船舶交通流量预测的灰色神经网络模型

张树奎 肖英杰






摘要:为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的.
关键词:船舶交通量; 灰色模型; 神经网络
中图分类号: U691.32;U698.5;TP183
文献标志码: A
Abstract:In order to reduce the error and improve the accuracy of ship traffic flow prediction, a Grey neural network model is constructed based on the analysis of the advantages and disadvantages of the traditional Grey model and BackPropagation (BP) neural network model. The real measured data are used as initial data to construct different Grey models. Various prediction results of these models are used as the input of the neural network, and then the optimized prediction model is obtained. A case study shows that the Grey neural network model can improve prediction accuracy, is of good prediction results and better than the single prediction model. The model requires less initial data, is of strong nonlinear fitting ability, and is feasible and effective for the ship traffic flow prediction.
Key words:ship traffic flow; Grey model; neural network
0引言
准确预测繁忙水道的船舶交通流量可为港口和航道管理部门提供可靠的数据,对缓解船舶交通拥堵、提高通航效率以及船舶交通管理系统(Vessel Traffic Services, VTS)服务水平等有重要的参考价值,同时可为减少船舶交通事故提供重大帮助.影响船舶交通流量的因素多且复杂,宏观上主要包括水域所在的自然环境、航运市场状况、世界经济和国家政策等,微观上主要包括港口规划、航道水深及尺度、分道通航制、交通管理的实施、船舶类型及吨位等,而且各种因素的作用机制很难用准确的数学语言描述,因此对船舶交通流量的预测是一个复杂的非线性系统问题.目前,常用的预测船舶交通流量的方法主要有灰色模型、线性回归分析[1]、神经网络[2]、极大似然估计、组合预测模型[3]、支持向量机[4]等,但这些单一的预测方法都有一定的局限性,预测误差较大,难以满足预测要求.
灰色系统理论预测模型所需数据量较少,计算方法简单,不需要太多的关联因素,可用于短、中、长期预测;神经网络具有自学习、非线性映射以及并行分布处理的能力.本文将这两种方法相结合,发挥各自优势,避免其局限性,从而提高船舶交通流量预测精度.
1预测模型的构建
1.1建模原理
灰色系统理论是根据部分信息已知、部分信息未知的历史数据,建立一个能够表达信息发展的灰色模型(Grey Model,GM),揭示信息未来发展规律并进行预测.[5] 目前,灰色预测方法在各领域的应用非常广泛,但是该方法缺乏自学习、自组织和自适应能力,处理信息的能力较差,难以对预测误差进行控制.
神经网络是一种通过模仿动物神经网络行为特征,对信息进行并行分布处理的算法数学模型.[6]神经网络预测模型具有很强的非线性映射能力,能够对输出误差进行反馈校正,在一定条件下能够任意逼近模型,预测精度非常高,其中以反向传播神经网络(BackPropagation Neural Network,BPNN)的应用最为广泛和成功.[7]然而,这种模型也有缺点,反向传播(BackPropagation,BP)算法是一种梯度搜索算法,网络的权值是沿着局部改善的方向逐渐进行调整的,这样会使算法陷入局部极小值问题,从而导致网络训练失败.
本文将灰色系统理论与神经网络相结合,构建灰色神经网络(Grey Neural Network, GNN)模型对船舶交通流量进行预测,充分发挥这两种方法的优势.
1.2模型构建
2实例及数据分析
采用江苏镇江尹公洲断面2012年3月1日—4月10日共41 d的船舶交通流量数据作为实验数据验证模型,设计GM1,GM2,GM3,BPNN模型和GNN模型,应用前31 d的数据作为初始数据,预测后10 d内的船舶交通流量.GM1,GM2和GM3建模所用的时间序列长度分别为10,8和6,为确保预测精度,采用等维递推滚动预测方法[910],即每次预测一个船舶交通流量后,添加一个新的数据,去掉最早的一个数据,以保持数据序列等维,重新建模预测下一个值,这样依次递补进行预测.
BPNN模型采用3×6×1结构,输入层和隐含层的传递函数为Sigmoid型.取前31 d的实测船舶交通流量作为样本训练网络,并对样本进行归一化处理[11],其值域为[0,1];将前3个实测值作为输入,第4个实测值作为输出,设计最大学习次数为18 000次,学习速度为0.01,取学习目标误差平方和为0.1.
采用GNN模型进行预测时,GM1,GM2和GM3的预测值作为输入值,因此输入神经元个数为3,输出为1.设计最大学习次数为18 000次,学习速度为0.002,取学习目标误差平方和为0.1.设计训练步数为3 000时,训练误差达到1×9-3,为满足预计设计学习精度,取GNN结构为3×9×1.分别对GM1,GM2,GM3,BPNN模型和GNN模型进行MATLAB仿真,采用后10 d的实测数据预测船舶交通流量,预测结果见表1.从表1可以看出,GNN模型预测值更接近实测值,说明GNN模型优于其他各单一预测模型.
将表1中各模型的预测值相对于实测值取平均相对误差(见表3)作为评价指标,对各预测模型进行评价.从表3可以看出:与各单一预测模型比较,GNN模型的平均相对误差均小于其他单一预测模型对应的平均相对误差;最大平均相对误差也均小于其他单一预测模型的最大平均相对误差;特别是在实测值变化幅度较大的第33天和第40天,GNN模型的平均相对误差比其他单一预测模型的平均相对误差要小得多,预测效果明显.
对后10 d的预测值取平均相对误差、均方根误差、最大相对误差和最小相对误差(见表4)作为评价指标,评价各预测模型.从表4中可以看出,GNN模型预测结果明显优于各单一预测模型的预测结果,表现为GNN模型的4个评价指标值均小于各单一预测模型的4个评价指标值.GNN模型预测更接近实测值,误差最小,因此GNN模型预测值可以视为水上交通运行状态评价的重要依据.
3结论
通过采用5个预测模型对江苏镇江尹公洲断面船舶交通流量进行预测,并对其相对误差进行比较,发现GNN模型优于GM1,GM2,GM3和BPNN模型,预测效果明显,体现出GNN模型的优越性.主要结论:(1)与其他4个单一预测模型比较,GNN模型的预测结果更接近实测值,预测精度更高;(2)GNN模型充分利用GM所需初始数据少、计算方法简单和BPNN模型非线性强的优点,提高预测精度;(3)GNN模型不仅适用于船舶交通流量预测,还适用于其他领域的预测,应用范围广泛.
参考文献:
[1]郑友银, 徐志京. 基于灰色自回归模型的船舶流量预测方法[J]. 船海工程, 2011, 40(1): 122124.
[2]王东. 基于BP人工神经网络的船舶交通流量预测模型[D]. 武汉: 武汉理工大学, 2009.
[3]李红喜, 付玉慧, 张仁初. 港口船舶交通流量预测[J]. 大连海事大学学报, 2009, 35(3): 4042.
[4]冯宏祥, 肖英杰, 孔凡邨. 基于支持向量机的船舶交通流量预测模型[J]. 中国航海, 2011, 34(4): 6268.
[5]傅立. 灰色系统理论及其应用[M]. 北京: 科学献出版社, 1992: 3438.
[6]王伟. 人工神经网络原理[M]. 北京: 北京航空航天大学出版社, 1995: 4755.
[7]王凤伟, 孔凡邨, 廉清云. 基于混合神经网络的多波束图像底质分类[J]. 上海海事大学学报, 2013, 34(4): 2730.
[8]邓聚龙. 灰色系统预测与决策[M]. 武汉: 华中理工大学出版社, 1986: 9297.
[9]吴志周, 范宇杰, 马万经. 基于灰色神经网络的点速度预测模型[J]. 西南交通大学学报, 2012, 47(2): 285290.
[10]史德明, 李林川, 宋建文. 基于灰色预测和神经网络的电力系统负荷预测[J]. 电网技术, 2001, 25(12): 1417.
[11]陈淑燕, 王炜. 交通量的灰色神经网络预测方法[J]. 东南大学学报, 2004, 34(4): 541544.
[12]LEGATES D R, MCCABE G J. Evaluating the use of goodness of fit measures in hydropic and hydroclimatic model validation[J]. Water Resources, 1999, 35(1): 233241.
(编辑赵勉)