基于FOA優(yōu)化GRNN的船舶交通流預(yù)測模型

鈕浩東，黃洪瓊

(上海海事大學(xué) 信息工程學(xué)院,上海 201306)

?

基于FOA優(yōu)化GRNN的船舶交通流預(yù)測模型

鈕浩東，黃洪瓊

(上海海事大學(xué) 信息工程學(xué)院,上海 201306)

摘要：針對船舶交通流預(yù)測中存在復(fù)雜性、非線性、受限因素多等特點，運用果蠅優(yōu)化算法，建立了優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)船舶交通流預(yù)測模型。通過利用果蠅優(yōu)化算法的全局尋優(yōu)特性對廣義回歸神經(jīng)網(wǎng)絡(luò)進行參數(shù)優(yōu)化，從而實現(xiàn)對船舶交通流的預(yù)測。以東海大橋的船舶流量觀測數(shù)據(jù)為實例對象進行分析，通過MATLAB進行仿真預(yù)測，實驗結(jié)果表明：FOA-GRNN模型相比于傳統(tǒng)的GRNN模型和BPNN模型具有更高的預(yù)測精度和泛化能力，有效地解決了預(yù)測過程中數(shù)據(jù)樣本少、非線性擬合能力差等問題，對水路的規(guī)劃、通航管理等方面具有一定的應(yīng)用價值。

關(guān)鍵詞：船舶流量；果蠅算法；參數(shù)優(yōu)化；預(yù)測；廣義回歸神經(jīng)網(wǎng)絡(luò)

引用格式：鈕浩東，黃洪瓊. 基于FOA優(yōu)化GRNN的船舶交通流預(yù)測模型[J].微型機與應(yīng)用，2016,35(12)：81-83.

0引言

隨著經(jīng)濟的發(fā)展和國際貿(mào)易的不斷增長，海上船舶數(shù)量顯著增加，中國沿海地區(qū)和長江流域的船舶交通量也日益多元化。因此，精準(zhǔn)地預(yù)測相關(guān)水域的船舶交通流量也日趨重要，其不僅能為航道的規(guī)劃、設(shè)計、管理提供有力依據(jù)，還能提高通航效率，降低海上交通事故發(fā)生率。影響船舶交通流量預(yù)測的因素有很多，涉及政治、經(jīng)濟、人為等多方面的因素。目前國內(nèi)外學(xué)者提出的預(yù)測方法有支持向量機[1]、組合預(yù)測[2]、回歸分析[3]等，然而這些單一的預(yù)測方法難以滿足在預(yù)測精度方面的預(yù)期要求。

為了克服傳統(tǒng)預(yù)測方法存在的預(yù)測精度不高、非線性擬合能力不強、計算復(fù)雜等方面的不足，本文建立了一種新的船舶流量預(yù)測模型，即FOA-GRNN模型，首次把果蠅算法(FOA)優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)運用到船舶交通流量預(yù)測中來。果蠅算法是根據(jù)果蠅尋找食物的活動演變而來的新興算法，具有良好的全局尋優(yōu)能力；另外廣義回歸神經(jīng)網(wǎng)絡(luò)的特點是具備優(yōu)秀的局部逼近能力、較快的訓(xùn)練速度、處理非線性問題的優(yōu)勢明顯。因此將兩者有效地結(jié)合起來，通過利用FOA優(yōu)化GRNN的相關(guān)參數(shù)來構(gòu)建最優(yōu)的預(yù)測模型，實現(xiàn)了預(yù)測船舶交通流量的目的。

1廣義回歸神經(jīng)網(wǎng)絡(luò)

斯坦福大學(xué)博士唐納德·施佩希特于20世紀(jì)90年代初提出廣義回歸神經(jīng)網(wǎng)絡(luò)模型，其屬于徑向基(RBF)神經(jīng)網(wǎng)絡(luò)的一部分，相比于RBF網(wǎng)絡(luò)，GRNN具有較強的局部逼近能力以及較快的學(xué)習(xí)速度[4]。另外，在樣本數(shù)據(jù)較少的情況下，廣義回歸神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果也較優(yōu)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。此網(wǎng)絡(luò)由3個部分組成，分別為輸入層、徑向基層以及線性網(wǎng)絡(luò)層。

圖1　GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖

2FOA-GRNN預(yù)測模型的構(gòu)建

果蠅優(yōu)化算法是根據(jù)果蠅尋找食物的活動演變而來的一種全局尋優(yōu)的新興算法，在操作性、實用性和收斂速度等方面具有明顯優(yōu)勢。

因為GRNN的性能受到σ取值的影響，所以本文使用果蠅算法來優(yōu)化Spread值，主要思想就是通過果蠅嗅覺搜尋食物及視覺發(fā)現(xiàn)群體所在位置，從而使得Spread值取到最優(yōu)解，然后使用迭代尋優(yōu)的方法，將GRNN網(wǎng)絡(luò)的預(yù)測值與真實值的均方差降至最低，記錄這一時刻的味道濃度值，此值即為σ的最優(yōu)解。圖2為FOA-GRNN模型的流程圖[5]，學(xué)習(xí)步驟如下。

圖2　FOA-GRNN模型流程圖

(1)參數(shù)初始化，如果蠅的種群規(guī)模、迭代次數(shù)和初始位置。

(2)隨機規(guī)定單個果蠅發(fā)現(xiàn)食物的所在位置和間隔距離。

(3)因為不清楚食物的具體位置，所以必須先求出所有果蠅相距原點的長度，然后求出味道濃度判定值S。

(4)建立味道濃度判定函數(shù)，把計算得到的S值代入到函數(shù)中，從而得到果蠅所在方位的味道濃度值。濃度判定函數(shù)選取GRNN模型里的均方差表示。

(5)求解果蠅群體中味道濃度的極值，即求均方差的極小值。

(6)記錄最優(yōu)味道濃度值和此時相應(yīng)的果蠅位置。

(7)開始迭代尋優(yōu)，循環(huán)執(zhí)行步驟(2)～(5)，假如味道濃度優(yōu)于前一代，則進行步驟(6)。

(8)判斷迭代次數(shù)條件是否滿足，若滿足則得到Spread最優(yōu)解，并將其帶入最優(yōu)的GRNN模型進行仿真預(yù)測，否則返回步驟(2)繼續(xù)執(zhí)行。

3實例仿真與分析

3.1實驗數(shù)據(jù)及參數(shù)設(shè)置

以上海洋山港東海大橋觀測面經(jīng)過的船舶為研究對象，根據(jù)上海洋山港統(tǒng)計的數(shù)據(jù)，選取2015年4月15日至2015年7月5日的船舶流量數(shù)據(jù)作為預(yù)測的原始數(shù)據(jù)。前50天數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后32天數(shù)據(jù)作為測試數(shù)據(jù)。選取上海GDP指數(shù)、運輸成本、業(yè)務(wù)量指數(shù)、船舶平均噸位、天氣情況5個指標(biāo)作為主要影響因素來建立預(yù)測模型。為了減小預(yù)測誤差，實現(xiàn)多類別樣本的統(tǒng)一分析，確保數(shù)據(jù)保持在同一數(shù)量上，故在實驗前先對數(shù)據(jù)進行歸一化處理，公式如下所示[6]：

(1)

仿真試驗時，選取MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的newgrnn函數(shù)來得到Spread最優(yōu)值，構(gòu)建最佳的FOA-GRNN船舶流量預(yù)測模型。通過反復(fù)驗算設(shè)定FOA的參數(shù)如下：初始化果蠅群體位置區(qū)間為[0,100]，果蠅群體規(guī)模為30，迭代次數(shù)為200。經(jīng)過FOA優(yōu)化后，得到最優(yōu)的Spread值為0.002 2。

3.2仿真結(jié)果對比分析

(2)

(3)

(4)

將這3種預(yù)測模型進行性能指標(biāo)對照，其比較結(jié)果如表1所示。此外，為了凸顯本文優(yōu)化方法的優(yōu)越性，分別對BP神經(jīng)網(wǎng)絡(luò)模型、GRNN模型和FOA-GRNN模型進行仿真實驗及比較，仿真結(jié)果如圖3～圖5所示。

表1　3種預(yù)測模型性能指標(biāo)對比

由圖3～圖5及表1可知，雖然BP網(wǎng)絡(luò)模型和單一的GRNN網(wǎng)絡(luò)模型都得到了相應(yīng)的預(yù)測結(jié)果，但是在預(yù)測精度上還是不及FOA-GRNN模型。由于BP神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練樣本，有時樣本數(shù)條件無法達到要求，此外由于神經(jīng)網(wǎng)絡(luò)中的過擬合現(xiàn)象和GRNN中Spread值的選擇問題，使得這兩種算法的預(yù)測精度沒有達到預(yù)期的要求。FOA具有較強的全局尋優(yōu)能力，利用FOA優(yōu)化GRNN模型的Spread值，得到其最優(yōu)解，使得預(yù)測誤差達到最小。

圖3　BP網(wǎng)絡(luò)模型預(yù)測值

圖4　GRNN網(wǎng)絡(luò)預(yù)測值與實際流量對比

圖5　FOA-GRNN模型預(yù)測值與實際流量對比

由表1可知，應(yīng)用FOA-GRNN模型預(yù)測的MAD、MAPE、RMS值都比單一的GRNN模型和BP模型小，由此說明，相對于BP和GRNN網(wǎng)絡(luò)，F(xiàn)OA-GRNN網(wǎng)絡(luò)模型的預(yù)測誤差較小并且具有較高的穩(wěn)定性，F(xiàn)OA-GRNN模型在預(yù)測能力、逼近能力等方面皆具有較強的優(yōu)勢。

4結(jié)論

本文首次將果蠅算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于船舶交通流量預(yù)測中，根據(jù)FOA算法的全局尋優(yōu)特性對GRNN網(wǎng)絡(luò)中的Spread值進行優(yōu)化，充分考慮多方面因素的影響，構(gòu)建了FOA-GRNN船舶交通流量預(yù)測模型，其具有如下特點：

(1)良好的擬合能力和泛化能力。通過MATLAB仿真實驗證明此模型具有良好的預(yù)測能力，與BP和GRNN模型相比，該模型的絕對值平均誤差、相對誤差絕對值平均值、均方根誤差都比較小，具備更優(yōu)的預(yù)測精度。

(2)良好的穩(wěn)定性和快速收斂能力。該模型需要確定的參數(shù)少，能夠很好地避免人為主觀臆斷的影響。

綜合分析，F(xiàn)OA-GRNN模型的實現(xiàn)過程簡單，泛化能力強，預(yù)測精度較高，為船舶交通流量預(yù)測提供了一種新途徑。

參考文獻

[1] 馮宏祥，肖英杰.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)：62-66.

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

[3] 張杏谷.回歸分析方法在VTS預(yù)測研究中的應(yīng)用[J].中國航海，1996(2)：32-35.

[4] 劉敬賢，劉振東.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)：74-78.

[5] 聶娜娜.修正型果蠅算法優(yōu)化GRNN網(wǎng)絡(luò)的尾礦庫安全預(yù)測[J].計算機工程，2015，41(4)： 267-272.

[6] 沈浩,黃洪瓊.基于PSO優(yōu)化SVM的船舶流量預(yù)測算法[J].微型機與應(yīng)用,2015,34(5):73-75.

[7] 郎茂祥.預(yù)測理論與方法[M].北京：清華大學(xué)出版社，北京交通大學(xué)出版社，2011.

中圖分類號：TP391.9

文獻標(biāo)識碼：A

DOI：10.19358/j.issn.1674- 7720.2016.12.026

(收稿日期：2015-12-30)

作者簡介：

鈕浩東(1991-)，男，碩士，主要研究方向:智能信息處理及應(yīng)用。

黃洪瓊(1973-)，女，博士，副教授，主要研究方向:智能信息處理、智能交通系統(tǒng)及航運智能運輸系統(tǒng)。

Ship traffic flow prediction model based on FOA-GRNN algorithm

Niu Haodong, Huang Hongqiong

(College of Information Engineering,Shanghai Maritime University,Shanghai 201306,China)

Abstract:Aiming at complexity of ship traffic flow prediction, nonlinear and main restriction factors, the traffic flow prediction model of the ship was put forward by using generalized regression neural network(GRNN) optimized by fruit fly optimization algorithm(FOA). By using global optimization characteristics of FOA to optimize the parameters of generalized regression neural network, it realizes the traffic flow prediction of the ship. Taking the East Sea Bridge ship traffic observation data for instance object to analyze, through MATLAB simulation prediction, the experimental results show that the FOA-GRNN model has higher prediction precision and generalization ability compared to the traditional GRNN model and BPNN model, and can effectively solve the problem of weak data sample and nonlinear fitting ability in the prediction process. For the waterway planning and navigation management, it has a certain practical value.

Key words:ship flux; fruit fly optimization algorithm; parameter optimization; prediction; generalized regression neural network