论文部分内容阅读
泊位是港口重要的资源,合理有效的船舶靠泊计划与提升泊位利用率,提升港口吞吐量,提升港口的经济效益有着密切的关系。由于泊位计划要先于船舶到港时间和船舶装卸作业计划的制定,同时又受制于船舶到港时间和装卸作业过程,制定有效而合理的泊位计划需要根据船舶到港时间,并在提前预测装卸作业时间的基础上完成,因此重点围绕集装箱船的在港作业时间预测而开展的集装箱船泊位计划的研究具有非常重要的现实意义和应用价值。本文首先对集装箱船在港作业的影响因素进行了分析,发现装卸的过程受到天气、船舶类型、待装卸集装箱量、分配岸桥的数量、岸桥装卸效率、靠泊时间等因素的影响比较大,例如风力会影响岸桥吊具的摇摆幅度,导致岸桥的装卸效率进而降低等。这些影响因素与船舶港口作业时间存在着非线性的关系,为此,需要寻找一套有效的预测方法对在港装卸作业时间进行预测。对国内外相关问题的研究现状和方法进行了分析,传统的方法用的是待装卸的集装箱量除以岸桥装卸效率进行作业时间的预测,该方法存在预测精度低,灵活性差的缺点。而在解决非线性关系问题方面,BP神经网络具有很强的建模能力,因此选择BP神经网络构建集装箱船舶港口作业时间预测模型,将影响作业时间的因素作为模型的输入,将集装箱船舶港口作业时间作为模型的输出。在模型构造过程中发现采用梯度下降降法进行训练学习的BP神经网络存在着易陷入局部极小值和收敛速度慢的问题,为了克服BP神经网络存在的这一问题,本文提出用遗传算法和L-M算法对BP神经网络进行优化,得到GA-BP神经网络集装箱船港口作业时间预测模型。利用天津港船舶港口作业数据分别在基于BP神经网络构建的集装箱船舶港口作业时间预测模型和GA-BP神经网络集装箱船港口作业时间预测模型上进行训练学习,用验证数据集对模型进行验证分析。用传统的作业时间预测方法、基于BP神经网络建立的预测模型和GA-BP神经网络的预测模型所得到的船舶作业时间对比分析,得出预测值和实际值的平均相对误差分别为6.5%,3.4%,1.2%,由此得出优化后的GA-BP神经网络集装箱船舶港口作业时间预测模型的预测精度更高的结论。将传统方法和GA-BP预测模型预测的船舶作业时间应用到泊位计划中,发现根据传统方法的预测值制作的泊位计划模型出现了船舶“推动态”和泊位资源空闲时间长的现象。而通过GA-BP神经网络预测值制作的泊位计划避免了船舶“推动态”和泊位资源空闲时间长的现象,达到提高泊位利用率的效果,所提出的方法对泊位计划的制定具有重要的指导意义。