[發(fā)明專利]一種短時船舶交通流預(yù)測方法、裝置及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010553824.7
• 申請日: 2020-06-17
• 公開（公告）號: CN111709578A
• 公開（公告）日: 2020-09-25
• 發(fā)明（設(shè)計(jì)）人: 秦鵬飛;陳均豪;程云龍;涂波;楊基層;劉軼華
• 申請（專利權(quán)）人: 上海海事大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/00;G08G3/00
• 代理公司: 上海互順專利代理事務(wù)所(普通合伙) 31332
• 代理人: 成秋麗

本發(fā)明提供了一種短時船舶交通流預(yù)測方法，(1)采集船舶交通流數(shù)據(jù)，對群密度粒子群算法的參數(shù)進(jìn)行初始化；(2)隨機(jī)產(chǎn)生粒子群中的粒子位置及速度；(3)設(shè)置粒子群的適應(yīng)度函數(shù)(4)計(jì)算粒子的增長量，正值時隨機(jī)產(chǎn)生相同數(shù)目的粒子加入粒子群；否則計(jì)算各個粒子的適應(yīng)值，刪除適應(yīng)度最小的相應(yīng)數(shù)目的粒子；(5)采用PSO算法進(jìn)行粒子群位置和速度的更新，并且更新個體最優(yōu)點(diǎn)和全局最優(yōu)點(diǎn)；(6)獲取最優(yōu)的SVR參數(shù)組合；(7)基于最優(yōu)的SVR參數(shù)組合對短時船舶流量進(jìn)行預(yù)測。因此能夠克服傳統(tǒng)的粒子群算法在進(jìn)化后期收斂速度明顯變慢,以及算法收斂到一定精度時,算法無法繼續(xù)優(yōu)化的缺點(diǎn)，可以有效的提高預(yù)測的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及船舶流量預(yù)測技術(shù)領(lǐng)域，尤其涉及一種短時船舶交通流預(yù)測方法、裝置及存儲介質(zhì)。

背景技術(shù)

近些年來，隨著經(jīng)濟(jì)的發(fā)展和對外貿(mào)易的進(jìn)一步發(fā)展，通航水域的船舶數(shù)量也在大幅度的增加，所以船舶流量也在逐步增加。但是這也給管理者帶來了巨大的挑戰(zhàn)。因此，為了提高管理水平和避免航道的堵塞，對船舶流量進(jìn)行科學(xué)、準(zhǔn)確的預(yù)測是非常的重要，并且有著巨大的現(xiàn)實(shí)意義。

目前，在船舶交通流量預(yù)測方面用到的方法主要有線性回歸分析法、神經(jīng)網(wǎng)絡(luò)、自回歸積分移動平均模型(ARIMA)、卡爾曼濾波模型等。這些方法對于交通數(shù)據(jù)的處理能力很強(qiáng)，而且預(yù)測的精度也很高，得到了廣泛的應(yīng)用。但是，神經(jīng)網(wǎng)絡(luò)雖然可以近似于任何程度的復(fù)雜性，而且不需要事先了解問題的解決，但是卻需要大量的樣本數(shù)據(jù)，并且會陷入局部最優(yōu)解，當(dāng)要研究短時船舶流量，而且泛化能力較差。時間序列預(yù)測模型不能反映預(yù)測序列的其他相關(guān)因素，得到的預(yù)測系列容易受到相關(guān)因素的影響。卡爾曼濾波模型隨著濾波步數(shù)的增加，預(yù)測精度會出現(xiàn)下降的情況。

在針對小樣本的學(xué)習(xí)方面，支持向量機(jī)(SVM)擁有更好的性能。所有的支持向量都是SVM訓(xùn)練的結(jié)果，而且最終的決策函數(shù)是由支持向量決定的，計(jì)算的復(fù)雜性與輸入變量的維數(shù)無關(guān)，取決于支持向量的個數(shù)。算法可最終轉(zhuǎn)化為凸優(yōu)化問題,因次可以保證得到的結(jié)果是全局最優(yōu)解。SVR就是支持向量機(jī)回歸的簡寫，是支持向量機(jī)在回歸問題中的拓展，要實(shí)現(xiàn)的目標(biāo)是：讓所有樣本點(diǎn)逼近超平面，使得樣本點(diǎn)與超平面的總偏差達(dá)到最小。在一個SVR 模型中，對精度影響最大的三個參數(shù)為：損失系數(shù)ε、懲罰系數(shù)C和核函數(shù)中σ²。所以想要建立預(yù)測最高的SVR模型，獲得最優(yōu)的參數(shù)組合就變得十分關(guān)鍵。

通常，SVR模型的參數(shù)選擇還是憑著經(jīng)驗(yàn)來選取，因此，得到的結(jié)果往往不是最優(yōu)解。除此之外，常用的方法還有基于窮舉思想的網(wǎng)格搜索法，這種方法的缺點(diǎn)是十分的耗時，因此這兩種方法都無法得到最優(yōu)的參數(shù)組合。

使用群智能優(yōu)化算法可以有效地解決最優(yōu)化問題，而且也得到了廣泛的應(yīng)用。粒子群算法在SVR模型的尋優(yōu)方面也得到了廣泛的應(yīng)用，但是傳統(tǒng)的粒子群算法存在著固有的缺點(diǎn)：在進(jìn)化后期收斂速度明顯變慢,以及算法收斂到一定精度時,算法無法繼續(xù)優(yōu)化。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)之缺陷，提供了一種短時船舶交通流預(yù)測方法、裝置及存儲介質(zhì)，旨在能夠克服傳統(tǒng)的粒子群算法在進(jìn)化后期收斂速度明顯變慢,以及算法收斂到一定精度時,算法無法繼續(xù)優(yōu)化的缺點(diǎn)，可以有效的提高預(yù)測的精度。

本發(fā)明是這樣實(shí)現(xiàn)的：

本發(fā)明提供一種短時船舶交通流預(yù)測方法，所述方法包括：

(1)采集船舶交通流數(shù)據(jù)集并進(jìn)行處理，并且對群密度粒子群算法的參數(shù)進(jìn)行初始化；

(2)隨機(jī)產(chǎn)生粒子群中的粒子位置及速度；

(3)設(shè)置粒子群的適應(yīng)度函數(shù)，以及對個體最優(yōu)點(diǎn)和全局最優(yōu)點(diǎn)進(jìn)行初始化；

(4)計(jì)算粒子的增長量，如果為正值，則隨機(jī)產(chǎn)生相同數(shù)目的粒子加入粒子群；如果為負(fù)值，計(jì)算各個粒子的適應(yīng)值，并且刪除適應(yīng)度最小的相應(yīng)數(shù)目的粒子；