朱凌 付震 崔華鑫

摘要 ： 船舶交通流是指連續(xù)運行的海上船舶等交通工具的總和，對其進(jìn)行定量描述的參數(shù)有船舶交通流方向、船舶交通流量、船舶交通流密度、船舶交通流寬度、船舶交通流速度等。本文主要對船舶交通流量及其預(yù)測方法進(jìn)行簡單介紹.，并分析這幾種方法特性，以便對船舶交通流提出較為系統(tǒng)的預(yù)測方法，更好的為船舶交通規(guī)劃和調(diào)度管理提供依據(jù)。

關(guān)鍵詞： 船舶交通流量；影響因素；預(yù)測方法

1 船舶交通流量

船舶交通流量是船舶交通流的一個反映尺度，是指單位時間（年/月/日/小時）內(nèi)通過水域中的某一地點的所有的船舶艘數(shù)，船舶交通流量越大，該水域?qū)?yīng)地點的交通規(guī)模就越大，也就越繁忙，并且在一定程度上船舶交通流量的大小能反映其所在水域交通的是否有序與擁堵狀況.船舶交通量的調(diào)查研究是船舶交通規(guī)劃中的重要組成部分，只有掌握了實時的交通流量數(shù)據(jù)信息，才能更準(zhǔn)確地對未來的交通流量進(jìn)行預(yù)測，為船舶交通規(guī)劃設(shè)計與調(diào)度管理提供實時的更準(zhǔn)確有效的依據(jù)。

船舶交通流量的統(tǒng)計通常按時均值、日均值、月均值、高峰時交通量、年最大小時交通量、年最大日交通量等，其中前三者分別表示時間段內(nèi)小時、日、月的平均交通流量，后三者分別表示全天各小時交通量中最大的1個小時的交通流量、1年內(nèi)各小時交通量中最大1個小時交通量、1年內(nèi)各日交通流量中最大的1個日交通量.后面所用數(shù)據(jù)均為日到達(dá)量統(tǒng)計。

2 船舶交通流量預(yù)測及其影響因素

船舶交通流量的預(yù)測具有提前的（預(yù)測性）、總是有誤差的（非實際觀測性）、在空間上可擴(kuò)張與縮小的（選擇性）等特點，它是一種可測性增量的研究，是一種藝術(shù)性色彩很濃的研究，同時，它的預(yù)測與水運經(jīng)濟(jì)有關(guān)，又不完全屬于經(jīng)濟(jì)預(yù)測，它是一種有條件的微觀預(yù)測。船舶交通流量具有慣性原則、類推原則、相關(guān)性原則、概推斷原則等，它的預(yù)測一般有直覺法、因果法、外推法等基本方法。

船舶交通流量的大小與多方面的因素有關(guān)，如社會經(jīng)濟(jì)發(fā)展水平、研究的交通流所處地域、當(dāng)?shù)氐奈锂a(chǎn)、貨運市場等，其影響因素又有內(nèi)因與外因之分。內(nèi)因即船舶個體特征，包括船舶種類、船舶尺度、船舶噸級、船舶操縱性能等；外因包括港口腹地經(jīng)濟(jì)發(fā)展水平、港口泊位因素、航道條件、錨地條件、航行規(guī)定及管理要求、水域分布、自然條件、導(dǎo)助航設(shè)施等。此外，船舶交通流量還與船舶平均泊港時間、等待時間有關(guān)。經(jīng)濟(jì)發(fā)展水平又體現(xiàn)在多個方面，如 GDP、第一產(chǎn)業(yè)、第二產(chǎn)業(yè)、第三產(chǎn)業(yè)的發(fā)展，外貿(mào)進(jìn)出口額、全社會固定資產(chǎn)投資額、沿海港口建設(shè)投資等。港口泊位因素體現(xiàn)在港口服務(wù)水平、港口功能及布局（包括港口碼頭布置、航道布置及錨地設(shè)置）、碼頭泊位平均長度等.貨物運輸量體現(xiàn)在水路貨物運輸量、水路貨物周轉(zhuǎn)量等。

3 船舶交通流量預(yù)測方法

船舶交通流量的預(yù)測方法為一般的統(tǒng)計預(yù)測方法，有定性與定量預(yù)測兩個方面，定性預(yù)測主要依靠經(jīng)驗判斷，預(yù)測精度不高，實際研究中一般采用定量預(yù)測方法.定量預(yù)測方法主要有結(jié)合多種定性方法或多種定量方法或定性與定量方法的組合預(yù)測模型、多種智能方法融合的船舶交通流系統(tǒng)、基于 BP神經(jīng)網(wǎng)絡(luò)或廣義神經(jīng)網(wǎng)絡(luò)的船舶交通流預(yù)測、支持向量機算法的預(yù)測、灰色模型的自適應(yīng)交通流預(yù)測、基于誤差絕對值加權(quán)和最小預(yù)測組合法以及模糊法預(yù)測等。

3.1 回歸分析法

回歸分析法是根據(jù)事物的因果關(guān)系對變量的一種預(yù)測方法。因果關(guān)系普遍存在，在操作中，根據(jù)統(tǒng)計資料求得因果關(guān)系的相關(guān)系數(shù)，相關(guān)系數(shù)越大，因果關(guān)系越密切。通過相關(guān)系數(shù)就可確定回歸方程，預(yù)測今后事物發(fā)展的趨勢。

在掌握大量觀察數(shù)據(jù)的基礎(chǔ)上，利用數(shù)理統(tǒng)計方法建立因變量與自變量之間的回歸關(guān)系函數(shù)表達(dá)式（稱回歸方程式）。回歸分析法種類繁多，當(dāng)研究的因果關(guān)系只涉及因變量和一個自變量時，叫做一元回歸分析：當(dāng)研究的因果關(guān)系涉及因變量和兩個或兩個以上自變量時，叫做多元回歸分析。此外，回歸分析中，又依據(jù)描述自變量與因變量之間因果關(guān)系的函數(shù)表達(dá)式是線性的還是非線性的，分為線性回歸分析和非線性回歸分析。通常線性回歸分析法是最基本的分析方法，遇到非線性回歸問題可以借助數(shù)學(xué)手段化為線性回歸問題處理。按所含變量的屬性劃分，有數(shù)量回歸和非數(shù)量（虛變量）回歸。

回歸分析法預(yù)測變量的選取及數(shù)據(jù)的選取會極大地影響預(yù)測的準(zhǔn)確性，且對數(shù)據(jù)來源的正確可靠性要求很高，只有來源正確可靠的數(shù)據(jù)才能保證分析預(yù)測的可靠正確性。

3.2 組合預(yù)測模型

組合預(yù)測方法是將幾種定性方法或幾種定量分析方法或定性與定量方法結(jié)合起來共同來研究某個問題的預(yù)測方法，有等權(quán)組合與不等權(quán)組合兩種方式，它的主要優(yōu)點是綜合考慮了難以定量的政治、政策以及人為因素，再分別利用定性預(yù)測與一種或多種定量預(yù)測方法得到預(yù)測結(jié)果，最終整合為組合預(yù)測結(jié)果，從而提高了其實用性及可行性，且好的組合模型能提高其預(yù)測精度，但該模型計算量大，且必須經(jīng)過事先的多次組合驗證才能確定模型，理論并不完善，并不能保證船舶交通流量特點符合其誤差要求。在此基礎(chǔ)上綜合多元線性回歸與灰色預(yù)測方法了建立了變權(quán)組合預(yù)測模型，“變權(quán)”使模型顯得更具科學(xué)合理性，但同時對于組合方法的選擇隨意性很大，篩選過程較粗略，對于單項模型的篩選同時會增加預(yù)測工作量。

3.3 支持向量機法

支持向量機（SVM）是 Corinna Cortes 和 Vapnik8 等于1995 年首先提出的，它在解決小樣本數(shù)據(jù)、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他問題研究中。該方法能根據(jù)有限的樣本觀測信息在模型的復(fù)雜性與自學(xué)習(xí)能力之間尋求最佳的模型與數(shù)據(jù)關(guān)系，從而獲得更好的預(yù)測分析結(jié)果.其基本思想是將目標(biāo)問題歸結(jié)為一個凸規(guī)劃問題，再通過非線性變換（定義適當(dāng)?shù)暮撕瘮?shù)）來進(jìn)行求解，適用于較短期預(yù)測，對數(shù)據(jù)的真實性要求高、精度不高且有一定的不穩(wěn)定性。

3.4 神經(jīng)網(wǎng)絡(luò)預(yù)測法

神經(jīng)網(wǎng)絡(luò)理論上可以逼近任意非線性系統(tǒng)，適用于船舶交通流量的中期或短期預(yù)測，存在網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)難以確定、容易陷入局部極小點、收斂速度慢等問題；樣本對模型的預(yù)測效果有著關(guān)鍵性的影響，在小樣本情況下預(yù)測效果常常不夠理想，在樣本足夠多的狀況下，用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測，預(yù)測精度可以達(dá)到要求。神經(jīng)網(wǎng)絡(luò)有許多不同的類型，應(yīng)用較多的是BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)。

4 總結(jié)

這些預(yù)測船舶交通流量的定量方法可以較為準(zhǔn)確的預(yù)測船舶交通流量，將多種方法綜合應(yīng)用才能克服單一方法存在的局限性，才能更好的綜合各個方法的優(yōu)點。實現(xiàn)精確采集海上船舶交通流數(shù)據(jù)，對于提高船舶交通規(guī)劃水平和實現(xiàn)港口船舶調(diào)度提供更好的理論依據(jù)。

參考文獻(xiàn)

[1]呂靖，方祥麟.船舶交通量的組合系統(tǒng)預(yù)測模型與方法[J].大連海事大學(xué)學(xué)報，1996，22（2）：33-35.

[2]劉敬賢，劉振東，周鋒.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的船舶交通量預(yù)測模型[J].中國航海，2011，34（2）：74-77.

[3]田燕華，陳錦標(biāo).基于BP 神經(jīng)網(wǎng)絡(luò)的船舶交通流量預(yù)測研究[J].航海工程，2010，39（1）：122-125.

[4]馮宏祥，肖英杰，孔凡邨.基于支持向量機的船舶交通流量預(yù)測模型[J].中國航海，2011，34（4）：62-67.

[5]鄭友銀，徐志京.基于灰色自回歸模型的船舶流量預(yù)測方法[J].航海工程，2011，40（1）：122-125.