1. 毕业设计（论文）主要内容：
船舶交通流预测研究为航道的规划、设计和船舶通航管理提供基础性依据。
研究和分析港口航道的通过能力，应首先了解和掌握所研究港口航道水域的船舶交通流特征，并对船舶交通流进行有效的预测，这样才能构建基于港口特征和船舶到达规律的港口航道通过能力计算模型，从而更好地评价航道的服务水平，建立适应未来发展的交通流组织模式。
船舶交通流的发展受地理、经济和政策等多种因素的影响，使得船舶交通流量的预测存在较强的复杂性和非线性，深度学习的引入可较好地解决该问题，提高船舶交通流量预测的精度。
2. 毕业设计（论文）主要任务及要求
（1）综述当前主流的船舶交通流量预测方法；（2）构建基于小波分解和LSTM的船舶交通流量预测方法；（3）与当前主流预测方法进行对比分析。
3. 毕业设计（论文）完成任务的计划与安排
2020.03.06-2020.03.15：完成毕业论文的选题工作；2020.03.15-2020.03.25：撰写开题报告和外文翻译，交予指导老师；2020.03.25-2020.05.31：撰写毕业论文，并且积极与老师进行交流讨论；2020.05.31-2020.06.08：准备毕业论文答辩工作。
4. 主要参考文献
[1] Yan Li, Ryan Wen Liu, Quandang Ma, Jingxian Liu. EMD-based recurrent neural network with adaptive regrouping for port cargo throughput prediction [C]. International Conference on Neural Information Processing, 499-510, 2018.[2] Yan Li, Ryan Wen Liu, Zhao Liu, Jingxian Liu. Similarity grouping-guided neural network modeling for maritime time series prediction [J]. IEEE Access, 2019, 7: 72647-72659.[3] 刘敬贤, 张涛, 刘文. 船舶交通流组合预测方法研究[J]. 中国航海, 2009, 32(3): 80-84.[4] 刘钊. 面向复杂通航系统的船舶交通流特征及演化模型研究 [D]. 武汉: 武汉理工大学, 2017.[5] Yan Tian, Kaili Zhang, Jianyuan Li, Xianxuan Lin, Bailin Yang. LSTM-based traffic flow prediction with missing data [J]. Neurocomputing, 2018, 318: 297-305.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
