期刊导航
期刊开放获取
上海教育软件发展有限公..
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
2
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BO-XGBoost-Tree的集装箱码头集卡周转时间长时预测
1
作者
李娜
汪坪垚
+2 位作者
杨惠云
盛昊天
靳志宏
《运筹与管理》
CSSCI
CSCD
北大核心
2024年第10期216-223,共8页
外集卡在港周转时间预测,尤其是较长时期的准确预测,对调节集卡平稳到达和改善集卡公司车辆调度管理具有重要作用。本文基于极限梯度提升决策树(eXtreme Gradient Boosting-decision Tree,XGBoost-Tree)提出了集卡周转时间的长期预测方...
外集卡在港周转时间预测,尤其是较长时期的准确预测,对调节集卡平稳到达和改善集卡公司车辆调度管理具有重要作用。本文基于极限梯度提升决策树(eXtreme Gradient Boosting-decision Tree,XGBoost-Tree)提出了集卡周转时间的长期预测方法。为了提高训练过程中的收敛速度,使用贝叶斯优化(Bayesian optimization,BO)来搜索超参数的全局优化组合。应用前期研究未提到的新输入特征预测小时的集卡周转时间,包含小时的集卡平均周转时间、作业类型和港内作业量。研究表明,XGBoost-Tree优于XGBoost-Linear、随机森林(Random Forest,RF)、支持向量机回归(Support Vector Regression,SVR)、循环神经网络(Recurrent Neural Network,RNN)和长短期记忆网络(Long-Short Term Memory,LSTM),预测准确率分别提高了7.0%(进口空箱)、0.8%(进口重箱)、13.44%(出口重箱)和9.8%(混合作业)。敏感性分析的结果揭示了在预测模型中考虑小时平均周转时间、作业类型和港内作业量具有重要意义。
展开更多
关键词
集
装箱码头
集卡周转时间
极端梯度提升算法
贝叶斯优化
在线阅读
下载PDF
职称材料
2021年世界交通运输大会水运学部会议 基于小波分解的集卡港内周转时间预测
被引量：
4
2
作者
孙世超
董曜
+1 位作者
李娜
郑勇
《上海海事大学学报》
北大核心
2021年第3期8-14,共7页
为准确预测集卡的港内周转时间,进而提升整个物流系统的作业效率,通过对集装箱码头闸口数据进行深入分析,得到3种不同任务类型的集卡港内周转时间序列,并在此基础上提出一种基于小波分解和自回归移动平均(autoregressive moving average...
为准确预测集卡的港内周转时间,进而提升整个物流系统的作业效率,通过对集装箱码头闸口数据进行深入分析,得到3种不同任务类型的集卡港内周转时间序列,并在此基础上提出一种基于小波分解和自回归移动平均(autoregressive moving average,ARMA)模型的集卡港内周转时间预测方法。该方法首先利用小波分解技术对集卡港内周转时间序列的多维变化特征进行逐层分离,再利用ARMA模型对分离后的多个时间序列分别进行拟合,然后对拟合结果进行合并,以此近似模拟原序列的时变规律,继而实现集卡港内周转时间的短期预测。为验证该方法的有效性,将数据样本划分为训练集(75%)和测试集(25%),训练集用于拟合多维ARMA模型,测试集用于检验ARMA模型的预测结果误差。研究结果表明,对于3种任务类型,该模型均可以精确预测集卡的港内周转时间,为物流企业调整集卡运输计划提供相应的技术支持。
展开更多
关键词
水运管理
集卡周转时间
预测
小波分解
自回归移动平均(ARMA)模型
码头闸口数据
在线阅读
下载PDF
职称材料
题名
基于BO-XGBoost-Tree的集装箱码头集卡周转时间长时预测
1
作者
李娜
汪坪垚
杨惠云
盛昊天
靳志宏
机构
大连海事大学交通运输工程学院
辽宁港口集团有限公司
华南理工大学电子商务系
出处
《运筹与管理》
CSSCI
CSCD
北大核心
2024年第10期216-223,共8页
基金
国家自然科学基金资助项目(72171032,72172023)
教育部人文社科基金项目(21YJA630048,21YJAZH070)。
文摘
外集卡在港周转时间预测,尤其是较长时期的准确预测,对调节集卡平稳到达和改善集卡公司车辆调度管理具有重要作用。本文基于极限梯度提升决策树(eXtreme Gradient Boosting-decision Tree,XGBoost-Tree)提出了集卡周转时间的长期预测方法。为了提高训练过程中的收敛速度,使用贝叶斯优化(Bayesian optimization,BO)来搜索超参数的全局优化组合。应用前期研究未提到的新输入特征预测小时的集卡周转时间,包含小时的集卡平均周转时间、作业类型和港内作业量。研究表明,XGBoost-Tree优于XGBoost-Linear、随机森林(Random Forest,RF)、支持向量机回归(Support Vector Regression,SVR)、循环神经网络(Recurrent Neural Network,RNN)和长短期记忆网络(Long-Short Term Memory,LSTM),预测准确率分别提高了7.0%(进口空箱)、0.8%(进口重箱)、13.44%(出口重箱)和9.8%(混合作业)。敏感性分析的结果揭示了在预测模型中考虑小时平均周转时间、作业类型和港内作业量具有重要意义。
关键词
集
装箱码头
集卡周转时间
极端梯度提升算法
贝叶斯优化
Keywords
container terminal
truck turn time
XGBoost algorithm
Bayesian optimization
分类号
U691.32 [交通运输工程—港口、海岸及近海工程]
在线阅读
下载PDF
职称材料
题名
2021年世界交通运输大会水运学部会议 基于小波分解的集卡港内周转时间预测
被引量：
4
2
作者
孙世超
董曜
李娜
郑勇
机构
大连海事大学交通运输工程学院
出处
《上海海事大学学报》
北大核心
2021年第3期8-14,共7页
基金
国家自然科学基金(71702019)。
文摘
为准确预测集卡的港内周转时间,进而提升整个物流系统的作业效率,通过对集装箱码头闸口数据进行深入分析,得到3种不同任务类型的集卡港内周转时间序列,并在此基础上提出一种基于小波分解和自回归移动平均(autoregressive moving average,ARMA)模型的集卡港内周转时间预测方法。该方法首先利用小波分解技术对集卡港内周转时间序列的多维变化特征进行逐层分离,再利用ARMA模型对分离后的多个时间序列分别进行拟合,然后对拟合结果进行合并,以此近似模拟原序列的时变规律,继而实现集卡港内周转时间的短期预测。为验证该方法的有效性,将数据样本划分为训练集(75%)和测试集(25%),训练集用于拟合多维ARMA模型,测试集用于检验ARMA模型的预测结果误差。研究结果表明,对于3种任务类型,该模型均可以精确预测集卡的港内周转时间,为物流企业调整集卡运输计划提供相应的技术支持。
关键词
水运管理
集卡周转时间
预测
小波分解
自回归移动平均(ARMA)模型
码头闸口数据
Keywords
water transportation management
prediction of truck turnaround time
wavelet decomposition
autoregressive moving average(ARMA)model
terminal gate data
分类号
U691.3 [交通运输工程—港口、海岸及近海工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于BO-XGBoost-Tree的集装箱码头集卡周转时间长时预测
李娜
汪坪垚
杨惠云
盛昊天
靳志宏
《运筹与管理》
CSSCI
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
2021年世界交通运输大会水运学部会议 基于小波分解的集卡港内周转时间预测
孙世超
董曜
李娜
郑勇
《上海海事大学学报》
北大核心
2021
4
在线阅读
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
