1. 研究目的与意义（文献综述）

1 研究目的及意义

1.1目的及意义

近年来，随着我国水上交通运输业的快速发展，船舶交通流量日益增长，这也导致其与通航安全、通航效率，以及通航资源之间的矛盾越来越明显。为较好的缓解这一矛盾，我们有必要采取一系列措施对船舶交通流进行预测和研究，以此获得相对最好的措施来了解其未来的发展趋势，更好的保障船舶航行的安全。船舶交通流预测减少船舶事故的发生的原因是其可为船舶计划航线设计及在复杂水域和交通流密集水域安全航行提供参考。同时，船舶交通流预测可为港口建设、航道设计及船舶安全航行与管理提供可靠的支持和保障，使进出港口航道的可航能力得到充分发挥。这也就意味着船舶交通流预测方法的准确性和安全性非常重要。

1.2国内外的研究现状分析

目前，国内外有关船舶交通流预测的研究众多，并且主要采用了基于模型的定量分析方法，如时间序列分析、小波分析、人工神经网络、支持向量机等，均取得了较好的预测效果。人工神经网络作为一种数据驱动算法，可以映射出时间序列间复杂的非线性关系，具有很强的非线性信息处理能力，在预测领域应用较为成熟．由于传统人工神经网络采用梯度下降的学习方法，易陷入局部极小、引起振荡以及收敛速度慢等固有缺陷，实用性不强．灰色神经网络兼具了灰色模型少数据建模和人工神经网络自学习、非线性映射的优点，与传统人工神经网络相比，其网络的泛化能力和学习速度都有所提高，故近年来在预测领域逐渐得以应用．但是，船舶交通流序列是一种具有非线性和非平稳性的特殊时间序列，灰色神经网络虽可以很好地拟合船舶交通流序列的非线性部分，但是其非平稳的部分会对预测效果造成较大影响。灰色马尔可夫链模型的预测结果较单一的灰色预测结果更接近实际值，相对误差较小且具有较高的拟合精度，对于具有一定波动性和随机性的船舶交通流有较高的预测精度。基于EEMD可以有效分析非平稳序列的特性和GNN具有较好的非线性拟合能力，基于EEMD－GNN模型的船舶交通流组合预测方法，与传统GNN模型相比，EEMD－GNN模型在船舶交通流预测方面具有更高的精度，在船舶交通流预测领域具有一定的实用价值。但是，由于该模型在使用EEMD对船舶流进行分解时没有考虑船舶流时间序列的端点效应问题，具有一定的局限性，需进一步研究。为了克服传统预测方法存在的预测精度不高、非线性拟合能力不强、计算复杂等方面的不足，建立了一种新的船舶流量预测模型，即FOA-GRNN 模型。果蝇算法(FOA)是根据果蝇寻找食物的活动演变而来的新兴算法，具有良好的全局寻优能力; 另外广义回归神经网络(GRNN)的特点是具备优秀的局部逼近能力、较快的训练速度、处理非线性问题的优势明显。从而将两者有效地结合起来，通过利用FOA优化GRNN的相关参数来构建最优的预测模型，实现了预测船舶交通流量的目的。

2. 研究的基本内容与方案

2 研究内容

船舶交通流是指船舶等水上交通工具形成的具有流体特征的连续运动的船舶总称。船舶交通流具有复杂性、局限性、变化性等特性。船舶交通流在航行过程中会受到交通部门的管理，以及航道、水域条件和自然环境的限制，船舶在海上航行会随着时间的变化，速度、航向等发生变化。在不同的水域，船舶的交通流会呈现出不同的属性。船舶交通流量指的是在某一水域单位时间内通过的船舶的数量，通过此数值的大小可以反映出交通水域的规模的繁忙度，并从中反映出航道的拥挤性和危险性。通常情况下，水域的交通流越大，说明该水域的交通流复杂，由此可知发生交通事故的可能性就越大。船舶交通流的位置和方向与航道以及习惯性的航行道路有关；船舶到达规律分布能够有效的提高港口的服务水平，掌握交通流的变化情况对海上交通顺利、通畅的航行具有重要的推动作用。

本研究设计的研究内容包括：

（1）船舶交通流模型的种类；

3. 研究计划与安排

5 进度安排

4. 参考文献（12篇以上）

6 参考文献

[1] 蔡学龙. 多航道交汇水域船舶交通流的建模与仿真[d]. 武汉理工大学, 2013.

[2] 崔翔鹏, 黄洪琼. 基于ga优化elm的船舶交通流预测模型[j]. 微型机与应用, 2017(9):15-21.

[3] 贺波. 水上交通流生成模型及应用[d]. 大连海事大学, 2012.