长江小南海枢纽过坝货运量预测与通航规模研究

发布时间：2020-08-08 07:26

【摘要】： 长江素有“黄金水道”之称,长江干支流通航总里程长达8万Km,三峡工程建成后,库区航道将有较大的改善,万吨级船队可直达重庆。而重庆以上河段为丘陵山区,滩多流急,航道条件差,仅可通行千吨级船队,严重地制约了腹地的经济发展,需要对此采取强有力的工程措施予以解决。而小南海水利枢纽正是改变这一现状的重要工程。小南海水利枢纽规划位于长江宜宾至重庆河段重庆境内,是三峡水利枢纽的上游衔接梯级,是一座以发电和航运为主,并有拦沙减淤、滞洪和灌溉供水等综合利用效益的枢纽工程。随着要地区经济和综合运输的发展,为充分发挥水运在国民经济发展中的作用,有效地促进新的历史时期水运建设的健康、快速的发展,就有必要对小南海水利枢纽货运量未来的发展趋势有正确的把握,这就需要对未来经济发展对水运的需求做出正确的预测。水运货运量是确定水运交通基础设施建设规模的主要依据,货运量预测结果的合理性、可靠性直接影响水运工程项目的投资和效益,对制定未来水运发展战略、合理利用资源、充分发挥水运设施的效益都有着重要的意义。论文在广泛参阅有关货运量预测文献的基础上,阐述了水运货运量预测原理、方法和步骤,综合分析了目前主要预测方法的适用范围和存在的不足,对灰色系统理论在货运量预测中的应用进行了比较深入的研究和探讨,分析了以灰色系统理论为基础进行货运量预测的建模思想、检验方法及适用范围,改进了指数加权平均灰色模型从而拓展了灰色预测领域、增强了灰色预测模型的适用性、提高了预测精度。论文简要介绍人工神经网络的基本结构特征和学习规则,在此基础上建立了人工神经网络回归预测模型。分析了组合预测方法的研究与发展状况,利用BP神经网络的高度非线性映射能力,建立了基于神经网络技术的非线性组合预测模型,并总结了非线性组合预测方法的优越性。从而得出小南海水利枢纽的货运量值。
【学位授予单位】：重庆交通大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：F224;F552
【图文】：

示意图,示意图,西部地区,原材料

2图1.1 小南海枢纽位置示意图Location of the xiao nan hai key position1.1.2 目的意义随着我国经济发展战略由沿海转向中部和西部,这就给自然资源丰富的西部地区带来了前所未有的发展机遇。在我国现代化建设进程中,能源、交通和原材料是国民经济发展的“瓶颈”。长江中下游和沿海一带,工厂设备精良,工艺技术先进,加工工业发达，但能源和原材料紧缺,电力供应不足,迫使不少企业停工停产。随着21世纪中下游地区经济的持续发展,更需要庞大的能源和原材料支撑。另一方面，西部大开发不断向纵深发展，工业规模逐步扩大，川渝经济走廊逐步形成，产品内、外运输需求旺盛。西部地区落后的交通现状仍然制约着地区经济的发展，修建小南海枢纽，将提高长江上游水运大通道的航道等级，加快西部地区工业化进程，加速川渝地区城市群建设，促进西部经济一体化的协调发展，使西部地区按照科学发展观更快更好地可持续发展，尽快把西部地区建设成为我国经济又一个新的增长极。根据交通部航运发展规划，今后十年内，内河航运的重点主要集中在我国西部地区。到2010年初步治理长江上游水富至宜宾和汉江中、上游航道

示意图,示意图,学习规则,反馈网络

的传递方式，人工神经网络可大致分为前馈网络和反馈网络及混合网络[46]。图3.2给出了神经网络的拓扑结构示意图。前馈网络(Feedforward Networks)的信息流由输入层逐层向下传递，没有反馈信息流，经网络处理后由输出层输出；反馈网络(又称递归网Recurrent Networksor Feedback Networks)的信息流则由某一层的输出通过连接权重又作为输入反馈到同一层或前一层。在反馈网络中，输出不仅与当前的输入有关，还与以前的输出有关。图3.2 神经网络拓扑结构示意图Neural network topology map3. 1. 4 人工神经网络的学习规则人工神经网络的功能不仅与其拓扑结构有关，还与网络的学习算法即学习规则有关，不同的学习规则决定了网络的不同功能。神经网络的运行过程大体上可分为两个阶段:网络的学习(或训练)和网络的联想。学习是神经网络的主要特征，网络的学习就是通过不断地向网络输入一些样本模式，网络遵循一定的学习规则即算法，来不断调整网络的各层权重，从而使网络的输入和输出以一定精度向给定的样本模式逼近。学习的实质就是网络通过输入输出信息识别存在于信?

示意图,BP神经网络,三层,输入向量

3 0(1)信息的正向传递过程这里以图3.3所示的三层BP神经网络为例。设输入层有n个节点，输入向量为X，输出向量为g(x)；隐含层有m个节点，输入向量A，输出向量f( A)；输入层与隐含层之间的连接权重矩阵为 AW；输出层有p个节点，输入向量为B，输入向量为∧Y；隐含层与输出层之间的连接权重矩阵为 BW；Y为期望输出向量。图3.3 三层BP神经网络示意图Three BP neural network map则：TnX [x,x

【参考文献】