305108.1A CN112949932B (zh) 2021-03-18 2021-03-18 船舶交通流预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110305108.1A CN112949932B (zh) 2021-03-18 2021-03-18 船舶交通流预测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112949932A CN112949932A (zh) 2021-06-11
CN112949932B true CN112949932B (zh) 2024-02-02

Family

ID=76227889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110305108.1A Active CN112949932B (zh) 2021-03-18 2021-03-18 船舶交通流预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112949932B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115195957A (zh) * 2022-07-14 2022-10-18 武汉翔海海运有限公司 一种内河船舶交通流预测装置及预测方法
CN115525868A (zh) * 2022-09-19 2022-12-27 北京云庐科技有限公司 隧道施工变形预测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637128A (zh) * 2018-12-14 2019-04-16 南通大学 一种基于Markov的灰色Verhulst短时交通流预测方法及系统
CN110163433A (zh) * 2019-05-21 2019-08-23 上海海事大学 一种船舶流量预测方法
CN110555560A (zh) * 2019-09-05 2019-12-10 浙江工商大学 内河船舶交通流预测方法
CN111553407A (zh) * 2020-04-26 2020-08-18 广州珠江黄埔大桥建设有限公司 一种基于马尔科夫灰色模型的工程项目成本预测方法
WO2020253976A1 (en) * 2019-06-20 2020-12-24 Volvo Penta Corporation A method for planning a trip of a marine vessel

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109637128A (zh) * 2018-12-14 2019-04-16 南通大学 一种基于Markov的灰色Verhulst短时交通流预测方法及系统
CN110163433A (zh) * 2019-05-21 2019-08-23 上海海事大学 一种船舶流量预测方法
WO2020253976A1 (en) * 2019-06-20 2020-12-24 Volvo Penta Corporation A method for planning a trip of a marine vessel
CN110555560A (zh) * 2019-09-05 2019-12-10 浙江工商大学 内河船舶交通流预测方法
CN111553407A (zh) * 2020-04-26 2020-08-18 广州珠江黄埔大桥建设有限公司 一种基于马尔科夫灰色模型的工程项目成本预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Nonlinear fractional order grey model of urban traffic flow short-term prediction;Shuhua Mao, deng;《JOURNAL OF GREY SYSTEM》;第30卷(第4期);第1-17页 *
Online multiple outputs least-squares support vector regression model of ship trajectory prediction based on automatic information system data and selection mechanism;Jiao Liu, 等;《IEEE Access》;第8卷;第154727-154745页 *
经典灰色理论和马尔科夫链的交通量预测模型构建;南爱强, 等;《微型电脑应用》;第34卷(第7期);第85-87页 *
船舶交通量的BP神经网络-马尔科夫预测模型;吕鹏飞, 等;《上海海事大学学报》;第38卷(第2期);第17-21, 28页 *

Also Published As

Publication number Publication date
CN112949932A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN110163433B (zh) 一种船舶流量预测方法
WO2022126526A1 (zh) 一种电池温度预测方法及系统
CN112949932B (zh) 船舶交通流预测方法、装置、计算机设备及存储介质
CN110019401B (zh) 件量预测方法、装置、设备及其存储介质
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN111625516A (zh) 检测数据状态的方法、装置、计算机设备和存储介质
CN115004652B (zh) 业务风控处理方法、装置、电子设备以及存储介质
CN114565124A (zh) 一种基于改进图卷积神经网络的船舶交通流预测方法
CN115394358A (zh) 基于深度学习的单细胞测序基因表达数据插补方法和系统
CN108984851B (zh) 一种带时延估计的加权高斯模型软测量建模方法
CN114239990A (zh) 一种基于时间序列分解和lstm的时间序列数据预测方法
CN111191113A (zh) 一种基于边缘计算环境的数据资源需求预测和调整方法
Lund et al. Good practices and common pitfalls in climate time series changepoint techniques: A review
CN114298299A (zh) 基于课程学习的模型训练方法、装置、设备及存储介质
CN112733935A (zh) 一种基于Stacking算法的渔船捕捞方式预测方法
CN115392404B (zh) 一种离群点检测模型训练、离群点检测方法及装置
CN117035155A (zh) 一种水质预测方法
Mulesa et al. Devising a method for constructing the optimal model of time series forecasting based on the principles of competition
CN116665798A (zh) 一种空气污染趋势预警方法及相关装置
CN115278757A (zh) 一种检测异常数据的方法、装置及电子设备
Costa et al. Enhancing the accuracy of metocean hindcasts with machine learning models
CN113326976A (zh) 一种基于时空关联的港口货运量在线预测方法及系统
Shi A Survey of Changepoint Techniques for Time Series Data
CN117932280B (zh) 长序列数据预测方法、装置、计算机设备、介质和产品
CN114548523B (zh) 用户观影信息预测方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant