论文部分内容阅读
摘 要：针对当前船舶港口建筑工程成本估计精度低的问题，提出时间序列分析法的船舶港口建筑工程成本估计方法。首先采集大量船舶港口建筑工程成本历史数据，将它们组成一组时间序列数据，然后引入小波变换对船舶港口建筑工程成本时间序列数据进行分解，得到趋势部分和细节部分，使得变化特点比较明显，最后采用RBF神经网络对船舶港口建筑工程成本时间序列的趋势部分进行建模，采用支持向量机对船舶港口建筑工程成本时间序列的细节部分进行建模，并根据预测结果重构得到船舶港口建筑工程成本估计结果。实例研究结果表明，时间序列分析法的船舶港口建筑工程成本估计效率高，可以高精度对船舶港口建筑工程成本进行估计。
关键词：船舶港口;时间序列分析法;建筑工程成本;估计结果
引言
由于船舶吨位越来越大，航行的距离也越来越长，这样需要建立大量的港口，同时在港口建立相应的建筑物，保证船舶安全停靠。在港口船舶建筑物的建造过程中，工程成本估计十分关键，其不仅影响船舶建筑工程的进度，同时影响建造企业的利润。在实际应用中，船舶港口建筑工程成本与一个国家以及地区的经济环境，以及政策密切相关，同时还有一些不可预测的未知因素影响，往往具有高度不平稳性和非线性，使得船舶港口建筑工程成本估计面临巨大的挑战[1]。
为了解决当前单一船舶港口建筑工程成本估计方法精度低的难题，提出了时间序列分析法的船舶港口建筑工程成本估计方法，并通过实例研究测试了其性能。结果表明，时间序列分析法不仅能够得到高精度船舶港口建筑工程成本估计结果，而且船舶港口建筑工程成本估计速度加快。
1相关理论
1.1RBF神经网络
RBF神经网络是一种模拟人的大脑结构以及人的思维的智能处理系统，包含了大量的神经元，神经元之间存在一定的关联，相对于其它技术，其具有优势为：容错能力强、处理速度快、强大的自学习能力等，RBF神经网络的结构[1]。
设输入向量为xi（i=1，2，…，n），通过输入层的神经元节点传递到隐含层，而隐含层通过映射函数将输入向量从低维空间变换到高维空间，通常做的变换为非线性变换，一般采用高斯函数，具体为：
1.2支持向量机
T=（（x1，y1），（x2，y2）...（xn，yn））设n个船舶港口建筑工程成本估计训练样本就构成了训练样本集：，将船舶港口建筑工程成本估计归问题转化为最优化问题，即（6）式如下：
2时间序列分析法的船舶港口建筑工程成本估计方法
船舶港口建筑工程成本的变化过程，从本质是一种根据时间先后变化的系统，具有十分明显的时间特征，成本之间具有较强的时间关联性，直接采用人工神经网络进行建模估计，船舶港口建筑工程成本估计效果差，这是因为估计结果具有“平移”现象，主要是由于船舶港口建筑工程成本波动太剧烈，单一方法无法跟进船舶港口建筑工程成本变化的节奏。为了解决该难题，本文对船舶港口建筑工程成本数据进行预处理，提取趋势部分和细节部分，采用不同方法分别对它们进行估计[3]。
时间序列分析法的船舶港口建筑工程成本估计方法工作思想为：首先通过引入小波变换，将船舶港口建筑工程成本数据分解为趋势部分和细节部分，其中趋势部分描述了船舶港口建筑工程成本的整体变化趋势，细节部分描述了船舶港口建筑工程成本的高度非线性变动方向，然后引入RBF神经网络对船舶港口建筑工程成本时间序列的趋势部分进行建模，最后通过小波重构得到原始船舶港口建筑工程成本数据的估计结果[4]。
3船舶港口建筑工程成本估计的实验研究
3.1船舶港口建筑工程成本的历史样本
为了分析时间序列法的船舶港口建筑工程成本估计性能，采集一段时间的船舶港口建筑工程成本数据，该船舶港口建筑工程成本数据变化规律不十分明显。为了使船舶港口建筑工程成本估计实验结果具有可比性，选择RBF神经网络的船舶港口建筑工程成本估计方法、支持向量机的船舶港口建筑工程成估计方法进行对比实验[5]。
3.2船舶港口建筑工程成本估计性能分析
统计3种船舶港口建筑工程成本估计方法的实验结果，选择不同数量的训练样本进行5次实验，船舶港口建筑工程成本估计精度和训练时间。可以看出，本文方法的船舶港口建筑工程成本估計精度均值为92.80%，RBF神经网络的船舶港口建筑工程成本估计精度均值为82.91%，支持向量机的船舶港口建筑工程成本估计精度均值为87.60%，本文方法由于集成了RBF神经网络和支持向量机的优点，提升了船舶港口建筑工程成本估计效果，还可以看出，本文方法的船舶港口建筑工程成本估计训练时间更少，相对于对比方法，提升了船舶港口建筑工程成本估计效率[6]。
4结语
针对RBF神经网络和支持向量机无法准确估计船舶港口建筑工程成本的问题，利用两者的优点，设计了时间序列分析法的船舶港口建筑工程成本估计方法，实验验证了本文方法用于船舶港口建筑工程成本估计的优越性。
参考文献：
[1]程宇骁，罗永宏.船旗国监督检查中对船舶维护保养之体系缺陷的检查和处理[J].中国海事，2021，{4}（04）：58-62.
[2]李雯雯.船舶限硫令实施对国际海上货物运输承运人使船舶适航义务的影响[J].海大法律评论，2020，{4}（00）：120-131.
[3]于野.基于人工智能的光学遥感在轨船舶检测技术研究[D].中国科学院大学（中国科学院长春光学精密机械与物理研究所），2020.
[4]韩宗垒，徐斌，陈佳.基于神经网络的集装箱船港口作业时间预测模型[J].计算机应用与软件，2021，38（02）：78-84.
[5]王坚，黄厔，陈森阳，刘艳英.厦门船舶控制区（绿色港口）大气污染物减排成效评估[J].海峡科学，2021，{4}（01）：22-28.
[6]曾庆光，董明望，辜勇.考虑船舶碳排放的集装箱船舶进港靠泊调度问题研究[J].物流技术，2020，39（11）：95-101+141.
关键词：船舶港口;时间序列分析法;建筑工程成本;估计结果
引言
由于船舶吨位越来越大，航行的距离也越来越长，这样需要建立大量的港口，同时在港口建立相应的建筑物，保证船舶安全停靠。在港口船舶建筑物的建造过程中，工程成本估计十分关键，其不仅影响船舶建筑工程的进度，同时影响建造企业的利润。在实际应用中，船舶港口建筑工程成本与一个国家以及地区的经济环境，以及政策密切相关，同时还有一些不可预测的未知因素影响，往往具有高度不平稳性和非线性，使得船舶港口建筑工程成本估计面临巨大的挑战[1]。
为了解决当前单一船舶港口建筑工程成本估计方法精度低的难题，提出了时间序列分析法的船舶港口建筑工程成本估计方法，并通过实例研究测试了其性能。结果表明，时间序列分析法不仅能够得到高精度船舶港口建筑工程成本估计结果，而且船舶港口建筑工程成本估计速度加快。
1相关理论
1.1RBF神经网络
RBF神经网络是一种模拟人的大脑结构以及人的思维的智能处理系统，包含了大量的神经元，神经元之间存在一定的关联，相对于其它技术，其具有优势为：容错能力强、处理速度快、强大的自学习能力等，RBF神经网络的结构[1]。
设输入向量为xi（i=1，2，…，n），通过输入层的神经元节点传递到隐含层，而隐含层通过映射函数将输入向量从低维空间变换到高维空间，通常做的变换为非线性变换，一般采用高斯函数，具体为：
1.2支持向量机
T=（（x1，y1），（x2，y2）...（xn，yn））设n个船舶港口建筑工程成本估计训练样本就构成了训练样本集：，将船舶港口建筑工程成本估计归问题转化为最优化问题，即（6）式如下：
2时间序列分析法的船舶港口建筑工程成本估计方法
船舶港口建筑工程成本的变化过程，从本质是一种根据时间先后变化的系统，具有十分明显的时间特征，成本之间具有较强的时间关联性，直接采用人工神经网络进行建模估计，船舶港口建筑工程成本估计效果差，这是因为估计结果具有“平移”现象，主要是由于船舶港口建筑工程成本波动太剧烈，单一方法无法跟进船舶港口建筑工程成本变化的节奏。为了解决该难题，本文对船舶港口建筑工程成本数据进行预处理，提取趋势部分和细节部分，采用不同方法分别对它们进行估计[3]。
时间序列分析法的船舶港口建筑工程成本估计方法工作思想为：首先通过引入小波变换，将船舶港口建筑工程成本数据分解为趋势部分和细节部分，其中趋势部分描述了船舶港口建筑工程成本的整体变化趋势，细节部分描述了船舶港口建筑工程成本的高度非线性变动方向，然后引入RBF神经网络对船舶港口建筑工程成本时间序列的趋势部分进行建模，最后通过小波重构得到原始船舶港口建筑工程成本数据的估计结果[4]。
3船舶港口建筑工程成本估计的实验研究
3.1船舶港口建筑工程成本的历史样本
为了分析时间序列法的船舶港口建筑工程成本估计性能，采集一段时间的船舶港口建筑工程成本数据，该船舶港口建筑工程成本数据变化规律不十分明显。为了使船舶港口建筑工程成本估计实验结果具有可比性，选择RBF神经网络的船舶港口建筑工程成本估计方法、支持向量机的船舶港口建筑工程成估计方法进行对比实验[5]。
3.2船舶港口建筑工程成本估计性能分析
统计3种船舶港口建筑工程成本估计方法的实验结果，选择不同数量的训练样本进行5次实验，船舶港口建筑工程成本估计精度和训练时间。可以看出，本文方法的船舶港口建筑工程成本估計精度均值为92.80%，RBF神经网络的船舶港口建筑工程成本估计精度均值为82.91%，支持向量机的船舶港口建筑工程成本估计精度均值为87.60%，本文方法由于集成了RBF神经网络和支持向量机的优点，提升了船舶港口建筑工程成本估计效果，还可以看出，本文方法的船舶港口建筑工程成本估计训练时间更少，相对于对比方法，提升了船舶港口建筑工程成本估计效率[6]。
4结语
针对RBF神经网络和支持向量机无法准确估计船舶港口建筑工程成本的问题，利用两者的优点，设计了时间序列分析法的船舶港口建筑工程成本估计方法，实验验证了本文方法用于船舶港口建筑工程成本估计的优越性。
参考文献：
[1]程宇骁，罗永宏.船旗国监督检查中对船舶维护保养之体系缺陷的检查和处理[J].中国海事，2021，{4}（04）：58-62.
[2]李雯雯.船舶限硫令实施对国际海上货物运输承运人使船舶适航义务的影响[J].海大法律评论，2020，{4}（00）：120-131.
[3]于野.基于人工智能的光学遥感在轨船舶检测技术研究[D].中国科学院大学（中国科学院长春光学精密机械与物理研究所），2020.
[4]韩宗垒，徐斌，陈佳.基于神经网络的集装箱船港口作业时间预测模型[J].计算机应用与软件，2021，38（02）：78-84.
[5]王坚，黄厔，陈森阳，刘艳英.厦门船舶控制区（绿色港口）大气污染物减排成效评估[J].海峡科学，2021，{4}（01）：22-28.
[6]曾庆光，董明望，辜勇.考虑船舶碳排放的集装箱船舶进港靠泊调度问题研究[J].物流技术，2020，39（11）：95-101+141.