19561

۱۹۵۶۱

مدل پيش‌بيني توان عملياتي بندر (مطالعه موردي بندر اميرآباد)

كارشناسي ارشد

برنامه ريزي حمل و نقل

۱۳۹۴

۱۳۹۶/۱۱/۳۰

دكتر محمود احمدي نژاد - دكتر عبدالرضا شيخ الاسلامي

عمران

پيش‌بيني توان عملياتي بندر يك فرآيند پيچيده غيرخطي ديناميكي است. دقت پيش‌بيني توان عملياتي بندر متأثر از مؤلفه‌هاي بسياري است كه با توجه به غيرقطعي بودن عوامل اقتصادي-اجتماعي كه تأثير زيادي در اين موضوع دارند، دستيابي به يك نتيجه رضايت‌بخش را بسيار دشوار ساخته است. عليرغم آن كه براي پيش‌بيني توان عملياتي بندر تحقيقات زيادي صورت گرفته است اما هنوز هم واجد اهميت بالايي است. از زماني كه مدل SVR (رگرسيون بردار پشتيبان) مورد معرفي قرار گرفت، قابليت حل مسائل غيرخطي و تركيب تأثيرات عوامل اقتصادي-اجتماعي امكان پذيرگرديد. اصولا براي تعيين پارامترهاي مورد استفاده در مدل‌هاي SVR بايد از الگوريتم استفاده نمود كه در اين پايان‌نامه از الگوريتم‌هاي جستجوي فاخته، تكاملي چندمنظوره و بهينه‌سازي ازدحام ذرات استفاده شده است و با استفاده از مدل MLP عوامل ورودي نهايي براي مدل SVR تعيين گرديده است. سرانجام نتايج به دست آمده توسط مدل SVR با نتايج به دست آمده توسط مدل‌هاي پرسپترون چندلايه، رگرسيون خطي و ARIMA به‌عنوان مبنا مورد مقايسه قرار گرفتند. نهايتاً مدل SVR با توجه به كمتر بودن معيار MAPE عملكرد بهتري نسبت به بقيه مدل‌ها از خود نشان داد.

1397/07/29

(Port throughput prediction model (Case study port of Amirabad

10/21/2018 12:00:00 AM

Prediction of port throughput is a nonlinear dynamic process. The accuracy of port throughput prediction is influenced by many factors which, given the uncertainty of socio-economic factors that have a great impact on this issue, make it difficult to achieve a satisfactory result. Despite the fact that a lot of research has been done to predict the port throughput, it still has a high significance. Since the SVR model (support vector regression) has been introduced, the ability to solve nonlinear problems and the combination of the effects of socio-economic factors is possible. Basically, to determine the parameters used in SVR models, an algorithm should be used. In this thesis, cuckoo search, multi objective evolution and particle swarm optimization algorithms have been used and the final input factors for the SVR model have been determined using the MLP model. The results obtained by the SVR model were compared with the results obtained by multi-layered perceptron models, linear regression and ARIMA as the basis. Finally, the SVR model showed better performance than the rest of the models due to the lower MAPE rating.