海上运输一直是国际贸易中最主要的运输方式,随着经济全球化的不断深入发展,作为经济全球化核心内容的国际贸易的规模也在不断扩大,航运业也得到很大的发展。同时越来越繁忙的交通流也带来港口越来越多的安全问题,基于此本文重点研究港口枢纽航道,开展交通流的预测与仿真研究,为港口水域的管理提供参考。本文通过研究神经网络建模和预测,建立了港口水域船舶流量预测模型,基于AIS数据的解析对建立的港口服务模型进行了仿真。研究主要包括以下内容:首先论文介绍了船舶交通流理论和船舶交通流预测理论的基础知识,给出船舶交通流预测模型的评价指标。通过研究神经网络建模和小波分析,建立了基于小波神经网络的预测模型。小波神经网络模型结合了小波变换与神经网络的优点,既具有小波变换的时频局域性,又具有神经网络网络的自学习和鲁棒性。为了进一步提高预测模型的精度和收敛速度,引入了粒子群优化算法,粒子群优化算法收敛速度快,并有较强的全局搜索能力。在使用训练样本进行网络训练时,使用粒子群优化算法通过重复迭代对小波神经网络的连接权值、伸缩因子和平移因子进行优化,建立了粒子群优化小波神经网络预测模型。本文通过对AIS数据的解析得到虾峙门航道的历史交通流量,分别使用小波神经网络预测模型和粒子群优化小波神经网络预测模型进行船舶交通流的预测。预测模型以历史交通流作为学习样本,利用前4天的船舶流量预测第5天的船舶流量。结合船舶交通流的特征,将船舶实际流量转化成标准船的流量后再进行预测。预测结果表明,两种预测模型都能在一定程度上预测船舶交通流量的变化趋势。对比两种模型的输出可以知道,相对于小波神经网络预测模型,粒子群优化神经网络预测模型有更高的预测精度和更快的收敛速度。本文以排队论为基础,建立了描述港口服务系统的数学模型。由于船舶的到达规律服从泊松分布,港口的服务时间服从负指数分布,本文中的港口服务系统采用M/M/c模型进行建模。利用Matlab实现服务系统的仿真,对港口有不同数量泊位时的运行效率进行分析。