基于FCM-ANFIS模型的船舶交通流預測

惠子剛， 肖建兵

(青島遠洋船員職業(yè)學院 航海系，山東 青島 266071)

成山頭水域是我國重要的海洋漁場，同時也是各種船舶進出黃海和渤海的必經要道。該水域水文環(huán)境復雜，交通繁忙，交通流比較密集。此外，由于我國沿海南北航線上的船舶均在該水域匯集，因此該水域的航行環(huán)境比較復雜，易發(fā)生水上交通事故。據統(tǒng)計，該水域平均每年的船舶交通流量近20萬艘。[1]隨著船舶大型化的發(fā)展和船舶數(shù)量的日益增多，該水域的海上交通安全狀況日益嚴峻。因此，對該水域內的船舶交通流進行準確預測具有重要意義。

1) 提前對該水域內的船舶交通流量進行準確預測，可為相關海事管理部門提供交通管制決策；在船舶交通流量較大時采取適當?shù)慕煌ü苤拼胧?，可在一定程度上緩解分道通航航道內的交通壓力，提高船舶航行效率?/p>

2) 進行交通流預測可為通航分道制的制訂和規(guī)劃提供參考[2]，在船舶比較密集的航行區(qū)域，分道通航制可在很大程度上規(guī)范船舶的航行行為，疏通和指導船舶交通流向，進而減小船舶因無規(guī)律航行而發(fā)生事故的概率。

3) 進行船舶交通流預測可為船舶駕駛人員提供航行預警信息，使其在船舶密集的水域根據相應的預測交通流量提前做好謹慎航行措施，并在設計航線時適當根據船舶交通流量的預測狀況采取一定的措施避開船舶過多的水域。

因此，船舶交通流預測可為船舶計劃航線設計及在復雜水域和交通流密集水域安全航行提供參考，從而減少船舶事故的發(fā)生。此外，船舶交通流預測可為港口建設、航道設計及船舶安全航行與管理提供可靠的支持和保障，使進出港口航道的可航能力得到充分發(fā)揮。當前，相關研究人員[3-5]已提出不同的模型和算法進行船舶交通流量分析預測。

隨著人工神經網絡技術的飛速發(fā)展及神經網絡自學習和非線性映射能力的不斷增強，人工神經網絡技術在海洋工程及其他工程領域得到廣泛應用。BP(Back Propagation)神經網絡屬于多層前饋神經網絡，是應用最廣泛的神經網絡模型之一。BP神經網絡及其各種優(yōu)化的預測模型在船舶交通流預測領域和其他預測領域的應用也十分廣泛。然而，傳統(tǒng)的BP神經網絡存在一些缺點[6]，即：BP網絡訓練參數(shù)的選擇具有隨機性；模型參數(shù)的確定敏感性較高，收斂速度相對比較難控制等。

模糊系統(tǒng)[7]是一種可有效處理非線性問題的工具，但其與人工神經網絡之間的特性存在較大差異。前者適合表述模糊的或定性的理論[8]，但其自學習能力相對較差[9]。

為進一步提高預測精度，并綜合考慮模糊系統(tǒng)和神經網絡的優(yōu)缺點，提出一種基于模糊C均聚類自適應神經模糊推理系統(tǒng)(Fuzzy C-Means Clustering Algorithm with Adaptive Neural-Fuzzy Inference System)的船舶交通流預報模型。該模型采用模糊C均值聚類算法獲取模糊規(guī)則數(shù)量，并采用BP算法和最小二乘估計算法對模型參數(shù)進行訓練學習。模型的輸入變量采用相關分析法確定。最后選取成山頭船舶自動識別系統(tǒng)(Automatic Identification System，AIS)基站的船舶交通流記錄數(shù)據進行交通流預報仿真，試驗結果表明本文提出的方法可有效實現(xiàn)交通流的準確預報。

1 自適應神經模糊推理系統(tǒng)

JANG[10]提出自適應神經模糊推理系統(tǒng)(Anlaptive Neural-Fuzzy Inference System, ANFIS)，該模型是一種基于Takagi-Sugeno模型的系統(tǒng)。ANFIS擁有模糊系統(tǒng)的決策判斷能力和神經網絡的自學習能力，在不同研究領域得到廣泛應用。[11-12]典型的簡單2條規(guī)則ANFIS結構為

IfxisA1andyisB1， thenf1=a1x+b1y+c1

IfxisA2andyisB2， thenf2=a2x+b2y+c2

(1)

式(1)中:A和B為與輸入節(jié)點相關的模糊變量。對應的ANFIS結構見圖1。

經典的ANFIS模型共由5層結構組成。

1) 第一層為數(shù)據模糊化層，包括ANFIS的前件可調模型參數(shù)。

2) 第二層為計算前件網絡模糊集及模糊規(guī)則的適應度計算層。

3) 第三層為歸一化計算第二層的輸出。

4) 第四層為計算出每條規(guī)則的輸出，包含ANFIS的后件可調模型參數(shù)。

5) 第五層為計算全部規(guī)則的輸出和，即后件的輸出值。

由模糊推理系統(tǒng)的輸入與輸出之間的關系及整個ANFIS模型的網絡結構分析可知，該模型主要通過對采樣數(shù)據進行訓練學習，自適應地調整整個網絡模型的網絡參數(shù)(包括前件參數(shù)和后件參數(shù))。為進一步提高網絡模型的效率和精度，ANFIS模型采用結合BP算法與最小二乘算法的混合算法進行網絡訓練。采用BP算法調整模型的條件參數(shù)(前件參數(shù))，采用線性最小二乘估計算法調整結論參數(shù)(后件參數(shù))。該算法可減少模型的學習時間，提高模型搜索效率。模型的輸出為

(2)

2 模糊C均值聚類(FCM)算法

模糊C均值聚類[13]算法通常采用隸屬度函數(shù)確定采樣點的隸屬聚類中心。算法的核心是循環(huán)計算并修正屬于隸屬度函數(shù)的聚類中心和分類矩陣，從而完成聚類分類。FCM將n個數(shù)據矢量Xi(i=1,2,…,n)分解為C個模糊組，在滿足衡量代價函數(shù)最小的條件下，計算各模糊組的聚類中心。FCM使用[0-1]之間的隸屬度值確定采樣數(shù)據的隸屬度程度。通常通過數(shù)據的初始化處理，使一個采樣數(shù)據組合的隸屬度總和為1，即

(3)

FCM的代價函數(shù)通常表示為

(4)

3 預測模型建模

3.1 數(shù)據分析

相關性分析[14]源于時間序列和數(shù)據信號的處理，可定量顯示出一組原始時間序列數(shù)據中任意2個不同時間序列數(shù)據之間的關系和這2個數(shù)據隨時間變化的狀況。自相關分析可定量描述時間序列任意相鄰數(shù)據之間的關聯(lián)性。自相關和偏自相關函數(shù)[15]通?？捎行Х治鰪碗s時間序列問題：自相關函數(shù)可刻畫時間序列相鄰變量之間的關聯(lián)性；偏相關函數(shù)可在剔除中間變量影響的基礎上準確描述2個變量之間的關聯(lián)性。船舶交通流時間序列受到諸多不確定性因素的影響，包括海上天氣狀況、海上交通密集程度和交通管制等。這些不確定要素具有較強的不確定性和非線性，一般難以精確計算出其對船舶交通流的影響。本文采用相關分析方法對海上船舶交通流時間序列值之間的關聯(lián)性進行分析研究，確定所建預測網絡模型輸入變量的個數(shù)。選取0.3的相關值確定模型輸入變量的個數(shù)，結果見圖2。由圖2可知：船舶交通流數(shù)據的自相關系數(shù)拖尾，且其自相關系數(shù)逐漸向零靠近并趨于穩(wěn)定，說明船舶交通流數(shù)據的時間序列為平穩(wěn)時間序列；船舶交通流數(shù)據的偏自相關系數(shù)5階截尾。這表明t時刻與t-5至t-1時刻之間的船舶交通流時間序列數(shù)據存在較強的相關性，預測模型選取前5個連續(xù)時刻點作為輸入變量。此次仿真試驗選用成山頭水域船舶交通管理系統(tǒng)(Vessel Traffic Service, VTS)岸基觀測站2014年8月1日至2014年8月30日共30組數(shù)據進行仿真訓練和預測，采用前60%的數(shù)據對模型進行訓練學習，采用后40%的數(shù)據進行仿真驗證。實測數(shù)據采樣間隔為1 d。

3.2 預測建模

建立并采用基于FCM算法的ANFIS模型進行船舶交通流預測的步驟：

1) 對船舶交通流時間序列數(shù)據進行相關分析，

確定預測模型的輸入變量個數(shù)為5，輸出變量個數(shù)為1；生成模型的訓練學習時間序列。

2) ANFIS預測模型采用前60%的數(shù)據進行系統(tǒng)仿真訓練，采用后40%的數(shù)據進行仿真預測檢驗。

3) 采用FCM算法進行時間序列樣本分析聚類，進而得到樣本的聚類中心和個數(shù)，確定預測模型的模糊規(guī)則數(shù)。本文模糊C均值聚類算法的初始聚類中心數(shù)為15，最大迭代次數(shù)為200，分割矩陣指數(shù)為2，目標誤差準則為0.000 01；ANFIS預測系統(tǒng)的迭代循環(huán)次數(shù)為200，初始步長為0.01，誤差目標為0，步長遞減率為0.8，步長增大率為1.5。

4) 采用BP算法和線性最小二乘估算法對預測模型的參數(shù)進行學習訓練，若滿足誤差要求或達到迭代次數(shù)，則終止訓練。

5) 得到最優(yōu)的ANFIS模型，采用船舶交通流時間序列數(shù)據進行仿真預測。

6) 計算誤差，得到最終的交通流預測值。

4 仿真結果與討論

為比較所選預測模型的預測準確度，引入均方根誤差(RMSE)、標準差(SD)和絕對誤差(MAE)作為預測模型的預測結果評價標準，其計算式為

(5)

(6)

(7)

圖3為利用4個不同的預測模型預測得到的船舶交通流預測值(BP, FCM-ANFIS及SC-ANFIS)。對應4種預測模型的4個不同的測量標準值(RMSE，MAE和SD)見表1。

該模型的預測結果與實測船舶交通流數(shù)量比較吻合。由表1可知，F(xiàn)CM-ANFIS模型的預測誤差比幾種傳統(tǒng)的預報模型的誤差小。仿真試驗在一定程度上驗證了本文所建模型在船舶交通流預測應用方面的適用性。這表明FCM-ANFIS模型可為船舶交通流預測提供一種精度更高的預測研究方向。船舶交通流量預測結果見表1和表2。

艘

表2 預測結果對比 艘

5 結束語

對特定水域進行準確的船舶交通流預測可為船舶操縱人員提供通航環(huán)境和未來交通流量的參考依據，為船舶計劃航線設計及在復雜水域和交通流密集水域安全航行提供參考，同時為海事管理部門提供決策參考，以便提前掌握船舶交通狀況，提前管理安排，從而減少船舶事故的發(fā)生，保證海上安全。

本文提出一種基于模糊C均值聚類自適應神經模糊推理系統(tǒng)的模塊化(FCM-ANFIS)中國沿海船舶交通流預測模型。采用相關分析法確定模型的輸入變量,采用FCM算法確定聚類中心。預測模型采用BP算法和最小二乘算法進行網絡參數(shù)訓練，在一定程度上克服了傳統(tǒng)模型收斂速度慢等問題。同時，選用基于AIS的船舶交通流數(shù)據進行仿真預報，仿真結果具有較高的預測精度。但是，模型的預測精度會隨著預報時間的增加而有一定程度的下降，因此采用提出的模型進行長期船舶交通流預報并提高預報精度是后續(xù)需開展的主要研究工作。

[1] 林威. 基于AIS數(shù)據的船舶交通流特性統(tǒng)計平臺研究[D]. 大連:大連海事大學, 2017.

[2] 顏江峰. 船舶定線制對提高通航效率的作用[J]. 船海工程, 2006, 35(4):83-84.

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

[4] 田燕華, 陳錦標. 基于BP神經網絡的船舶交通流量預測研究[J]. 船海工程, 2010, 39(1):122-125.

[5] 李俊, 徐志京, 唐貝貝. 基于GA優(yōu)化的灰色神經網絡船舶交通流量預測方法研究[J]. 船海工程, 2013, 42(5):135-137.

[6] BASERI H, BAKHSKI-JOOYBARI M, RAHMANI B. Modeling of Spring-Back in V-Die Bending Process by Using Fuzzy Learning Back-Propagation Algorithm [J]. Expert Systems with Application, 2011, 38(7): 8894-8900.

[7] 從爽. 神經網絡、模糊系統(tǒng)及其在運動控制中的應用[M]. 合肥: 中國科學技術大學出版社, 2001.

[8] 肖建，白裔峰，于龍. 模糊系統(tǒng)結構辨識綜述[J]. 西南交通大學學報, 2006, 41(2): 135-142.

[9] 戴文戰(zhàn)，婁海川，楊愛萍. 非線性系統(tǒng)神經網絡預測控制研究進展[J].控制理論與應用, 2009, 26(5):521-530.

[10] JANG J S R. ANFIS: Adaptive-Network-Based Fuzzy Inference Systems [J]. IEEE Transactions on Systems Man and Cybernetics, 1993, 23(3):665-685.

[11] 康正亮, 胥凱暉, 楊傳起. ANFIS在航材需求量預測中的應用[J]. 四川兵工學報,2015,36(1):84-87.

[12] 張凱銘. 基于ANFIS的區(qū)域汽車市場銷售量預測研究[D]. 吉林: 吉林大學, 2011.

[13] BEZDEK J C. Cluster Validity with Fuzzy Sets [J]. Journal of Cybernetics, 1973, 3(3):58-73.

[14] 于寧莉, 易云東, 涂先勤. 時間序列中自相關與偏自相關函數(shù)分析[J]. 數(shù)學理論與應用, 2007, 27(1):54-57.

[15] 李立春. 自相關函數(shù)在時間序列分析中[J]. 上海統(tǒng)計, 2001(6):28-29.