基于gis技术的时空自回归模型预测海上交通运输网络的体积

文摘

研究海上交通流的预测可以提供一个依据港口规划,规划水域的布局和船舶导航管理和可持续发展提供了一个实用的背景评估船舶。最传统的船舶交通量预测的研究集中在一个单独的端口的交通量的变化或部分在时间维度和交通相关研究相关的港口运输网络。揭示的时空自相关特征运输网络和建立适合海上交通的时空预测模型体积,本文使用AIS数据从2011年到2016年对中国南海构造一个区域运输网络。邻歧视规则提出了基于网络的相关性,以及港口之间的交通需求估计基于引力模型。在此基础上,STARMA时空自回归移动平均模型推导出之间的互动,他介绍了相邻港口航运网络的流量。实验结果表明,(1)之间存在显著的正相关时间和空间在南海航运网络,这个时空相关性的特征时间动力学和空间异质性;(2)船舶交通量的预测的准确性基于时空模型比传统的收集基于时间的预测模型,和时空模型可以更好地描述时空自相关的海上交通。

1。介绍

随着经济全球化的深入,海上运输作为国际贸易的一个重要支柱(发生了巨大的变化1]。与此同时,随着科学技术的进步和市场需求不断升级,海上交通越来越繁忙,和繁忙的海上交通之间的矛盾和航行安全,导航效率,和导航资源正变得越来越突出(2]。为缓解这一矛盾,更好地维护导航,提高导航效率在水领域,科学和理性规划水域的布局,它是必要的,以确定未来发展趋势的预测和研究海上交通流和促进可持续发展的运输。

海洋交通量预测采用历史数据从社会,经济,和交通预测在海上交通状况在未来一段时间,以及预测方法的选择是否合理的关键是预测成功或失败。根据预测方法本身的性质,常见的预测方法可以概括为三类:linear-based预测方法,nonlinear-based预测方法和预测方法相结合。基于线性理论的预测方法实现预测在未来一段时间基于时间序列的周期模式和广泛应用于交通量预测(3]。然而,时间序列模型的缺点是,它只适用于交通量的情况是稳定的趋势。随着交通量的非平稳的增加,预测结果之间存在很大偏差和观测值(4]。随着新兴智能的发展方法,如人工智能、机器学习、神经网络(5,6),支持向量机(7,8)、遗传算法的知识发现提供了一种新的预测模型建模方法时空系列。研究人员使用时间序列作为输入变量智能计算方法预测未来海上交通反映船舶交通量的季节性变化(9),结果表明,非线性预测结果更准确和可靠10]。虽然海上交通预测基于智能方法可以应用于不稳定海上交通的预测,有问题,如收敛速度慢和容易陷入局部最优解(11,很难获得更高的精度依赖于一个单一的预测模型。为了克服单一预测模型的缺陷,学者们研究了使用多个预测模型进行联合预测和取得更好的结果12]。基于混合理论的预测模型能有效地提高交通量的预测的准确性在一定程度上,但由于相对复杂的模型,它的重量参数的设置是模型的准确性的关键(13]。

综上所述,可以看出每个预测模型都有其适用条件和一定的优点不能确定的简单模型。此外,最上面的方法预测海上交通卷重点分析交通量的变化特征的一个单独的端口或部分在时间维度14,15),不参与大规模运输网络,考虑到连接到端口之间的交通状况。城市道路网络,属于交通网络的运输网络,主要定义了空间邻接(16)通过道路网络的上游和下游的关系(17]。然而,海上交通是一个复杂的系统,影响相邻之间的交通状况的传播路线不是各向同性的18]。同时,不同网络拓扑的影响扩散的交通状况也有更大的影响和约束(19,20.]。偏见是仅仅依靠简单的空间邻接的自相关交通状况。此外,为了更准确地描述复杂地理现象中存在的运输网络,它是必要的,以避免孤立使用时间或空间模型。时空模型,如时空动力学模型和贝叶斯时空,广泛应用于气候变化(21),环境监测22),城市交通23)、公共卫生(24),和其他领域。然而,大多数的时空模型构建为特定应用程序和不充分反映地理时空数据的特征。作为一个非常重要的时空统计模型,STARMA时空自回归移动平均模型特征之间的时空依赖性派生出来的不同地区之间的交互系统中相邻区域和更适合地理时空数据建模25]。因此,为了揭示航运网络的时空自相关特性,建立一个合适的时空海洋交通量预测模型,本文提出了一种相邻规则基于网络相关基于道路网络邻接的定义和扩展STARMA模型推导出端口之间的交通容量之间的关系。

海洋交通量预测的基础是海上交通历史数据。在以前没有多少数据可以使用海上交通调查,通常只有几个主要港口。缺乏准确的海上交通数据已经成为一个瓶颈在先前的研究中,也带来了巨大的困难,船舶交通量的预测26]。AIS(自动识别系统)数据包含大量的海上交通的特点,从中我们可以获得船舶行为特征。近年来,岸基AIS系统的基站和低轨道卫星不断增加,和船上的轨迹的连续性和有效性不断提高,并能预报海上交通体积。

鉴于上述情况,本文研究了STARMA模型建立时空模型交通量的运输网络。首先,交通流的时间序列连接到该端口作为对象,和时空相关性的特点分析了船舶交通流网络利用空间统计数据。第二,港口相关的网络满足邻接特征细分层次结构的基础上确定海上交通流网络,以及港口之间的交通需求估计基于引力模型。在此基础上,构建了空间权重矩阵。最后,我们使用港口的海上交通体积测量在南海及周边海来验证时空自回归模型的适用性。

2。材料和方法

2.1。研究区域

本文的研究区域的范围在96°E∼126°E和−5°S∼26°N,和具体范围如图1。研究总面积约4.2×10⁶公里²包括南海周围的地区,泰国湾,菲律宾,马六甲海峡,大海周围的加里曼丹。运输网络的布局都是区域性的,更准确地反映了区域运输系统和本文研究区域覆盖全国港口在南中国海。以后“南中国海”在本文中是指本文研究区域。

南海是亚洲三大边缘海之一,被称为“亚洲的地中海。“南海航运系统是由众多的港口和航线,港口之间的差异相对较大。由于大量的人员和经济总量大,其发展潜力是巨大的。作为一个非常重要的位置,南中国海是东亚和东南亚的必备目的地西行路线,其特殊的地理位置意味着它有一个大的交通流在其海域(27]。根据世界航运理事会的统计,世界上25%的海洋运输发生在南中国海和平均每天300艘船穿过南海。此外,马六甲海峡,位于印度洋和太平洋之间,是一种最重要的国际贸易运输渠道,这熊全球商品贸易额的三分之一,超过一半的石油运输体积。基于上述原因,本文在分析交通流的时空特点围绕南中国海问题,在此基础上,构建了一个时空的海上交通模型体积。

2.2。数据和数据处理

在这篇文章中使用的实验数据是研究区域内的AIS数据从2011年1月至2016年12月。船舶类型的AIS数据包括货船、客船,拖船,试验船和油轮。其他类型的数据被排除在外,只保留货船数据作为实验数据;参与每年的AIS数据量为1.27,1.36,1.52,1.64,1.58,和1.75亿年,分别。

摘要网格DBSCAN算法(28)是用于获得船舶保持区域的面积在研究区,选择和近岸部分船到达港口识别。在此基础上,在启运港船舶停止位置 ,开始时间和结束时间 ,和船舶跟踪点系列 在开放海域被用来提取船旅行信息。

通过以上步骤,成千上万的船保持区域。然而,分析数据后,发现一个港口城市有多个中转,而在现实中,许多船舶保持区域只有一个许多港口地区的港口城市,如新加坡裕廊的主要港口地区,乌敏岛Bukom, Sembawang,们,Penjuru。在本文中,我们获得了155年的港口城市整合获得保持区域;也就是说,本文使用港口城市作为运输网络节点。在此基础上,我们一共获得了368双端口共有50多个航行在南中国海周边港口的,构成港口航运之间的连接网络。另外,挖掘内部相关港口航运网络的特征和揭示海上交通流的时空相关性,每个港口的交通流的时间序列计算。一些港口的偏斜度和峰度值是相对较大(20和峰度>扭曲> 5),进一步验证了正态分布测试后,删除异常的端口。最后,60的端口,它大于10月平均航行,被选为建模对象的时空模型(表1)。

图2(a)的空间分布地图60代表货物港口研究的领域。图2(b)显示了海上交通的月度时间序列在泰国的三个港口,香港和新加坡在南海航运网络六年了。它有一个上升趋势明显的周期性特征。在实验中,为了测试时空模型的准确性,数据从2011年到2015年作为训练样本,数据从2016年作为测试样本,预测时间是12个月。

3所示。方法

STARMA(时空自回归移动平均模型充分考虑了地理时空数据集存在的自相关和适用于处理时空系列。然而,STARMA在某些方面有一定的限制,如时空的非平稳时间序列数据建模和有效地描述空间变量之间的相关性系列由现有空间权重矩阵的决策规则。针对上述问题,本文构建的时空模型基于STARMA海上交通运输网络中体积模型。首先,莫兰份子和时间自相关函数是用来测试时空数据的空间和时间的自我。第二,运输网络层次细分结构用于确定符合相邻的港口网络中的相关规定,与交通需求之间的供应和需求方面全面考虑评估港口之间的交通需求。在此基础上,时空的空间权重矩阵的航运网络构造模型。最后,基于网络的时空模型的适用性验证本文提出的相关使用的测量船舶交通量数据端口在南中国海及其周边海域。

3.1。空间和时间的特性对运输网络交通量

传统的线性回归方法不能捕捉时空数据中包含的自相关特性,这使得它不可能找到时空模式。因此,使用上述模型模拟的前提交通量在运输网络是数据在统计上空间独立和均匀分布。为了探索时空异质性和不稳定特征的时空系列运输网络,我们使用莫兰的我统计描述交通量的空间自相关特性对运输网络和使用时间自相关函数和偏自相关函数来描述交通量的时间自相关特性的运输网络。

莫兰是我统计是最常见的类型的空间自相关统计量在当前应用程序和分为全球莫兰的我和当地莫兰根据度量地区的差异。我统计的全球莫兰是用来描述所有空间对象之间的关联程度,在空间范围内显示在空间对象的空间分布模式是否重要。我统计的当地莫兰是用来描述当地的空间分布模式。

时间自相关时间序列数据的主要特征之一,它可以表达对象属性的依赖。ACF的说明了在不同的时间时间序列数据之间的相关程度,从−1比1,值越接近于1,时间序列的自相关程度越高。ACF的地图显示了与滞后期相关时间序列的变化k。偏自相关函数是另一种方法来描述随机过程的结构特点在静止的时间序列和每一个回归系数在函数表明之间的自相关系数和不包括中间变量的影响 。

3.2。空间权重矩阵考虑网络节点相关性

空间权重矩阵的目的是准确、全面反映空间地理单元之间的关系。然而,由于港口腹地的经济发展水平和地理位置的交通流量,海上交通流的传播不是各向同性的。即使地理距离最近的港口,交通状况可能并不直接相关。这种不均匀的扩散的海洋交通流量很难找到海上交通的空间相关性通过测量相邻港口仅靠地理距离。解决上述问题,首先,基于细分层次结构的航运网络获得prestudy [29日),符合相邻的港口网络中的相关规定确定。其次,对交通的需求之间的港口基于重力模型的估计。最后,一个空间权重矩阵构造基于上述步骤。

3.2.1之上。空间邻接的定义

空间权重设置的运输网络,首先需要定义空间邻接,也是空间格局的基础措施。空间邻接定义方法主要包括常用方法如上边缘方法,拓扑图形的方法,和距离的方法。然而,上述空间邻接规则主要是根据自己的相关观点,忽略了网络交通流的聚合特征的运输网络。本文定义了邻接的运输网络中的任何两个端口规则如下:(1)这两个港口直接相邻;也就是说,有两个端口之间的导航;(2)没有直接相邻的两个端口,和在这个时候,两个端口的连接需要通过一个或多个中转港口。因此,基于复杂网络的角度来看,运输网络被确定为一个层次细分结构(图3)。

本文在前面的研究(29日),配送网络在南海已被证明是一个典型的无标度网络。有明显的分层和社区网络的特征,有一个直接连接的端口在相邻级别在社区内。这种在复杂网络中节点之间的关系只是一种表达的空间相邻关系的端口节点的邻接矩阵。因此,运输网络的空间邻接矩阵的定义如下: 在哪里我和j是一个运输网络的节点;米和N不同的社区在运输网络;表明我和j有一个网络中相邻关系,也就是说,属于同一个社区;和两个节点是分层次相邻。表明节点我和j不相邻的网络;也就是说,他们不属于同一个社区,或者两个节点不分层次相邻。

3.2.2。空间权重的定义

基于空间权重矩阵由地理空间关系和属性值的影响,更容易反映了空间集聚和空间差异在空间单元。海洋交通量的月度预测主要是受许多因素影响,如天气条件和通航水位和海上交通体积显示一定程度的周期性和季节性。根据以往学者的研究,重力模型可以更好地解释的空间邻接港口运输网络。

空间重量是邻接的定量测量。引力模型是一个重要的方法来解释之间的空间邻接港口在运输网络(30.];即相邻港口航行比遥远的港口之间的航行更频繁。如果距离港口吗我来j,那么它们之间的交互的趋势是滞后所表达的函数 ,以及它们之间航行表达式 ,在哪里离开港口航行的总数吗我和的总数是航行到达港口j。

在估算的重量港口之间的海上交通,交通供给和需求之间的吸引力的海上交通体积考虑,和引力模型被用来估计交通量之间的港口。的流量在供应和需求正比于交通和交通阻抗成反比。下面的方程是用来估计交通量之间的港口: 在哪里港口之间的流量生成我和j,和是港口的交通总量我和j,α和β是交通量系数从1到2,设置为1。在这篇文章中,距离衰减函数吗设置为0.59 (31日]。

3.3。STARMA模型

STARMA模型使用时空延迟运营商表达时空变量影响的时间延迟和空间滞后(25]。空间滞后算子l表明一个港口的交通量空间邻近港口的影响,和港口货运量的预测价值可以表示为一个加权平均相邻港口交通变量的值。它的量化表达式如下: 在哪里p时间自相关系数,问是时间移动平均订单,空间滞后算子,的空间顺序吗k时间自相关术语,的空间顺序吗l时间移动平均,和参数,表示随机误差。

STARMA模型的基本思想是根据时空获得逐项系列,依次计算每一项的平均时空意识到长期趋势变化的模拟。交通量的周期性影响因素在运输网络使交通量显示强劲的季节性,而这种趋势影响因素将使交通量变化长期趋势特征。根据时间序列统计数据,因此,船舶交通流的特点,短期时间自相关和长期趋势变化。摘要交通流时间序列数据分解为大规模时空非线性趋势u和小规模的时空变化趋势e。大规模的可变性是指确定的全球趋势,而小规模的可变性是指固定序列隔开时空数据。这样一个非平稳的时空序列可以表示为 ,在哪里是观察,是大规模的时空确定性趋势,的周期性趋势的意思是常数。线性部分由STARMA模型,非线性部分由神经网络建模。在此基础上,结合线性预测结果的非线性结果获得最终结果。

4所示。结果

4.1。交通流时间序列分析

以下4.4.1。空间自相关分析

空间自相关的一个重要特性是空间地理单元,并分析每个端口的海上交通分配两个方面,全球和地方如下:

(1)全局空间自相关。本文运用全球莫兰的到来我执行全局空间自相关分析航行在南中国海周边港口的2011∼2016。以每个端口的到来航行为变量,基于距离权重矩阵,我们使用GeoDa软件计算全球莫兰我价值。如表2显示,全球莫兰的到来我南海航行的港口是正的,结果通过了显著性水平为0.01 z值测试。全球莫兰的我在每年索引值大于0表示海洋体积周边港口在南海有一个积极的空间相关性,显示了一定程度的空间聚合。同时,莫兰我指数显著性水平值都低于0.001,表明港口航运发展的空间相关性的南中国海相对较低,和整体空间集聚效应不明显。一般来说,海上交通流空间弱稳定,造型,海洋运输网络中的交通流可以被视为平滑数据。

(2)局部空间自相关。海洋的空间相关性分布交通量在南中国海是我通过当地莫兰的分析。如图4所示,海上交通流主要提出了高聚合模型在中国的沿海地区,而在菲律宾,新低聚合模型主要介绍。不难理解在中国沿海地区航线密度大、港口之间的联系比其他地区更近。在中国沿海地区有一个高密度的路线,和港口之间的联系比其他地区更接近。不难理解,中国对外贸易持续快速增长,港口之间的航行继续创新高,而菲律宾少航行由于其较小的经济总量和低对对外贸易的依赖。此外,胡志明,马尼拉及周边地区是高低相关性模型。上述港口是国家的经济中心在南中国海或占领重要的地理位置,以及所有与其他港口承担连接的关键作用。因此,他们的海上交通相对较大,形成了高低相关性模型与周围的港口。

4.1.2。时间自相关分析

ACF地图之间的自相关系数的变化可以表示时间序列中的任何时期。图5显示了ACF和PACF月度时间序列数据的情节总交通量的南海周边港口从2011年1月至2016年12月。其中,数据5(一个)和5 (b)是总交通量的原始时间序列数据和时间序列数据后的区别;图5 (c)显示了ACF的情节时空序列数据为每个端口的区别后,横坐标是滞后期,纵坐标是相应的自相关函数值(即关联度),虚线是95%置信区间的置信水平近似;图5 (d)的PACF情节时空系列为每个端口的区别后,纵坐标是相应的偏自相关函数值(即关联的程度)。

在图5 (c),每一个滞后期的步长是一个月,并在12个月内(滞后期k< 13),ACF大于0.2;ACF逐渐随延迟时间的增加而减小k。以上内容表明,关联度的时空序列数据为每个端口的流量体积逐渐削弱滞后期k增加。此外,交通量为每个端口有很强的正相关关系在一定时间范围和交通量在当前时期有一定程度的相关性与交通量在随后的时期。我们可以看到在图5 (d)PACF迅速趋于0,0.7和展品交替指数衰减,这表明不同时间稳定后时间序列的数据。此外,PACF被截断后,一阶时滞,表明时移平均度是1。

4.2。STARMA模型建立

本文在前面的研究(29日),在装运港社区网络命名中国沿海社区,台湾社会,符合社区,东盟共同体,菲律宾社区(图6)。结合港口的中心,提出了网络作为一个细分层次结构。从上面定义的空间相邻关系,港口的一阶和二阶空间邻接在南中国海。空间邻接矩阵的对角元素是0。如果非对角元素是0,没有空间相邻关系单位相应的行和列;如果nondiagonal元素是1,空间单元对应的行和列对应于邻接。然后,通过权重方程(2)和相邻矩阵正常化,一阶空间权重矩阵W⁽¹⁾和二阶空间权重矩阵W⁽²⁾得到了。

摘要ST-ACF和ST-PACF值计算基于时空序列数据中每个端口的运输网络。计算结果如下:

从表可以看出3和4ST-ACF的值和ST-PACF显示逐步减少现象在时间维度和空间维度。ST-PACF显示截断后,一阶空间和时间滞后。因此,可以得出结论,样例是一个时空自相关过程的一阶时滞和二阶空间滞后。的初始判断STARMA方程STARMA(1,0)。具体模型如下:

在获得上述模型,在上面的参数方程进一步使用样本数据估计从2011年到2015年。每个参数的估计价值方程及其测试值如表所示5。

表5列出了参数的估计 , ,和在方程和相应的显著性检验结果。可以看出三个参数的值都小于0.05;因此,假设方程系数与因变量应该被拒绝;也就是说,自变量可以解释因变量的变化。因此,时空模型可以表示如下:

4.3。模型比较

为了测试运输网络流量的预测模型,我们使用了非空间时间序列预测方法STL(季节性潮流分解过程基于黄土)来验证结果。STL的方法是克利夫兰在1990年提出的一个时间序列分解法(32],该方法时间序列数据分解成独立的长期趋势,季节性组件和残差来实现预测。尽管STL方法无法实现时空预测,它可以获得事物的演化特征和规则随着时间的推移,通过处理时间序列数据,然后预测事物的未来发展(33]。

基于获得的运输网络模型方程(5),时空预测是由使用一阶和二阶空间权重矩阵构造。通过交通量时间序列数据的60港口从2011年到2015年在南中国海作为训练数据,以2016年交通量时间序列数据为测试样本模型的预测能力,时空预测结果。在空间维度,图7显示了时空STL模型和预测结果的海洋体积在2016年在南海航运网络。在时间维度,图8显示船舶交通量的预测结果在2016年在南海航运网络。

从预测结果图7在空间域,与STL方法相比,运输网络的时空模型的预测结果发现更好的适应不同的端口大小的预测结果更接近观测值。在图8在时间域,可以发现两个模型可以获得一个不错的选择。此外,它也可以发现,当观测的time-stationary很高,这两个模型可以很好地方法观测;观察随时间差异很大时,时空模型可以更容易地捕捉这种变化。

4.4。模型的准确性

在前面的小节中,我们比较了时间域和空间域海洋交通量的拟合结果。在本节中,我们比较两个概括和分析评价结果准确性的交通量预测运输网络在南中国海。为了比较两个模型的预测精度,三个指标,即皮尔逊相关系数(R),均方根误差(RMSE)和平均绝对百分比误差(日军)选择。表6显示了评价结果。

如表所示6的相关系数R基于STARMA模型(0.8827)明显高于STL模型的相关系数(0.4469),表明与时间序列模型相比,时空模型更容易捕获每月的周期和趋势交通量港口的运输网络。的RMSE STARMA模型高出12.15%的RMSE STL模型,表明时空模型对异常值的流量观测更敏感;也就是说,它更容易解释时空变化。同样,日军STARMA模型的精度也比日军STL模型,已增加了19.66%,这表明时空模型的预测精度优于基于时间序列。

通过模型比较,发现时空模型适合比时间序列模型在预测区域运输网络流量体积和可以更好地解释区域运输网络的时空变化。分析表明,原因是它不仅提取时空系列的大规模非线性趋势也抓住了小规模随机的时空变化。因此,时空模型可以提高泛化精度在一定程度上的配件。

5。结论

本研究使用船舶AIS数据从2011年到2016年在南海附近的海域建立一个基于数据挖掘技术的区域运输网络。然后,考虑相关性的影响港口航运网络交通量,确定一组紧密相连的端口利用航运网络的拓扑特性,用于构建空间权重矩阵的运输网络在南中国海。最后,STARMA模型被用来推导流量之间的互动在相邻的港口运输网络和获得交通预测港口区域运输网络。结论如下:(1)通过分析的时间序列数据的时空特征南海各港口的船舶交通运输网络,它可以得出的结论是,海上交通体积有一定的规律和不同时间和空间;,每个地区的港口货运量显示一定程度的局部自相关在传统的基于距离权重矩阵,它显示了一个明确的时空相关性在网络环境中。(2)海上交通有很强的规律性。这个规律不仅反映在港口的时间序列自相关特性的交通量也与空间相关港口之间高度相关。网络邻近规则基于航运网络社区的特点提出了不仅考虑了地理限制,还考虑港口网络的作用,可以更好地捕捉海洋交通量的空间相关性比空间相邻的规则只考虑地理距离。(3)结合测量海洋交通量数据南海周边港口的船舶交通量预测方法的适用性基于时空关联特征提出了验证。等评价指标R日军,RMSE用于评估预测模型的模拟结果。结果表明,时空模型的拟合结果优于时间序列模型,它可以更好地解释区域运输网络的时空变化。上述结果表明,本文提出的预测模型是合理和有效的。特别是,本文提出的方法是使用一段时间的数据作为训练数据预测随后的交通量。因此,本文提出的方法也适用于在未来交通量的预测,即2018年和2019年。

此外,从本文获得的结果还反映本文构建的模型反映了系统的特点和地区运输系统的时空相关性特征,总结了交通运输网络的完整性和系统中各个部分的相互关系。在某种程度上,本文揭示了复杂性、变化规律,区域运输系统和发展趋势,提供了一个科学依据港口的科学规划未来的发展规模和长期战略决策的制定,并为港口系统研究提供了一定的补充。由于运输是一个复杂多变的行业,将与全球经济的兴衰,在中长期,建议每个国家应该分析区域运输系统的未来发展趋势。在此基础上,科学规划布局调整的国内港口,并保持适度建设港口,实现区域的可持续发展航运。

本文从相关性的影响开始在海上交通运输网络的节点,分析了时空自相关船舶交通量在海面上,并在此基础上建立相应的预测模型。然而,不足之处仍需要进一步探讨。本文主要考虑节点的影响相关的海上交通运输网络。空间结构和拓扑特征的影响在海上交通需要进一步研究。此外,不同的历史数据量导致不同的预测结果,和灵敏度分析历史数据量应进一步研究。

数据可用性

AIS数据用于支持本研究的发现是由Elane Inc . (http://www.elane.com)许可证,所以不能免费提供。

的利益冲突

作者宣称没有利益冲突。

确认

本文是国家重点支持的研发计划(批准号2017 yfb0504205),主要的国家社会科学基金项目(批准号14 zda078-5),中国国家自然科学基金(批准号41401450)。

引用

1. d·f·王董问:l z, m .彭,汗,和a . Tarasov“绿色物流对国际贸易的影响:证据来自发达国家和发展中国家,“可持续性,10卷,不。7,2235年,页2018。视图:出版商的网站|谷歌学术搜索
2. r·j·桑切斯j·霍夫曼,a . Micco g . v . Pizzolitto m . Sgut和g . Wilmsmeier”港口效率和国际贸易:港口效率作为海上运输成本的决定因素,”海洋经济和物流,5卷,不。2、199 - 218年,2003页。视图:出版商的网站|谷歌学术搜索
3. j . m . s . c . m . c . Tan Wong, z . r .关和张平,”一个聚合方法短期交通流预测,“IEEE智能交通系统,10卷,不。1、60 - 69、2009页。视图:出版商的网站|谷歌学术搜索
4. y·拉希德h . Meersman e . Van de Voorde和t . Vanelslander”集装箱在短期预测:安特卫普港ARIMA-intervention模型”海洋经济和物流,19卷,不。4、749 - 764年,2017页。视图:出版商的网站|谷歌学术搜索
5. b, s . Gurgen b Unver写道,y Altın,“预测波罗的海干散货运价指数通过使用人工神经网络方法,”土耳其的电气工程和计算机科学杂志》上,26卷,不。3,2017。视图:谷歌学术搜索
6. l . Henesey”使用系统动态建模预测全球集装箱的需求,”国际海事协会经济学家学报》(IAME)诺福克,弗吉尼亚州,美国,2014。视图:谷歌学术搜索
7. h . x冯、f . c .香港和y . j .肖”船舶交通流预测模型研究基于支持向量机”先进的电子商务研究、Web应用程序和沟通施普林格,页446 - 451年,柏林,德国,2011年。视图:谷歌学术搜索
8. x王:张、张y和z,“短期地铁客流量的预测与支持向量机在线模式,”《先进的交通工具ID 3189238条,卷。2013年,13页,2018。视图:出版商的网站|谷歌学术搜索
9. p·l·p·w·h·k·Lam Ng, w . Seabrooke和e·c·m·回族“预测港口货物吞吐量和可靠性分析在香港,“城市规划与发展》杂志上,卷130,不。3、133 - 144年,2004页。视图:出版商的网站|谷歌学术搜索
10. m . m . Mostafa”预测苏伊士运河交通:神经网络分析,“海事政策与管理没有,卷。31日。2、139 - 156年,2004页。视图:出版商的网站|谷歌学术搜索
11. b .杨”,对网格资源预测模型基于遗传算法优化的BP神经网络,”计算机模拟,29卷,第246 - 243页,2012年。视图:谷歌学术搜索
12. 陈和w·王,“灰色神经网络预测交通流,”东南大学学报卷,45 34-49,2004页。视图:谷歌学术搜索
13. j . x刘、张t . w . Liu”研究船舶交通流量预测方法,结合”中国的导航32卷,第84 - 80页,2009年。视图:谷歌学术搜索
14. 诉Gosasang, t . l . Yip, w . Chandraprakaikul”应用程序对港口集装箱吞吐量预测规划:曼谷港口,”国际论坛在航运、港口和机场(IFSPA) 2013:贸易、供应链和运输活动:现代物流和海事问题,2013年。视图:谷歌学术搜索
15. j·法尔和g . p . Ong”预测季节性使用SARIMA模型在国际港口集装箱吞吐量,”海洋经济和物流,20卷,不。1,第148 - 131页,2018。视图:出版商的网站|谷歌学术搜索
16. m . Goodchild空间自相关GeoBooks,英国诺里奇,1986年。
17. s·洛佩斯:Brondino, a . Rodrigues da Silva“可视化分析工具可为交通规划:空间回归模型对交通需求预测,“Isprs国际信息杂志》上,3卷,不。2、565 - 583年,2014页。视图:出版商的网站|谷歌学术搜索
18. 王y和k . Cullinane”交通整合东亚集装箱港口:网络流量分析,“交通研究部分:政策和实践卷,61年,第163 - 152页,2014年。视图:出版商的网站|谷歌学术搜索
19. c . Ducruet i卢戈,“交通网络的结构和动力学:模型”交通研究的圣人手册卷。347年,圣人出版物,千橡市,美国,2013年。视图:谷歌学术搜索
20. 王c和j·王,“全球航运网络的空间格局及其枢纽辐射式航线结构系统,”运输经济学研究,32卷,不。1,54 - 63年,2011页。视图:出版商的网站|谷歌学术搜索
21. c . Kooperberg f·奥沙利文,“预测振荡模式:合成的时空分解方法的随机领域,“美国统计协会杂志》上,卷91,不。436年,第1496 - 1485页,1996年。视图:出版商的网站|谷歌学术搜索
22. a . s .郝林,“时空风速的预测和评估与统计检验比较空间预测的准确性,”德州农工大学学院站,美国,2009年,论文和Theses-Gradworks TX。视图:谷歌学术搜索
23. y . g . w . g .汉j . f . Wang高,和h . Jian-Jun,“预测和分析区域交通流量在时间和空间上,“高速公路和交通研究期刊》的研究和发展,24卷,不。6,92 - 96年,2007页。视图:谷歌学术搜索
24. d . l . Buckeridge m . a .为了p .瑞士人和m . Crubezy”一个分析框架,用于时空反常检测在公共卫生监测数据,”学报AMIA年度研讨会华盛顿特区,页120 - 124,美国2003年11月。视图:谷歌学术搜索
25. p和s . j . e . Pfeifer Deutsch”STARIMA模型程序与应用程序来描述和区域预测,“英国地理学家研究所的事务,5卷,不。3、330 - 349年,1980页。视图:出版商的网站|谷歌学术搜索
26. m . Zachcial和c . HeideloffISL航运统计年鉴》,航运学院经济学和物流,不莱梅,德国,2001年。
27. 联合国贸易和发展会议”,对海上运输2016。”对海上运输13卷,第257 - 251页,2016年。视图:谷歌学术搜索
28. d·黄和w·彭”与引用参数,基于网格的DBSCAN算法”物理Procedia,24卷,第1170 - 1166页,2012年。视图:出版商的网站|谷歌学术搜索
29. 张x z . y . m . Chen和m . c . Li”地理空间研究协会的城市群在南中国海海上交通流的基础上,“可持续性,10卷,不。9,3346年,页2018。视图:出版商的网站|谷歌学术搜索
30. j·m·德雷克和d·m·洛奇”全球热点生物入侵:压载水管理、评估选项”英国伦敦皇家学会学报》上。系列B:生物科学,卷271,不。1539年,第580 - 575页,2004年。视图:出版商的网站|谷歌学术搜索
31. p . Kaluza a . Kolzsch m·t·g和b . Blasius”全球货船的复杂网络运动”,《英国皇家学会界面,7卷,不。48岁,1093 - 1103年,2010页。视图:出版商的网站|谷歌学术搜索
32. r·b·克利夫兰,“STL:季节性潮流分解过程基于黄土,”杂志的官方统计数据》第六卷,3-33,1990页。视图:谷歌学术搜索
33. c . Bergmeir r . j . Hyndman和j·m·贝尼特斯”装袋指数平滑方法使用STL分解和Box-Cox转换,“国际期刊的预测,32卷,不。2、303 - 312年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Xianzhe Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。