期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于注意力机制的CNN-GRU船舶交通流预测模型
被引量：
7
1
作者
吴莹莹
赵丽宁
+1 位作者
袁志鑫
张灿
《大连海事大学学报》
CAS
CSCD
北大核心
2023年第1期75-84,共10页
为更准确地预测内河船舶交通流,提出基于注意力机制的CNN-GRU船舶交通流预测模型。该模型主要借助一维卷积单元提取数据的高维特征,GRU单元学习数据中的时序特征,并通过引入注意力机制加强重要特征的学习,实现对超长序列的学习。此外,...
为更准确地预测内河船舶交通流,提出基于注意力机制的CNN-GRU船舶交通流预测模型。该模型主要借助一维卷积单元提取数据的高维特征,GRU单元学习数据中的时序特征,并通过引入注意力机制加强重要特征的学习,实现对超长序列的学习。此外,通过分析内河上下游航道交通流间的关联性,提取长江中下游6个航段的船舶AIS数据,构造多航段船舶交通流序列数据集,并将其输入本文模型中进行训练及测试。结果表明:相比序列预测模型中的SAE、LSTM、GRU、CNN+GRU和GRU+Attention,本文模型在针对不同交通流参数的预测中均具有更高的预测精度,交通流量、交通流密度和交通流速度的预测精度分别达到95.42%、97.33%、94.99%,可更好地满足工程应用需求。
展开更多
关键词
船舶
交通流
预测
多航段
预测
门控循环神经网络
注意力机制
卷积神经网络
原文传递
基于注意力机制的堆叠LSTM短时船舶交通流预测模型
被引量：
1
2
作者
廉清云
孙伟
李润生
《大连海事大学学报》
CAS
CSCD
北大核心
2024年第1期57-65,共9页
针对由短时船舶交通流数据的非线性与非平稳性特征导致的预测精度低的问题,提出基于注意力机制的堆叠LSTM船舶交通流预测模型。采用堆叠式LSTM神经网络捕捉短时船舶交通流数据的时序特征,并通过引入注意力机制更好地学习全局性特征,以...
针对由短时船舶交通流数据的非线性与非平稳性特征导致的预测精度低的问题,提出基于注意力机制的堆叠LSTM船舶交通流预测模型。采用堆叠式LSTM神经网络捕捉短时船舶交通流数据的时序特征,并通过引入注意力机制更好地学习全局性特征,以提高船舶交通流预测精度。提取长江下游三个航段的船舶AIS数据构建船舶交通流数据集,并将其用于本文模型的训练和测试。结果表明,相较HA、ARIMA、GPR、LSTM和Seq2Seq等基线模型,在交通流量宏观参数预测中,本文模型的均方根误差和平均绝对误差两个评价指标均有所降低;与最优基线模型相比,本文模型在船舶交通流预测中表现出更高的精度,其均方根误差降低4.05%,平均绝对误差降低4.04%。
展开更多
关键词
内河
交通
船舶
交通流
预测
长短时记忆网络(LSTM)
堆叠LSTM
注意力机制
原文传递
基于改进PSO-BP神经网络的船舶交通流预测分析
被引量：
3
3
作者
肖建兵
惠子刚
《天津航海》
2020年第3期48-53,共6页
为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预...
为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。
展开更多
关键词
船舶
交通流
预测
粒子群优化算法
BP神经网络
灰色关联分析
下载PDF
职称材料
基于FCM-ANFIS模型的船舶交通流预测
被引量：
2
4
作者
惠子刚
肖建兵
《中国航海》
CSCD
北大核心
2018年第2期73-76,101,共5页
提出一种基于模糊C均值聚类自适应神经模糊推理系统(Fuzzy C-Means Clustering Algorithm with Adaptive Neural-Fuzzy Inference System,FCM-ANFIS)的船舶海上交通流预测模型,采用相关分析法预测网络模型的输入变量个数;采用模糊C均值...
提出一种基于模糊C均值聚类自适应神经模糊推理系统(Fuzzy C-Means Clustering Algorithm with Adaptive Neural-Fuzzy Inference System,FCM-ANFIS)的船舶海上交通流预测模型,采用相关分析法预测网络模型的输入变量个数;采用模糊C均值聚类算法对仿真数据进行分析和模糊聚类,从而确定模型的聚类中心,进而建立ANFIS预测网络结构。该模型采用BP算法与最小二乘算法相结合的混合学习算法进行网络参数训练,可克服传统预报模型收敛速度慢和局部最优等问题,进而提高预报精度。同时,选用船舶自动识别系统(Automatic Identification System,AIS)记录的船舶交通流数据进行仿真预报,仿真结果验证了该模型的可行性和有效性,并取得良好的效果。
展开更多
关键词
船舶
交通流
预测
模糊C均值聚类
自适应模糊推理系统
相关分析
下载PDF
职称材料
题名
基于注意力机制的CNN-GRU船舶交通流预测模型
被引量：
7
1
作者
吴莹莹
赵丽宁
袁志鑫
张灿
机构
大连海事大学航海学院
出处
《大连海事大学学报》
CAS
CSCD
北大核心
2023年第1期75-84,共10页
基金
中央高校基本科研业务费专项资金资助项目(3132022635)。
文摘
为更准确地预测内河船舶交通流,提出基于注意力机制的CNN-GRU船舶交通流预测模型。该模型主要借助一维卷积单元提取数据的高维特征,GRU单元学习数据中的时序特征,并通过引入注意力机制加强重要特征的学习,实现对超长序列的学习。此外,通过分析内河上下游航道交通流间的关联性,提取长江中下游6个航段的船舶AIS数据,构造多航段船舶交通流序列数据集,并将其输入本文模型中进行训练及测试。结果表明:相比序列预测模型中的SAE、LSTM、GRU、CNN+GRU和GRU+Attention,本文模型在针对不同交通流参数的预测中均具有更高的预测精度,交通流量、交通流密度和交通流速度的预测精度分别达到95.42%、97.33%、94.99%,可更好地满足工程应用需求。
关键词
船舶
交通流
预测
多航段
预测
门控循环神经网络
注意力机制
卷积神经网络
Keywords
ship traffic flow prediction
multi-segment prediction
gated recurrent neural network
attention mechanism
convolutional neural network
分类号
U692 [交通运输工程—港口、海岸及近海工程]
原文传递
题名
基于注意力机制的堆叠LSTM短时船舶交通流预测模型
被引量：
1
2
作者
廉清云
孙伟
李润生
机构
上海海事大学商船学院
上海海事大学信息工程学院
出处
《大连海事大学学报》
CAS
CSCD
北大核心
2024年第1期57-65,共9页
基金
交通运输部2021年度交通运输行业重点科技项目(2021⁃ZD6⁃095)。
文摘
针对由短时船舶交通流数据的非线性与非平稳性特征导致的预测精度低的问题,提出基于注意力机制的堆叠LSTM船舶交通流预测模型。采用堆叠式LSTM神经网络捕捉短时船舶交通流数据的时序特征,并通过引入注意力机制更好地学习全局性特征,以提高船舶交通流预测精度。提取长江下游三个航段的船舶AIS数据构建船舶交通流数据集,并将其用于本文模型的训练和测试。结果表明,相较HA、ARIMA、GPR、LSTM和Seq2Seq等基线模型,在交通流量宏观参数预测中,本文模型的均方根误差和平均绝对误差两个评价指标均有所降低;与最优基线模型相比,本文模型在船舶交通流预测中表现出更高的精度,其均方根误差降低4.05%,平均绝对误差降低4.04%。
关键词
内河
交通
船舶
交通流
预测
长短时记忆网络(LSTM)
堆叠LSTM
注意力机制
Keywords
inland river traffic
ship traffic flow prediction
long short⁃term memory network(LSTM)
stacked LSTM
at⁃tention mechanism
分类号
U692 [交通运输工程—港口、海岸及近海工程]
TP391 [交通运输工程—船舶与海洋工程]
原文传递
题名
基于改进PSO-BP神经网络的船舶交通流预测分析
被引量：
3
3
作者
肖建兵
惠子刚
机构
青岛远洋船员职业学院航海系
出处
《天津航海》
2020年第3期48-53,共6页
基金
中国远洋海运集团有限公司2017科研计划项目
《商船中国沿海渔区安全航行技术研究》(2017-H-011)。
文摘
为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。
关键词
船舶
交通流
预测
粒子群优化算法
BP神经网络
灰色关联分析
分类号
U69 [交通运输工程—港口、海岸及近海工程]
下载PDF
职称材料
题名
基于FCM-ANFIS模型的船舶交通流预测
被引量：
2
4
作者
惠子刚
肖建兵
机构
青岛远洋船员职业学院航海系
出处
《中国航海》
CSCD
北大核心
2018年第2期73-76,101,共5页
基金
中国远洋海运集团有限公司2017科研计划项目(2017-H-011)
文摘
提出一种基于模糊C均值聚类自适应神经模糊推理系统(Fuzzy C-Means Clustering Algorithm with Adaptive Neural-Fuzzy Inference System,FCM-ANFIS)的船舶海上交通流预测模型,采用相关分析法预测网络模型的输入变量个数;采用模糊C均值聚类算法对仿真数据进行分析和模糊聚类,从而确定模型的聚类中心,进而建立ANFIS预测网络结构。该模型采用BP算法与最小二乘算法相结合的混合学习算法进行网络参数训练,可克服传统预报模型收敛速度慢和局部最优等问题,进而提高预报精度。同时,选用船舶自动识别系统(Automatic Identification System,AIS)记录的船舶交通流数据进行仿真预报,仿真结果验证了该模型的可行性和有效性,并取得良好的效果。
关键词
船舶
交通流
预测
模糊C均值聚类
自适应模糊推理系统
相关分析
Keywords
vessel traffic flow prediction
Fuzzy C-means clustering algorithm
Adaptive Neural-fuzzy hfference System
Correlation analysis
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
U692 [自动化与计算机技术—控制科学与工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于注意力机制的CNN-GRU船舶交通流预测模型
吴莹莹
赵丽宁
袁志鑫
张灿
《大连海事大学学报》
CAS
CSCD
北大核心
2023
7
原文传递
2
基于注意力机制的堆叠LSTM短时船舶交通流预测模型
廉清云
孙伟
李润生
《大连海事大学学报》
CAS
CSCD
北大核心
2024
1
原文传递
3
基于改进PSO-BP神经网络的船舶交通流预测分析
肖建兵
惠子刚
《天津航海》
2020
3
下载PDF
职称材料
4
基于FCM-ANFIS模型的船舶交通流预测
惠子刚
肖建兵
《中国航海》
CSCD
北大核心
2018
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
