，，

(上海海事大學 信息工程學院，上海 201306)

準確的船舶交通流量預測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，同時也為海上或者內(nèi)河航運減少交通事故、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測[2]方法主要有：時間序列法、回歸分析法、灰色預測模型、神經(jīng)網(wǎng)絡法、模糊預測法等。近幾年也出現(xiàn)了些新的方法：組合預測、遺傳基因預測、多因素組合分析法、支持向量機法[3]等。但這些預測方法很難滿足當前船舶交通流量預測的要求，需要從預測模型和預測精度上進行改進。

灰色神經(jīng)網(wǎng)絡組合模型雖然預測結(jié)果優(yōu)于單純的灰色模型和BP神經(jīng)網(wǎng)絡模型，但是由于權(quán)值閾值是隨機初始化，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)具有很強的全局收斂性，利用GA優(yōu)化灰色神經(jīng)網(wǎng)絡的初始化權(quán)值和閾值，能夠克服灰色神經(jīng)網(wǎng)絡快速收斂性，提高預測的精度。

1 預測模型的構(gòu)建

1.1 模型拓撲結(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)濟指數(shù)，運輸成本、業(yè)務量、港口服務指數(shù)，天氣狀況，收費價格，船舶的平均噸位，泊位的平均長度，吞吐量以及歷史同期數(shù)據(jù)等。根據(jù)各個因素對港口交通流量的影響程度，從中選取業(yè)務量指數(shù)、港口景氣指數(shù)、運價指數(shù)、船舶的平均噸位、前一月中此天的流量4個因素作為主要因素預測上海洋山港(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)絡的拓撲結(jié)構(gòu)為1-1-5-1。

1.2 流量預測建模

根據(jù)以上原理構(gòu)建船舶交通流量預測算法流程，見圖1。

圖1 船舶交通流量預測建模過程

1.3 輸入數(shù)據(jù)處理

首先，結(jié)合常識和統(tǒng)計學規(guī)律對于原始數(shù)據(jù)進行預處理，剔除錯誤數(shù)據(jù)，其次，由于灰色神經(jīng)網(wǎng)絡對于輸入數(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，所以必須對預處理后的數(shù)據(jù)進行歸一化處理，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 改進的灰色神經(jīng)網(wǎng)絡的學習步驟

灰色神經(jīng)網(wǎng)絡采用BP神經(jīng)網(wǎng)絡的學習方法，誤差反向傳播學習，其學習步驟如下。

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

2)對每一個輸入序列，計算每層的輸出。

3)計算輸出預測值和誤差，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i到節(jié)點j的t時刻的連接權(quán)；

δj——節(jié)點j的誤差項；

μj-1——增益；

Xi——節(jié)點i的輸出。

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

2 仿真實驗及結(jié)果研究

2.1 實驗數(shù)據(jù)以及實驗設(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)因素作為實驗數(shù)據(jù)。針對灰色預測模型，用30 d的數(shù)據(jù)作為原始數(shù)據(jù)，預測39 d內(nèi)船舶流量；對于灰色神經(jīng)網(wǎng)絡初始化參數(shù)a，b1，b2，b3，b4均為0.25+rand(1)/4，學習速率為0.018，前30 d的數(shù)據(jù)作為訓練數(shù)據(jù)，后9 d的數(shù)據(jù)作為預測數(shù)據(jù)，用來分析評價預測模型的性能；用GA優(yōu)化灰色神經(jīng)網(wǎng)絡初始參數(shù)時，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 實驗仿真對比

分別對灰色模型，灰色神經(jīng)網(wǎng)絡模型，GA優(yōu)化的灰色神經(jīng)模型進行Matlab仿真并進行對比，仿真結(jié)果見圖2～4。

從圖2～4中可見，灰色模型預測的誤差較大，但灰色模型用于預測的樣本數(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)絡組合模型誤差有所減小，但是由于BP神經(jīng)網(wǎng)絡采用隨機初始化參數(shù)，預測精確度不是很高；GA優(yōu)化灰色神經(jīng)網(wǎng)絡的初始值，讓初始值達到最優(yōu)，從而使預測誤差降到最小。

圖2 灰色模型預測值與實測值比較

圖3 灰色神經(jīng)模型預測值與灰色預測值

圖4 GA優(yōu)化預測值、灰色神經(jīng)網(wǎng)絡預測值及灰色模型和實測值比較

GA優(yōu)化的灰色神經(jīng)網(wǎng)絡組合模型融合了3種算法的優(yōu)勢，從預測結(jié)果可以看出預測較為準確，數(shù)據(jù)誤差較小，預測精度得到提高，證明了該方法在船舶流量預測方面的可行性和準確性。

3 結(jié)束語

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樣本數(shù)據(jù)的依賴性，并弱化樣本數(shù)據(jù)的隨機性以及神經(jīng)網(wǎng)絡的高度非線性對船舶流量進行預測，并采用GA對網(wǎng)絡初始參數(shù)進行優(yōu)化，從而大大提高了預測的準確性和精度。該模型為船舶交通流量預測提供新思路及有效方法，結(jié)合航運電子實驗室的船舶交通監(jiān)控系統(tǒng)和上海國際航運研究中心的數(shù)據(jù)，能有效地運用到上海洋山深水港的船舶交通流量預測中。但灰色神經(jīng)網(wǎng)絡模型優(yōu)化研究尚不夠深入，性能提高有待進一步研究。

[1] 張仁初.寧波港船舶交通流量預測研究[D].大連: 大連海事大學,2008.

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

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

[4] 李紅喜,付玉慧,張仁初.港口船舶交通流量預測[J].大連海事大學學報,2009,35(3): 40-42

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

[6] 于 波,丁 源.改進BP神經(jīng)網(wǎng)絡在鐵路客運量預測中的應用[J].鐵道經(jīng)濟研究,2012,107(3):43-47.

[7] 張棟楠,舒中俊,陳慶全,等.改進型灰色神經(jīng)網(wǎng)絡在火災預測中的應用研究[J].中國安全科學學報,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測多元線性回歸模型[J].船海工程，2010,39(3):178-180.

[9] 王 東.基于BP人工神經(jīng)網(wǎng)絡的船舶交通流量預測研究[D].武漢：武漢理工大學，2009.