Long-Term Traffic Forecast Using Neural Network and Seasonal Autoregressive Integrated Moving Average: Case of a Container Port
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Long-term insight into maritime traffic is critical for port authorities, logistics companies, and port operators to proactively formulate suitable policies, develop strategic plans, allocate budget, and preserve and improve competitiveness. Forecasting freight rate is a spotlight in port traffic literature, but relatively little research has been directed at forecasting long-term vessel traffic trends. Based on forecast long-term freight rate input provided by the recent 10-year strategic planning of the port of Rajaee, the largest port of Iran, the paper implements seasonal autoregressive integrated moving average (SARIMA) and neural network (NN) models to forecast its container vessel traffic between 2020 and 2025. A database consisting of monthly container traffic data for this port from 1999 to 2019 is utilized. The comparison between the two forecasting models is fulfilled by benchmarking the naïve method. The results reveal the superiority of the NN model over SARIMA in this practice. Considering NN model outputs, the port should expect a significant increase in Panamax and Over-Panamax vessels in the future, and, if not timely addressed, this would result in a systemic queue in the port of Rajaee. That said, the approach can be implemented in port planning and design to avoid under- or over-estimations in such capital-intensive projects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle