内河船舶交通流预测方法技术

本发明专利技术公开了一种内河船舶交通流预测方法，涉及内河航运管理技术领域。本发明专利技术包括利用灰色理论建立GM(1，N)预测模型、建立GM‑BP预测模型、建立GM‑BP‑Markov模型对港口船舶交通流进行预测。本发明专利技术根据数据样本较小的特征，利用灰色理论建立GM(1，N)预测模型，在此基础上提出通过等维全息BP神经网络对GM(1，N)预测模型进行改进，建立GM‑BP预测模型，并将预测值与实际值比较，针对该模型对波动性较大的数据预测效果不够准确的特点，建立GM‑BP‑Markov模型对波动性较大的节点预测效果明显改善，该组合预测模型可对具有“少样本、非线性、波动性”特征的数据进行较为准确的预测。

Prediction method of ship traffic flow in inland river

The invention discloses a method for predicting the traffic flow of an inland river ship, which relates to the technical field of inland river shipping management. The invention includes establishing GM (1, n) prediction model, GM \u2011 BP prediction model and GM \u2011 BP \u2011 Markov model by using grey theory to predict port ship traffic flow. According to the characteristics of small data samples, the invention establishes GM (1, n) prediction model by using grey theory, and proposes to improve GM (1, n) prediction model by using equidimensional holographic BP neural network, establishes GM \u2011 BP prediction model, and compares the predicted value with the actual value. According to the characteristics of the model that is not accurate enough to predict the data with high volatility, GM \u2011 BP \u2011 Markov is established The combined forecasting model can predict the data with the characteristics of \small sample, non-linear and volatility\ more accurately.

【技术实现步骤摘要】
内河船舶交通流预测方法
本专利技术属于内河航运管理
，特别是涉及一种内河船舶交通流预测方法。
技术介绍
随着经济的快速发展，内河的船舶流量也越来越大，航道拥堵现象日益严重；拥堵现象通常是由船舶数量超过内河航道原有的设计通航能力而产生，较多集中在船闸位置；船舶交通流预测可为内河航运的规划、调度提供依据。交通流预测领域国内外学者已取得较为丰硕的研究成果。随着预测理论的更新、完善，出现了自回归预测、神经网络预测、支持向量机、卡尔曼滤波、组合预测等多种预测方法。学者们通过对各模型优缺点进行归纳总结，提出了不同的改进优化方法，并通过实例研究论证了各交通流模型的准确性。但是，随着环境条件不断地复杂化，单一预测方法和模型很难获得相对精确的预测结果，所有将不同预测方法相结合建立环境适应性强的组合预测模型成为研究热点。现提供一种内河船舶交通流预测方法，通过对船舶交通流预测，为内河航运的规划提供更为准确的依据，以改善内河航运能力。
技术实现思路
本专利技术的目的在于提供一种内河船舶交通流预测方法，通过利用灰色理论建立GM(1，N)模型；通过引入BP神经网络建立GM-BP预测模型，以此改善对非线性数据的预测效果；为进一步完善GM-BP预测模型对具有波动性数据的预测，建立GM-BP-Markov组合预测模型，通过对船舶交通流预测的研究，为内河航运的提供更为准确的依据，以改善内河航运能力。为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术为内河船舶交通流预测方法，包括以下步骤：S011：获取原始船舶流量数据，设原始数据序列为：n表示该序列中数据个数；S012：将原始船舶流量数据按灰色理论建立GM(1，N)预测模型；S013：将GM(1，N)模型的残差序列E(k)转换形式后作为等维全息BP神经网络的输入数据，交通流实际值为输出数据，建立GM-BP模型，并获得相应的残差序列E′(k)；S014：状态划分：以y*(k)＝e′(k)作为Markov状态划分的基准线，将残差序列E′(k)划分为n个状态；S015：确定状态转移概率：其中，Mi是状态为i的残差个数，Mij(m)是状态为i经过m步转移到状态为j的残差个数；S016：确立状态转移概率矩阵：Markov一步转移概率矩阵为：则m步转移概率矩阵为P(m)＝[P(1)]m；S017：若预测残差最有可能下一时刻从k状态转向t状态，则在一步转移矩阵中，MaxPkj(1)＝Pkt(1)；若在P(1)中k行出现转移概率相同的情况，则需要第二步或第n步状态转移概率矩阵；S018：由此可以得出GM-BP-Markov组合预测模型的相关数据。进一步地，所述GM(1，N)预测模型的建立方法为：与相关的特征序列为：…通过对的累加弱化数据的波动性，得到新的数据序列其中，N：再生成的紧邻均值序列其中，则GM(1，N)模型的基本形式为：其微分方程为：其中，a为发展系数，bi为驱动系数，为驱动项，令β＝(a，b1，b2，...，bN)T；由最小二乘估计参数得β＝(βTβ)-1βTY，GM(1，N)模型的时间相应式可近似为：累减还原式为：预测值为：进一步地，所述GM(1，N)模型的残差序列E(k)为：进一步地，所述等维全息BP神经网络包括输入层、隐含层、输出层；所述输入层、输出层均为一层，所述隐含层为一层或多层。进一步地，所述步骤S013中残差序列E(k)转换形式为等维全息BP神经网络的输入数据、交通流实际值为输出数据，具体为：将E(k)＝(e1，e2，...，en)转换成(e1，e2，e3)，(e2，e3，e4)，…，(en-3，en-2，en)形式的序列作为等维全息BP神经网络的输入数据；(e4，e5，…，en)为等维全息BP神经网络的输出数据。进一步地，所述的残差序列为：E′(k)＝(e′4，e′5，...，e′n)；所述GM-BP模型对应预测值为：进一步地，所述步骤S018中GM-BP-Markov组合预测模型的相关数据为：GM-BP-Markov模型预测值：GM-BP-Markov模型残差检验：残差值：相对残差：平均相对残差：模型精确度：本专利技术具有以下有益效果：本专利技术根据数据样本较小的特征，利用灰色理论建立GM(1，N)预测模型，在此基础上提出通过等维全息BP神经网络对GM(1，N)预测模型进行改进，建立GM-BP预测模型，并将预测值与实际值比较，针对该模型对波动性较大的数据预测效果不够准确的特点，建立GM-BP-Markov模型对波动性较大的节点预测效果明显改善，该组合预测模型可对具有“少样本、非线性、波动性”特征的数据进行较为准确的预测。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术中2017.10.20的GM-BP-Markov预测图；图2为本专利技术中2017.11.20的GM-BP-Markov预测图；图3为本专利技术中2017.12.20的GM-BP-Markov预测图。具体实施方式下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。本具体实施方式的数据来源于对湖州港航局的走访调研，在其现有系统中抽取的船舶进港报告，通过对其抵达时间一项数据信息提取，并经过汇总处理得到本具体实施方式内河航运船舶交通流预测模型的原始数据，本具体实施方式主要截取2017.10.01-2017.10.20、2017.11.01-2017.11.20、2017.12.01-2017.12.20三个时间段内每日24小时的船舶交通流数据，总计480×3个船舶交通流数据。本专利技术为一种内河船舶交通流预测方法，取湖州港2017.10.01-2017.10.20、2017.11.01-2017.11.20、2017.12.01-2017.12.20三个时间段的船舶交通流数据，总计480×3条小时交通流数据。并依此数据对2017.10.20、2017.11.20、2017.12.20三天的船舶交通流数据进行预测，建立N＝20的GM(1，N)预测模型。该模型中为当天24小时内的船舶交通流序列，则为其前19天的船舶本文档来自技高网...

【技术保护点】
1.一种内河船舶交通流预测方法，其特征在于，包括以下步骤：/nS011：获取原始船舶流量数据，设原始数据序列为：

【技术特征摘要】
1.一种内河船舶交通流预测方法，其特征在于，包括以下步骤：
S011：获取原始船舶流量数据，设原始数据序列为：n表示该序列中数据个数；
S012：将原始船舶流量数据按灰色理论建立GM(1，N)预测模型；
S013：将GM(1，N)模型的残差序列E(k)转换形式后作为等维全息BP神经网络的输入数据，交通流实际值为输出数据，建立GM-BP模型，并获得相应的残差序列E′(k)；
S014：状态划分：以y*(k)＝e′(k)作为Markov状态划分的基准线，将残差序列E′(k)划分为n个状态；
S015：确定状态转移概率：其中，Mi是状态为i的残差个数，Mij(m)是状态为i经过m步转移到状态为j的残差个数；
S016：确立状态转移概率矩阵：Markov一步转移概率矩阵为：



则m步转移概率矩阵为P(m)＝[P(1)]m；
S017：若预测残差最有可能下一时刻从k状态转向t状态，则在一步转移矩阵中，MaxPkj(1)＝Pkt(1)；若在P(1)中k行出现转移概率相同的情况，则需要第二步或第n步状态转移概率矩阵；
S018：由此可以得出GM-BP-Markov组合预测模型的相关数据。


2.根据权利要求1所述的一种内河船舶交通流预测方法，其特征在于，所述GM(1，N)预测模型的建立方法为：
与相关的特征序列为：






…



通过对的累加弱化数据的波动性，得到新的数据序列其中，
再生成的紧邻均值序列其中，则GM(1，N)模型的基本形式为：



其微分方程为：



其中，a为发展系数，bi为驱动系数，为驱动项，令

【专利技术属性】
技术研发人员：傅培华，张亚，
申请(专利权)人：浙江工商大学，
类型：发明
国别省市：浙江;33