基于小波神經(jīng)網(wǎng)絡的上海港集裝箱吞吐量預測

朱慶輝 勾翔宇

摘 要：針對港口集裝箱吞吐量預測精度不高的問題，采用小波函數(shù)作為隱含層傳遞函數(shù)改進BP神經(jīng)網(wǎng)絡進而建立小波神經(jīng)網(wǎng)絡，并對2008-2017年上海港的每月集裝箱吞吐量數(shù)據(jù)按照前三個月預測后一個月的方式構(gòu)建出訓練數(shù)據(jù)和預測數(shù)據(jù)，同時與BP神經(jīng)網(wǎng)絡在同樣數(shù)據(jù)情況下的預測精度進行比較分析。結(jié)果表明：小波神經(jīng)網(wǎng)絡的預測誤差明顯小于BP神經(jīng)網(wǎng)絡，其預測性能更好。

關鍵詞：海港;集裝箱吞吐量;小波神經(jīng)網(wǎng)絡;BP神經(jīng)網(wǎng)絡;預測

中圖分類號：U691 ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ?文章編號：1006—7973（2019）06-0025-03

貿(mào)易全球化的日益加深促使海上運輸朝著船舶大型化、集裝箱化方向發(fā)展。因此，港口集裝箱吞吐量也就成為衡量港口綜合能力的重要指標之一，其合理且精確的預測能夠為港口的進一步發(fā)展和規(guī)劃提供數(shù)據(jù)支持。

目前，港口集裝箱吞吐量的預測方法主要集中于指數(shù)平滑法[1]、灰色預測法[2]、 ARIMA模型[3]、組合預測[4]以及BP神經(jīng)網(wǎng)絡方法[5]等方法。這些方法雖然都取得了較為良好的預測效果，但是同樣也存在一定的局限性。其中，指數(shù)平滑法由于對于波動較大的數(shù)據(jù)的適應性較差，使得其難以有效利用歷史數(shù)據(jù);在應用灰色預測法時，該方法容易出現(xiàn)快速遞增或衰減，不適合長期的數(shù)據(jù)預測;ARIMA模型對于預測數(shù)據(jù)同樣要求穩(wěn)定性，其本質(zhì)上只適合于線性預測;組合預測方法的關鍵在于不同預測方法之間權(quán)重的確定，準確的權(quán)重確定直接關系到預測結(jié)果的精度;而BP神經(jīng)網(wǎng)絡方法在預測時容易陷入局部最小化，其收斂速度也較為緩慢，但是神經(jīng)網(wǎng)絡方法的非線性擬合能力極強，如果能夠?qū)ι窠?jīng)網(wǎng)絡進行有效地優(yōu)化，就能夠?qū)崿F(xiàn)更高精度的預測。因此，針對BP神經(jīng)網(wǎng)絡存在的問題，本文擬采用小波函數(shù)替換BP神經(jīng)網(wǎng)絡的隱含層傳遞函數(shù)構(gòu)建小波神經(jīng)網(wǎng)絡，進而實現(xiàn)集裝箱吞吐量預測。小波神經(jīng)網(wǎng)絡能夠避免BP神經(jīng)網(wǎng)絡在結(jié)構(gòu)設計上的盲目性，其學習能力更強，收斂速度更快，而且由于小波理論的全尺度分析，該網(wǎng)絡能夠?qū)崿F(xiàn)全局和局部的最優(yōu)解。

小波神經(jīng)網(wǎng)絡目前在短時交通流量預測[6]、瓦斯?jié)舛阮A測[7]、交通事故預測[8]、GPS可降水量預測[9]以及風電功率預測[10]中都取得了良好的預測效果。本文將小波神經(jīng)網(wǎng)絡首次應用于港口集裝箱吞吐量預測，并利用上海港的數(shù)據(jù)進行驗證，同時與BP神經(jīng)網(wǎng)絡的預測結(jié)果進行對比分析。最終的實驗結(jié)果表明：與BP神經(jīng)網(wǎng)絡相比，小波神經(jīng)網(wǎng)絡在港口集裝箱吞吐量預測方面具有更大優(yōu)勢，其預測誤差更小，精度更高。

1 ?小波神經(jīng)網(wǎng)絡

小波神經(jīng)網(wǎng)絡的結(jié)構(gòu)與BP神經(jīng)網(wǎng)絡基本一致，主要分為三層，分別是輸入層、隱含層和輸出層。二者的區(qū)別主要在于隱含層的傳遞函數(shù)，小波神經(jīng)網(wǎng)絡將BP神經(jīng)網(wǎng)絡中常用的logsig函數(shù)或tansig函數(shù)替換為小波函數(shù)。小波神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)如圖1所示。

2 ?港口集裝箱吞吐量預測

2.1 ?預測模型的建立

為建立小波神經(jīng)網(wǎng)絡的訓練與預測數(shù)據(jù)集，本文收集整理了2008-2017年上海港的每月集裝箱吞吐量數(shù)據(jù)，并對120個月的時間序列數(shù)據(jù)按照前三個預測后一個月的方式進行重新構(gòu)建得到117組數(shù)據(jù)。以2015年上海港的月度集裝箱吞吐量數(shù)據(jù)為例，原始的集裝箱吞吐量數(shù)據(jù)如表1所示，重構(gòu)的數(shù)據(jù)樣式如表2所示。其中，前111組數(shù)據(jù)作為小波神經(jīng)網(wǎng)絡的訓練數(shù)據(jù)集，后6組數(shù)據(jù)即2017年7月至12月的數(shù)據(jù)作為預測數(shù)據(jù)。

同時，根據(jù)集裝箱吞吐量數(shù)據(jù)的時間特性以及多次的實驗嘗試，確定小波神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)為3個。因此，完整的小波神經(jīng)網(wǎng)絡結(jié)構(gòu)為輸入層3個節(jié)點，隱含層3個節(jié)點，輸出層1個節(jié)點。

2.2 ?預測結(jié)果與分析

在完成小波神經(jīng)網(wǎng)絡的結(jié)構(gòu)等的建立后，本文利用MATLAB軟件對該網(wǎng)絡進行仿真實現(xiàn)。同時，利用上海港的111組集裝箱吞吐量數(shù)據(jù)進行小波神經(jīng)網(wǎng)絡的訓練，再將訓練好的神經(jīng)網(wǎng)絡模型對上海港2017年7月至12月的集裝箱吞吐量進行預測，最后計算得到6組數(shù)據(jù)的預測誤差。為體現(xiàn)小波神經(jīng)網(wǎng)絡預測性能，在相同的訓練與預測數(shù)據(jù)集情況下，本文又利用BP神經(jīng)網(wǎng)絡進行集裝箱吞吐量的預測并與小波神經(jīng)網(wǎng)絡進行對比。兩種神經(jīng)網(wǎng)絡的預測結(jié)果以及港口集裝箱吞吐量的實際值如圖2所示，具體的預測值、實際值以及預測誤差百分比如表3所示。

從圖2中可以看出，與BP神經(jīng)網(wǎng)絡相比，小波神經(jīng)網(wǎng)絡在進行港口集裝箱吞吐量預測時的預測結(jié)果明顯與實際吞吐量值更接近，表明小波神經(jīng)網(wǎng)絡的預測性能更優(yōu)。分析表3可知，BP神經(jīng)網(wǎng)絡和小波神經(jīng)網(wǎng)絡都能得到良好的港口集裝箱吞吐量預測值。其中，BP神經(jīng)網(wǎng)絡的預測誤差最大不超過10%，最小可達到5%以內(nèi)，而小波神經(jīng)網(wǎng)絡的預測誤差最大不超過8%，最小甚至能夠達到1%以內(nèi)。而且，相同月份的預測值中，小波神經(jīng)網(wǎng)絡的預測誤差普遍小于BP神經(jīng)網(wǎng)絡的預測誤差。綜上，小波神經(jīng)網(wǎng)絡的預測性能明顯優(yōu)于BP神經(jīng)網(wǎng)絡，其預測誤差更小，精度更高。

3 ?結(jié)語

為提高港口集裝箱吞吐量預測的精度，本文引入了小波神經(jīng)網(wǎng)絡并應用于上海港集裝箱吞吐量預測。本文首先將上海港歷年的月度集裝箱吞吐量數(shù)據(jù)重構(gòu)并建立神經(jīng)網(wǎng)絡的訓練與預測數(shù)據(jù)集，然后利用MATLAB軟件進行仿真實現(xiàn)網(wǎng)絡的訓練及預測，同時與BP神經(jīng)網(wǎng)絡的預測結(jié)果進行對比分析。實驗及分析結(jié)果表明：與BP神經(jīng)網(wǎng)絡相比，小波神經(jīng)網(wǎng)絡在港口集裝箱吞吐量預測方面性能更強，具有更高的預測精度，能夠為港口的未來規(guī)劃發(fā)展提供服務。

參考文獻：

[1]陶春柳，陸宗斌.基于三次指數(shù)平滑法的蘇州港吞吐量預測[J].中國水運（下半月），2010，10（07）：66-67+97.

[2]楊金花，楊藝.基于灰色模型的上海港集裝箱吞吐量預測[J].上海海事大學學報，2014，35（02）：28-32.

[3]孔琳琳，劉瀾，許文秀，等.基于時間序列分析的港口集裝箱吞吐量預測分析[J].森林工程，2016，32（05）：106-110.

[4]柳艷嬌，肖青.組合模型在港口集裝箱吞吐量預測中的應用[J].大連海事大學學報，2006（03）：26-28.

[5]劉長儉，張慶年.基于時間序列BP神經(jīng)網(wǎng)絡的集裝箱吞吐量動態(tài)預測[J].水運工程，2007（01）：4-7+11.

[6]趙道利，谷偉豪，馮亞平.基于小波神經(jīng)網(wǎng)絡的短時交通流量預測[J].微型機與應用，2017，36（23）：80-83.

[7]章萬靜，鄭先彬，趙隴，等.基于WNN算法改進的瓦斯短時預測與仿真[J].現(xiàn)代電子技術，2018，41（23）：58-61.

[8]潘慧慧，高鵬，周松林，等.基于小波神經(jīng)網(wǎng)絡的交通事故的預測[J].洛陽理工學院學報（自然科學版），2018，28（04）：53-57.

[9]謝劭峰，蘇永檸，王新橋，等.基于遺傳小波神經(jīng)網(wǎng)絡的GPS可降水量預測[J].中國科技論文，2018，13（09）：1041-1044.

[10]楊世秦，孫駟洲.基于遺傳優(yōu)化的小波神經(jīng)網(wǎng)絡風電功率預測[J].安徽工程大學學報，2018，33（01）：27-33+46.