基于GA優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)船舶交通流量預(yù)測(cè)方法研究

，，

(上海海事大學(xué) 信息工程學(xué)院，上海 201306)

準(zhǔn)確的船舶交通流量預(yù)測(cè)能為港口管理部門和航道管理部門提供可靠的數(shù)據(jù)，為疏通航道或者港口泊位提供有力支撐，同時(shí)也為海上或者內(nèi)河航運(yùn)減少交通事故、合理利用現(xiàn)有資源提供極大幫助[1]。常用的交通流量的定量預(yù)測(cè)[2]方法主要有：時(shí)間序列法、回歸分析法、灰色預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)法、模糊預(yù)測(cè)法等。近幾年也出現(xiàn)了些新的方法：組合預(yù)測(cè)、遺傳基因預(yù)測(cè)、多因素組合分析法、支持向量機(jī)法[3]等。但這些預(yù)測(cè)方法很難滿足當(dāng)前船舶交通流量預(yù)測(cè)的要求，需要從預(yù)測(cè)模型和預(yù)測(cè)精度上進(jìn)行改進(jìn)。

灰色神經(jīng)網(wǎng)絡(luò)組合模型雖然預(yù)測(cè)結(jié)果優(yōu)于單純的灰色模型和BP神經(jīng)網(wǎng)絡(luò)模型，但是由于權(quán)值閾值是隨機(jī)初始化，極易陷入局部最優(yōu)。在多種優(yōu)化方法中[4-7]，本文選用遺傳算法。遺傳算法(GA)具有很強(qiáng)的全局收斂性，利用GA優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值和閾值，能夠克服灰色神經(jīng)網(wǎng)絡(luò)快速收斂性，提高預(yù)測(cè)的精度。

1 預(yù)測(cè)模型的構(gòu)建

1.1 模型拓?fù)浣Y(jié)構(gòu)的確定

影響港口船舶交通流量的因素[8-9]很多，比如經(jīng)濟(jì)指數(shù)，運(yùn)輸成本、業(yè)務(wù)量、港口服務(wù)指數(shù)，天氣狀況，收費(fèi)價(jià)格，船舶的平均噸位，泊位的平均長(zhǎng)度，吞吐量以及歷史同期數(shù)據(jù)等。根據(jù)各個(gè)因素對(duì)港口交通流量的影響程度，從中選取業(yè)務(wù)量指數(shù)、港口景氣指數(shù)、運(yùn)價(jià)指數(shù)、船舶的平均噸位、前一月中此天的流量4個(gè)因素作為主要因素預(yù)測(cè)上海洋山港(北緯30°30′～30°50′、東經(jīng)121°40′～122°10′區(qū)域)船舶交通流量。故灰色神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為1-1-5-1。

1.2 流量預(yù)測(cè)建模

根據(jù)以上原理構(gòu)建船舶交通流量預(yù)測(cè)算法流程，見圖1。

圖1 船舶交通流量預(yù)測(cè)建模過(guò)程

1.3 輸入數(shù)據(jù)處理

首先，結(jié)合常識(shí)和統(tǒng)計(jì)學(xué)規(guī)律對(duì)于原始數(shù)據(jù)進(jìn)行預(yù)處理，剔除錯(cuò)誤數(shù)據(jù)，其次，由于灰色神經(jīng)網(wǎng)絡(luò)對(duì)于輸入數(shù)據(jù)比較敏感以及輸入數(shù)據(jù)有著不同的單位和取值范圍，所以必須對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行歸一化處理，使其值在[0,1]范圍之內(nèi)，處理公式如下。

(1)

式中：i，j——輸入數(shù)據(jù)的行和列，為歸一化的輸出。

1.4 改進(jìn)的灰色神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)步驟

灰色神經(jīng)網(wǎng)絡(luò)采用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法，誤差反向傳播學(xué)習(xí)，其學(xué)習(xí)步驟如下。

1)用訓(xùn)練數(shù)據(jù)初始化網(wǎng)絡(luò)結(jié)構(gòu)，用GA優(yōu)化初始化參數(shù)a和bi(i=1,2，3，4)，從而計(jì)算網(wǎng)絡(luò)的初始權(quán)值。

2)對(duì)每一個(gè)輸入序列，計(jì)算每層的輸出。

3)計(jì)算輸出預(yù)測(cè)值和誤差，并根據(jù)誤差調(diào)整閾值θ和權(quán)值，其權(quán)值調(diào)整公式如下。

wij(t+1)=wij(t)-μj-1δjXi

(2)

式中：wij——節(jié)點(diǎn)i到節(jié)點(diǎn)j的t時(shí)刻的連接權(quán)；

δj——節(jié)點(diǎn)j的誤差項(xiàng)；

μj-1——增益；

Xi——節(jié)點(diǎn)i的輸出。

4)判斷是否可以結(jié)束學(xué)習(xí)，若否，則返回步驟2)繼續(xù)學(xué)習(xí)，直至結(jié)束學(xué)習(xí)。

2 仿真實(shí)驗(yàn)及結(jié)果研究

2.1 實(shí)驗(yàn)數(shù)據(jù)以及實(shí)驗(yàn)設(shè)置

采取上海洋山港2010年3月31日～5月8日的39 d流量數(shù)據(jù)及其相關(guān)因素作為實(shí)驗(yàn)數(shù)據(jù)。針對(duì)灰色預(yù)測(cè)模型，用30 d的數(shù)據(jù)作為原始數(shù)據(jù)，預(yù)測(cè)39 d內(nèi)船舶流量；對(duì)于灰色神經(jīng)網(wǎng)絡(luò)初始化參數(shù)a，b1，b2，b3，b4均為0.25+rand(1)/4，學(xué)習(xí)速率為0.018，前30 d的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后9 d的數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù)，用來(lái)分析評(píng)價(jià)預(yù)測(cè)模型的性能；用GA優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)初始參數(shù)時(shí)，設(shè)置種群規(guī)模為30，迭代次數(shù)為100次，得到最優(yōu)初始值見表1。

表1 最佳初始參數(shù)

2.2 實(shí)驗(yàn)仿真對(duì)比

分別對(duì)灰色模型，灰色神經(jīng)網(wǎng)絡(luò)模型，GA優(yōu)化的灰色神經(jīng)模型進(jìn)行Matlab仿真并進(jìn)行對(duì)比，仿真結(jié)果見圖2～4。

從圖2～4中可見，灰色模型預(yù)測(cè)的誤差較大，但灰色模型用于預(yù)測(cè)的樣本數(shù)據(jù)較少，為后續(xù)模型建立提供良好的數(shù)據(jù)源；灰色神經(jīng)網(wǎng)絡(luò)組合模型誤差有所減小，但是由于BP神經(jīng)網(wǎng)絡(luò)采用隨機(jī)初始化參數(shù)，預(yù)測(cè)精確度不是很高；GA優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的初始值，讓初始值達(dá)到最優(yōu)，從而使預(yù)測(cè)誤差降到最小。

圖2 灰色模型預(yù)測(cè)值與實(shí)測(cè)值比較

圖3 灰色神經(jīng)模型預(yù)測(cè)值與灰色預(yù)測(cè)值

圖4 GA優(yōu)化預(yù)測(cè)值、灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值及灰色模型和實(shí)測(cè)值比較

GA優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)組合模型融合了3種算法的優(yōu)勢(shì)，從預(yù)測(cè)結(jié)果可以看出預(yù)測(cè)較為準(zhǔn)確，數(shù)據(jù)誤差較小，預(yù)測(cè)精度得到提高，證明了該方法在船舶流量預(yù)測(cè)方面的可行性和準(zhǔn)確性。

3 結(jié)束語(yǔ)

本文考慮了船舶流量的主要影響因素，利用灰色模型減少對(duì)樣本數(shù)據(jù)的依賴性，并弱化樣本數(shù)據(jù)的隨機(jī)性以及神經(jīng)網(wǎng)絡(luò)的高度非線性對(duì)船舶流量進(jìn)行預(yù)測(cè)，并采用GA對(duì)網(wǎng)絡(luò)初始參數(shù)進(jìn)行優(yōu)化，從而大大提高了預(yù)測(cè)的準(zhǔn)確性和精度。該模型為船舶交通流量預(yù)測(cè)提供新思路及有效方法，結(jié)合航運(yùn)電子實(shí)驗(yàn)室的船舶交通監(jiān)控系統(tǒng)和上海國(guó)際航運(yùn)研究中心的數(shù)據(jù)，能有效地運(yùn)用到上海洋山深水港的船舶交通流量預(yù)測(cè)中。但灰色神經(jīng)網(wǎng)絡(luò)模型優(yōu)化研究尚不夠深入，性能提高有待進(jìn)一步研究。

[1] 張仁初.寧波港船舶交通流量預(yù)測(cè)研究[D].大連: 大連海事大學(xué),2008.

[2] 鄭友銀,徐志京.基于灰色自回歸模型的船舶流量預(yù)測(cè)方法[J].船海工程，2011,40(1)：122-124.

[3] 馮宏祥,肖英杰,孔凡邦.基于支持向量機(jī)的船舶交通流量預(yù)測(cè)模型[J].中國(guó)航海，2011,34(4)：62-68.

[4] 李紅喜,付玉慧,張仁初.港口船舶交通流量預(yù)測(cè)[J].大連海事大學(xué)學(xué)報(bào),2009,35(3): 40-42

[5] 袁景凌,鐘 珞,李小燕.灰色神經(jīng)網(wǎng)絡(luò)的研究及發(fā)展[J].武漢理工大學(xué)學(xué)報(bào),2009,31(3): 91-93.

[6] 于 波,丁 源.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在鐵路客運(yùn)量預(yù)測(cè)中的應(yīng)用[J].鐵道經(jīng)濟(jì)研究,2012,107(3):43-47.

[7] 張棟楠,舒中俊,陳慶全,等.改進(jìn)型灰色神經(jīng)網(wǎng)絡(luò)在火災(zāi)預(yù)測(cè)中的應(yīng)用研究[J].中國(guó)安全科學(xué)學(xué)報(bào),2012,22(2):51-55.

[8] 王 東，熊錫龍.基于影響因素分析的船舶交通流量預(yù)測(cè)多元線性回歸模型[J].船海工程，2010,39(3):178-180.

[9] 王 東.基于BP人工神經(jīng)網(wǎng)絡(luò)的船舶交通流量預(yù)測(cè)研究[D].武漢：武漢理工大學(xué)，2009.