研究港口吞吐量數據，對港口發展是有利的，很多學者也會發表這方面的論文，有的是期刊論文，有的是學位論文，有的是會議論文，今天學術顧問在這里整理了幾篇港口吞吐量的論文，發表論文的人員可作為參考：

　　論文一、基于改進多層感知機模型的港口吞吐量預測研究

　　摘要精確的港口貨物吞吐量預測對于港口的發展至關重要。本文提出了改進粒子群優化去尾均值多層感知機模型對上海港貨物吞吐量進行預測。選取了影響上海港貨物吞吐量的十個因素進行訓練,實驗結果表明該預測模型的預測性能明顯優于傳統MLP預測模型和基本的粒子群優化多層感知機模型。對該預測模型的誤差分析和收斂性分析表明該預測模型可靠。

　　出處《軟件工程》 2021年第3期39-42,35,共5頁

　　關鍵詞粒子群算法 去尾均值 多層感知機 港口吞吐量預測

　　論文二、基于EMD方法的深圳港港口吞吐量研究

　　摘要改革開放以來,中國各行各業在經濟方面得到了極大發展[1]。擁有大型港口的城市經濟情況更是實現了飛躍式增長。但是對于港口吞吐量的研究預測具有一定局限性。因此,本文利用經驗模態分解(EMD)方法對深圳港口吞吐量進行了研究,有助于更加準確進行預測[2]。

　　出處《中國水運》 2021年第10期21-22,共2頁

　　關鍵詞港口吞吐量 經驗模態分解 深圳港

　　論文三、港口吞吐量預測影響因素篩選方法研究

　　摘要物流預測指標的篩選是物流需求預測工作的首要步驟。對港口吞吐量及其影響因素進行了分析,提出了預測指標的篩選原則和篩選方法,并以廣西北部灣港口為例,利用2000—2008年的統計數據,采用灰色關聯分析法和DPS數據處理軟件工具求出各因素與港口吞吐量以及各因素之間的灰色關聯度,最后根據篩選原則選出一組相關性強、結構合理的港口吞吐量預測指標。

　　關鍵詞港口吞吐量 影響因素 預測指標篩選 灰色關聯分析法

　　論文四、基于Adaboost的改進Elman神經網絡港口吞吐量預測方法

　　摘要為提高港口吞吐量的預測精度,建立基于Adaboost算法改進的Elman神經網絡預測模型,進行吞吐量的預測。首先對Elman神經網絡進行多次訓練和迭代,然后將每個Elman神經網絡作為弱預測器,基于Adaboost算法將多個弱預測器加權組合,形成Elman-Adaboost強預測器模型。經過Adaboost算法優化的強預測器對誤差較大的數據樣本有更強的識別能力,可以實現對數據的動態增強學習。以寧波-舟山港2011—2017年的港口吞吐量數據為樣本進行仿真,分別使用BP神經網絡、Elman神經網絡、BP-Adaboost神經網絡以及Elman-Adaboost神經網絡進行預測,比較四種模型的預測精度。研究結果表明:Elman-Adaboost強預測器模型用于港口吞吐量的預測,預測結果的相對誤差最大值1.91%,最小值0.06%,可以將預測誤差控制在2%以下,數據擬合效果更好預測精度更高,可以作為港口吞吐量預測的一種方法。

　　出處《重慶交通大學學報：自然科學版》 CAS CSCD 北大核心 2021年第5期1-5,共5頁

　　基金國家自然科學基金項目(51579025)。

　　關鍵詞交通運輸工程 港口吞吐量 ADABOOST算法 ELMAN神經網絡 動態預測

　　以上都是研究港口吞吐量的論文，除此之外還有很多的期刊論文，畢業論文，不同作者需求是不一樣的，更多相關的論文詳情可隨時和在線學術顧問溝通。