郝 勇, 王 怡

(1. 武漢理工大學 航運學院， 武漢 430063； 2. 內(nèi)河航運技術湖北省重點實驗室， 武漢 430063)

基于優(yōu)化RBF網(wǎng)絡的港口船舶交通流量預測

郝 勇1,2, 王 怡1,2

(1. 武漢理工大學 航運學院， 武漢 430063； 2. 內(nèi)河航運技術湖北省重點實驗室， 武漢 430063)

港口船舶交通流量預測能為港口規(guī)劃、交通管理提供決策支持。RBF神經(jīng)網(wǎng)絡在交通流預測領域有著廣泛的應用，但其在網(wǎng)絡權值等參數(shù)的選取算法上存在缺陷。遺傳算法具有全局搜索速度快的優(yōu)點，利用該算法對RBF神經(jīng)網(wǎng)絡的權值進行遺傳操作，可獲得具有一定遍歷性的初始權值。文章嘗試將基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡應用到港口船舶交通流量預測領域并以蕪湖港為例進行驗證。結(jié)果顯示，優(yōu)化后的RBF神經(jīng)網(wǎng)絡的預測誤差比普通的RBF神經(jīng)網(wǎng)絡小5%左右，表明優(yōu)化后的RBF神經(jīng)網(wǎng)絡計算量更小、識別速度更快、預測誤差更小，在港口船舶交通流量預測領域具有廣闊的應用前景。

水路運輸； 船舶交通流量； RBF神經(jīng)網(wǎng)絡； 遺傳算法； 港口； 預測

港口是水陸交通的集結(jié)點和樞紐，對區(qū)域經(jīng)濟發(fā)展具有十分重要的作用。港口船舶交通流量預測能夠為港口規(guī)劃、交通管理提供決策支持。

回歸預測法、時間序列預測法、灰色理論預測法在船舶交通流量預測方面存在局限性。[1]神經(jīng)網(wǎng)絡因其簡單的網(wǎng)絡結(jié)構(gòu)、快速的學習方法、較好的推廣能力，被廣泛應用于船舶交通流量預測領域并顯示出其優(yōu)勢。有學者[2-3]分別采用反向傳播模型 (Back Propagation，BP)神經(jīng)網(wǎng)絡與徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡預測寧波港船舶交通流量，結(jié)果表明，RBF神經(jīng)網(wǎng)絡預測誤差更小，但其存在訓練速度慢、易陷入局部最優(yōu)等缺點。

遺傳算法操作簡單，將其并行搜索能力結(jié)合到神經(jīng)網(wǎng)絡的網(wǎng)絡權值訓練中，能為其搜索出具有全局遍歷性的初始點,保證網(wǎng)絡訓練收斂、減少訓練時間。[4]經(jīng)遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡在公路短時交通流預測領域[5]的應用，顯示出其優(yōu)勢。本文將基于遺傳算法的RBF神經(jīng)網(wǎng)絡應用到港口船舶交通流量預測中，并以蕪湖港為例證明將優(yōu)化后的RBF神經(jīng)網(wǎng)絡應用到船舶交通流預測領域可以得到理想的效果。

1 RBF神經(jīng)網(wǎng)絡及其優(yōu)化

1.1RBF神經(jīng)網(wǎng)絡

RBF神經(jīng)網(wǎng)絡是MODDY和DARKEN于20世紀80年代末提出的一種特殊的具有單隱層的3層前饋函數(shù)，近幾十年來被廣泛應用于金融預測、模式識別、數(shù)據(jù)挖掘、交通流量預測等領域中。

RBF網(wǎng)絡由輸入層、隱含層和輸出層組成，其中各層節(jié)點數(shù)分別為n，k和m。輸入層節(jié)點只傳遞輸入信號到隱含層，隱含層常由高斯函數(shù)構(gòu)成，輸出層通常為簡單的線性函數(shù)。[6]設預測模型的輸出只有一個節(jié)點，RBF神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)見圖1。由于輸入層、隱含層連接權值為1，故輸入向量無改變地送到每個隱節(jié)點，隱含層中的徑向基函數(shù)一般取高斯函數(shù)為

(i=1,2，…，m)

(1)

圖1 RBF神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)圖

在設計RBF神經(jīng)網(wǎng)絡時，網(wǎng)絡權值等參數(shù)難以確定，如選擇不當，會引起網(wǎng)絡發(fā)散；而運用K均值聚類法和OLS算法并不能設計出最小結(jié)構(gòu)的RBF網(wǎng)絡，相反會導致預測精度下降。[7-8]

1.2遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡

針對RBF神經(jīng)網(wǎng)絡在參數(shù)選取上的不足，采用遺傳算法優(yōu)化網(wǎng)絡權值的選取。將遺傳算法應用到網(wǎng)絡權值的優(yōu)化上，其隱含并行性能夠克服權值訓練過程易陷入局部極小的困境，且擁有神經(jīng)網(wǎng)絡的強大函數(shù)映射及逼近能力。[9]

設計遺傳算法時一般有幾個步驟要執(zhí)行，即確定編碼方式、構(gòu)造適應度函數(shù)，確定選擇、交叉、變異算子。針對RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)的遺傳算法設計為:

1) 種群初始化。將需要進行優(yōu)化的網(wǎng)絡權值進行二進制編碼，稱此二進制串為染色體，文中用長度為10位的二進制編碼串表示網(wǎng)絡權值中的每個值。隨機生成N個染色體，即為第一代個體。

2) 適應度函數(shù)。將每個個體的適應度函數(shù)選取為RBF網(wǎng)絡的期望輸出與實際輸出之差的絕對值的累加和的倒數(shù)。

(2)

式(2)中：yjk0為期望值；yjk為實際值。

3) 選擇。依據(jù)上式計算每個染色體的適應度值，然后按照輪盤賭法選擇進入下一代的染色體，并保留最優(yōu)個體。

4) 交叉。交叉在遺傳算法中起著核心的作用，決定了遺傳算法的搜索能力。將復制后的染色體按一定的交叉概率pc進行基因交換，交叉位隨機選取。

5) 變異。將新產(chǎn)生的染色體采用自適應變異概率進行變異，取變異概率為pm=0.001-[1∶1∶Size]×0.001/Size，此處選取初始種群規(guī)模Size=30。

6) 判定。進化代數(shù)增加1，判斷是否達到最大進化代數(shù)，若是,則退出;否則，返回步驟“3)”，繼續(xù)下一代進化。遺傳算法和RBF神經(jīng)網(wǎng)絡的結(jié)合流程見圖2。

圖2 遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡算法流程

2 港口船舶交通流量樣本數(shù)據(jù)的處理

用RBF神經(jīng)網(wǎng)絡預測港口船舶交通流量時，交通流量數(shù)據(jù)的輸入主要有兩種方法。

1. 只要已知港口某幾個月的交通流量，便可推算未來月份的交通流量，它們之間存在非線性的函數(shù)關系。因此,可利用港口某幾個月的船舶交通流量數(shù)據(jù)列預測未來某月的船舶交通流量。例如,用2008年1—6月的交通流量預測7月份的交通流量；依此類推，這樣每年的交通流量數(shù)據(jù)都可以產(chǎn)生一個6×6的矩陣。這種方法可充分利用有限的交通流量數(shù)據(jù)，達到充分訓練神經(jīng)網(wǎng)絡的目的，但是未能考慮水位、天氣等因素對交通流的影響。

2. 充分考慮水位、天氣、經(jīng)濟等因素對港口船舶交通流量的影響，用同期的交通流數(shù)據(jù)列預測未知的交通流。例如，用2008—2011年1月份的交通流量預測2012年1月份的交通流量。采用這種方法預測出的交通流量比第一種方法的準確，但需要大量數(shù)據(jù)訓練神經(jīng)網(wǎng)絡。

鑒于蕪湖港船舶交通流量數(shù)據(jù)有限，為充分利用數(shù)據(jù)，大量訓練神經(jīng)網(wǎng)絡、減少預測誤差，采用第一種方法輸入交通流數(shù)據(jù)。以蕪湖港某6個月的船舶交通流量作為RBF神經(jīng)網(wǎng)絡的輸入，對應下個月的交通流量作為輸出。選取蕪湖港2008年1月至2012年12月共60個月的船舶交通流量數(shù)據(jù)分別作為RBF神經(jīng)網(wǎng)絡和優(yōu)化的RBF神經(jīng)網(wǎng)絡的學習及預測樣本。

為更好地表征船舶交通流量的概念，確切反映該港口船舶交通流量的規(guī)模和重要程度，將原始數(shù)據(jù)的船舶交通流量基于標準船轉(zhuǎn)化為加權船舶交通流量。[10]轉(zhuǎn)換方式見表1。經(jīng)標準船轉(zhuǎn)換后的蕪湖港部分年份船舶交通流量見表2。

表1 標準船舶換算系數(shù)表

表2 蕪湖港2008—2009年船舶交通流量

3 蕪湖港船舶交通流量預測

3.1預測模型的建立

仿真實驗在MATLAB環(huán)境下進行，將處理后的30組港口船舶交通流數(shù)據(jù)中的24組數(shù)據(jù)進行網(wǎng)絡訓練，其余6組作為測試數(shù)據(jù)。采用得到的訓練數(shù)據(jù)對優(yōu)化的RBF神經(jīng)網(wǎng)絡進行訓練，構(gòu)建神經(jīng)網(wǎng)絡預測模型。選取蕪湖港當前6個月的交通流量數(shù)據(jù)列預測下個月的交通流量，則輸入節(jié)點數(shù)為6，輸出節(jié)點為1；RBF的網(wǎng)絡權值由遺傳算法優(yōu)化得到。調(diào)用MATLAB中的premnmx函數(shù)[11]對經(jīng)標準船換算后的蕪湖港船舶交通流量進行歸一化處理。

其中，遺傳算法初始種群數(shù)目取為30，進化代數(shù)G=180，交叉概率為Pc=0.6，變異概率取pm=0.001-[1∶1∶Size]×0.001/Size，此處選取初始種群規(guī)模Size=30。設預測誤差ts=0.001，神經(jīng)網(wǎng)絡的輸入節(jié)點為6對應輸入向量的維數(shù)，輸出節(jié)點數(shù)為1對應預測月份的交通流量，隱層節(jié)點數(shù)根據(jù)經(jīng)驗公式取為8左右(經(jīng)驗公式：隱層節(jié)點數(shù)=log2n，其中n為輸入層個數(shù))。

3.2預測結(jié)果

遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡的訓練曲線和網(wǎng)絡權值最小誤差進化過程見圖3和圖4。

圖3 遺傳算法優(yōu)化RBF網(wǎng)絡權值誤差進化過程

圖4 遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡訓練曲線

由圖3可知,遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡優(yōu)化速度很快，網(wǎng)絡權值進化到20代以后即達到最小誤差。由圖4可知,遺傳算法可以并行搜索全局最優(yōu)，得到的權值具有遍歷性，因此優(yōu)化的RBF神經(jīng)網(wǎng)絡訓練誤差曲線穩(wěn)步下降不會陷入困境。

為了對比，用同樣的數(shù)據(jù)，采用普通的RBF神經(jīng)網(wǎng)絡進行預測，兩種算法對應的預測誤差見圖5。

圖5 RBF神經(jīng)網(wǎng)絡優(yōu)化前后對應的預測誤差

由圖5可知,遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡預測誤差明顯小于普通的RBF神經(jīng)網(wǎng)絡。分別用訓練好的普通RBF神經(jīng)網(wǎng)絡和優(yōu)化的RBF神經(jīng)網(wǎng)絡預測2013年1—6月份蕪湖港的船舶交通流量，將預測結(jié)果進行反歸一化處理，得到表3所示的預測船舶交通流量。

表3 蕪湖港船舶交通流量預測結(jié)果

從表3可知，RBF神經(jīng)網(wǎng)絡的預測值和交通流流量的實際觀測值的相對誤差在9.5%左右，而基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡的相對誤差在4.5%左右。說明 GA-RBF神經(jīng)網(wǎng)絡具有比RBF神經(jīng)網(wǎng)絡更強的預測和識別能力。優(yōu)化的RBF神經(jīng)網(wǎng)絡在港口交通流量預測的準確度上較以往有所提高，克服了普通神經(jīng)網(wǎng)絡訓練速度慢和易陷入局部極值等問題?；谶z傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡對于隨機性、不確定性較強的港口船舶交通流預測具有很好的效果，能夠很好地反映交通流量變化的趨勢和規(guī)律，預測精度較高。

4 結(jié) 語

本文提出將基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡應用到港口船舶交通流量預測中，并通過對輸入交通流量數(shù)據(jù)進行反復實驗，不斷訓練預測模型，以提高預測精度。利用優(yōu)化的RBF神經(jīng)網(wǎng)絡和普通的RBF神經(jīng)網(wǎng)絡對蕪湖港船舶交通流量進行預測，結(jié)果表明，經(jīng)遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡預測模型比普通的RBF神經(jīng)網(wǎng)絡具有更高的預測精度。

神經(jīng)網(wǎng)絡預測方法突破了傳統(tǒng)港口船舶交通流量預測方法的局限性，尤其是經(jīng)遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡預測值比普通的RBF神經(jīng)網(wǎng)絡預測值更準確，在船舶交通流量預測方面有著廣闊的應用前景。如果有更長年份的某港口船舶交通流量數(shù)據(jù)，用基于遺傳算法的RBF神經(jīng)網(wǎng)絡預測相應月份的船舶交通流量，結(jié)果會更為合理、準確。

[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] 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.

[3] 李國友,姚磊，李惠光，等.基于優(yōu)化的RBF神經(jīng)網(wǎng)絡模式識別新方法[J].系統(tǒng)仿真學報,2006，18(1):181-184.

[4] 錢華明,王雯升. 遺傳神經(jīng)網(wǎng)絡在導航傳感器故障診斷中的應用[J].中國航海,2009,32(1):6-9.

[5] 楊建華,郎寶華.一種基于優(yōu)化的RBF神經(jīng)網(wǎng)絡交通流預測新算法[J].計算機與數(shù)字工程，2010(9)：127-130.

[6] JILALI A, ABDELOUHAB Z, SAMIRA C. Identification and Prediction of Internet Traffic Using Artificial Neural Networks[J].Journal of Intelligent Learning Systems amp; Applications,2013:234-237.

[7] 魏海坤.神經(jīng)網(wǎng)絡結(jié)構(gòu)設計的理論與方法[M].北京：國防工業(yè)出版社,2005:135-136.

[8] CHANG Wenyu, WANG Baolin . An RBF Neural Network Combined with OLS Algorithm and Genetic Algorithm for Short-Term Wind Power Forecasting[J].Journal of Applied Mathematics:2013:135-138.

[9] 趙志剛,單曉紅.一種基于遺傳算法的RBF神經(jīng)網(wǎng)絡優(yōu)化方法[J].計算機工程,2007,33(6):211-212.

[10] 吳兆麟,朱軍.海上交通工程[M].大連：大連海事大學出版社,2004:56.

[11] 張德峰.MATLAB神經(jīng)網(wǎng)絡仿真與應用[M].北京：電子工業(yè)出版社，2009:182-187.

ShipTrafficVolumeForecastinPortBasedonOptimizedRBFNeuralNetworks

HAOYong1,2,WANGYi1,2
(1. School of Navigation，Wuhan University of Technology，Wuhan 430063， China；2. Hubei Key Laboratory of Inland Shipping Technology，Wuhan 430063， China)

Good port planning and traffic management need accurate prediction of ship traffic volume in a port, which is made by means of the ship traffic volume forecasting algorithm. The RBF neural network has a wide range of applications in this regard. The problem with RBF is the difficulties in determining parameters, such as the weights. The genetic algorithm has the advantages of fast global searching, therefore, is good for finding the ergodic initial values of weights for the RBF neural network. The RBF neural network, optimized with the genetic algorithm, is verified through the case of Wuhu port. The results show that the optimized RBF neural network is 5 percent more accurate than ordinary RBF neural network, while it uses less computing resources and shorter computing time.

waterway transportation; ship traffic volume； RBF neural network； genetic algorithm； port； forecast

2014-01-10

郝 勇 (1966-)，男，湖北潛江人，副教授，博士，從事水上交通工程和海事管理教學與研究。E-mail: marinehao@126.com.

1000-4653(2014)02-0081-04

U691

A