基于灰色神經(jīng)網(wǎng)絡(luò)的港口集裝箱吞吐量預(yù)測模型研究

張樹奎，肖英杰，魯子愛

(1．江蘇海事職業(yè)技術(shù)學(xué)院 航海技術(shù)系，江蘇 南京 211170；2．上海海事大學(xué) 商船學(xué)院，上海 201306； 3．河海大學(xué) 港口、海岸與近海工程學(xué)院，江蘇 南京 210098)

?

基于灰色神經(jīng)網(wǎng)絡(luò)的港口集裝箱吞吐量預(yù)測模型研究

張樹奎1，2，肖英杰2，魯子愛3

(1．江蘇海事職業(yè)技術(shù)學(xué)院 航海技術(shù)系，江蘇 南京 211170；2．上海海事大學(xué) 商船學(xué)院，上海 201306； 3．河海大學(xué) 港口、海岸與近海工程學(xué)院，江蘇 南京 210098)

為降低港口集裝箱吞吐量的預(yù)測誤差，提高預(yù)測精度，在分析傳統(tǒng)的灰色預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的優(yōu)缺點的基礎(chǔ)上，構(gòu)建了灰色神經(jīng)網(wǎng)絡(luò)港口集裝箱吞吐量預(yù)測模型，該模型充分發(fā)揮了灰色模型所需初始數(shù)據(jù)少和BP神經(jīng)網(wǎng)絡(luò)非線性擬合能力強(qiáng)的特點。以實際數(shù)值作為初始數(shù)據(jù)，各種灰色模型的預(yù)測值為神經(jīng)網(wǎng)絡(luò)的輸入值，神經(jīng)網(wǎng)絡(luò)的輸出值為組合預(yù)測結(jié)果。通過實例分析，結(jié)果表明：灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型提高了預(yù)測精度，預(yù)測結(jié)果比較理想，優(yōu)于單一預(yù)測模型，因此，該模型用于港口集裝箱吞吐量預(yù)測是可行的、有效的。

交通運輸工程；吞吐量；預(yù)測；灰色模型；灰色神經(jīng)網(wǎng)絡(luò)

當(dāng)前，港口之間的競爭日益表現(xiàn)為以集裝箱吞吐量為核心指標(biāo)的綜合實力的競爭。港口集裝箱吞吐量的科學(xué)預(yù)測是港口主管部門科學(xué)規(guī)劃和決策的理論基礎(chǔ)，它對港口建設(shè)，基礎(chǔ)設(shè)施投資規(guī)模，港口發(fā)展方向，經(jīng)營策略以及港口發(fā)展戰(zhàn)略等都具有現(xiàn)實的指導(dǎo)意義，是不可或缺的重要依據(jù)。

傳統(tǒng)的港口集裝箱吞吐量的預(yù)測方法主要有線性回歸分析法[1]，指數(shù)平滑法，灰色模型法等；目前，新的預(yù)測方法主要有灰色多元回歸模型法[2]，組合模型法[3]等。然而，港口集裝箱吞吐量與港口腹地、經(jīng)濟(jì)發(fā)展?fàn)顩r、港口自然條件、交通條件以及國家經(jīng)濟(jì)政策和周邊港口發(fā)展等密切相關(guān)，受到多種因素的影響，且各因素的作用機(jī)制很難用準(zhǔn)確的數(shù)學(xué)語言來描述，具有明顯的非線性特征；因此，對其的預(yù)測是一個復(fù)雜的系統(tǒng)過程。上述每個單一的預(yù)測方法都有一定的片面性，而部分組合預(yù)測方法又較少考慮集裝箱吞吐量預(yù)測具有非線性的特點。所以，兩種方法預(yù)測誤差都較大，難以滿足預(yù)測要求。

筆者根據(jù)灰色系統(tǒng)理論預(yù)測模型所需數(shù)據(jù)量較少、計算方法簡單、不需要太多的關(guān)聯(lián)因素以及可用于短、中、長期預(yù)測的特點和神經(jīng)網(wǎng)絡(luò)所具有的自學(xué)習(xí)、非線性映射以及并行分布處理的能力[4]，將兩者結(jié)合，發(fā)揮兩種方法的各自優(yōu)勢，避免其局限性，從而達(dá)到提高港口集裝箱吞吐量預(yù)測精度的目的。

1 預(yù)測模型的構(gòu)建

1.1 建模原理

灰色預(yù)測理論是根據(jù)部分信息已知，部分信息未知的歷史數(shù)據(jù)，建立一個能夠表達(dá)信息發(fā)展的GM(Gray Model)模型，從而揭示信息未來發(fā)展規(guī)律，做出預(yù)測[5]。目前，灰色預(yù)測方法在各領(lǐng)域應(yīng)用非常廣泛[6-7]，但是灰色預(yù)測模型缺乏自學(xué)習(xí)、自組織和自適應(yīng)能力，對信息處理能力較差，難以控制預(yù)測誤差。

人工神經(jīng)網(wǎng)絡(luò)是一種通過模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，對信息進(jìn)行分布并行處理的算法數(shù)學(xué)模型[8]。人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有很強(qiáng)的非線性映射能力，能夠?qū)敵稣`差進(jìn)行反饋校正，在一定條件下能夠任意逼近模型，預(yù)測精度非常高，其中以BP(Back Propagation)網(wǎng)絡(luò)應(yīng)用最為廣泛和成功。

筆者將灰色預(yù)測理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建灰色神經(jīng)網(wǎng)絡(luò)(Gray Neural Network,GNN)預(yù)測模型對港口集裝箱吞吐量進(jìn)行預(yù)測，通過兩者結(jié)合，體現(xiàn)優(yōu)勢互補(bǔ)，提高預(yù)測精度。

1.2 模型構(gòu)建

筆者選擇最常用、最簡單的GM(1，1)灰色模型[9-10]和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，建模步驟如下。

1)設(shè)已知的歷史港口集裝箱吞吐量x(0)的初始數(shù)據(jù)序列為：

(1)

式中：n為序列長度。

2)對歷史數(shù)據(jù)進(jìn)行一次累加生成(AGO)處理，目的是為了弱化數(shù)據(jù)的隨機(jī)性和波動性：

新生成的數(shù)據(jù)序列記為：

(2)

3)建立一階線性微分方程：

(3)

式中：α，μ為待辨識參數(shù)，分別表示發(fā)展系數(shù)和灰色作用量。

利用最小二乘法求解可得：

(4)

5)將得到的參數(shù)向量帶入式(1)，求解微分方程得到時間響應(yīng)方程：

(5)

離散響應(yīng)方程為：

(6)

(7)

7)對不同時間序列長度的初始數(shù)據(jù)運用等維灰數(shù)遞補(bǔ)法，得到不同的港口集裝箱吞吐量GM模型：GM1，GM2，…，GMk。

8)確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般采用3層BP網(wǎng)，即輸入層、隱含層和輸出層，其中輸入為各種GM的預(yù)測結(jié)果，對預(yù)測結(jié)果數(shù)據(jù)進(jìn)行歸一化處理后，結(jié)果可視為輸入神經(jīng)元，其個數(shù)為3；輸出為灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測結(jié)果，可視為輸出神經(jīng)元，個數(shù)為1；隱含層神經(jīng)元個數(shù)與輸入、輸出神經(jīng)元的個數(shù)有關(guān)，可用試驗的方法確定。筆者參考以下經(jīng)驗公式設(shè)計，并根據(jù)訓(xùn)練結(jié)果，最終確定隱含層節(jié)點數(shù)：

9)采用誤差反向傳播學(xué)習(xí)方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，直到誤差達(dá)到要求精度為止。此時的神經(jīng)網(wǎng)絡(luò)才是最好的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1。當(dāng)輸入端為港口集裝箱吞吐量的各種GM預(yù)測值時，則輸出端為灰色神經(jīng)網(wǎng)絡(luò)組合的預(yù)測值。

圖1 灰色神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Structure of Grey neural network model

2 實例及數(shù)據(jù)分析

采用南京港1990年到2013年共24年的港口集裝箱吞吐量數(shù)據(jù)作為實驗數(shù)據(jù)來驗證模型；設(shè)計灰色預(yù)測模型GM1，GM2，GM3，BP神經(jīng)網(wǎng)絡(luò)模型以及GNN組合模型；應(yīng)用前15年的數(shù)據(jù)作為初始數(shù)據(jù)，預(yù)測后9年內(nèi)的港口集裝箱吞吐量。

GM1，GM2，GM3建模所用的時間序列長度分別為10，8，6，為確保預(yù)測精度，采用等維遞推滾動預(yù)測方法[11-12]，即每次預(yù)測一個港口集裝箱吞吐量后，添加一個新的數(shù)據(jù)，去掉最早的一個數(shù)據(jù)，以保持?jǐn)?shù)據(jù)序列等維，重新建模預(yù)測下一個值，這樣依次遞補(bǔ)進(jìn)行預(yù)測。

BP神經(jīng)網(wǎng)絡(luò)模型采用3×6×1結(jié)構(gòu)，輸入層與隱含層的傳遞函數(shù)為Sigmoid型，取前15年的實際港口集裝箱吞吐量值作為樣本訓(xùn)練網(wǎng)絡(luò)，并對樣本進(jìn)行歸一化處理，其值域為[0,1]，將前3個實際吞吐量值作為輸入，第4個實際吞吐量值作為輸出，設(shè)計最大學(xué)習(xí)次數(shù)為18 000次，學(xué)習(xí)速度為0.002，取學(xué)習(xí)目標(biāo)誤差平方和為0.1。

采用GNN組合模型進(jìn)行預(yù)測時，GM1，GM2，GM3的預(yù)測值作為輸入值。因此，輸入神經(jīng)元個數(shù)為3，輸出為1。設(shè)計最大學(xué)習(xí)次數(shù)為18 000次，學(xué)習(xí)速度為0.002，取學(xué)習(xí)目標(biāo)誤差平方和為0.1。設(shè)計訓(xùn)練步數(shù)為3 000時，訓(xùn)練誤差達(dá)到1×9-3，滿足預(yù)計設(shè)計學(xué)習(xí)精度要求，所以取GNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3×9×1。分別對GM1，GM2，GM3，BP，GNN模型進(jìn)行MATLAB仿真，采用后9年的實際集裝箱吞吐量數(shù)據(jù)預(yù)測集裝箱吞吐量，預(yù)測結(jié)果見表1。

表1 GM(1,1)、BP神經(jīng)網(wǎng)絡(luò)和GNN預(yù)測值

對表1中的各模型的相關(guān)預(yù)測數(shù)據(jù)與實際數(shù)據(jù)建立坐標(biāo)圖進(jìn)行比較，其中橫軸表示時間，縱軸表示每年的集裝箱吞吐量。坐標(biāo)如圖2，從圖2可以看出，GNN模型預(yù)測曲線更接近實際測量數(shù)據(jù)曲線，說明GNN模型優(yōu)于其它各單一預(yù)測模型。

圖2 各種模型的預(yù)測結(jié)果比較Fig.2 Comparison of predicted results with different models

令港口集裝箱吞吐量的預(yù)測值為dpre，實際值為dmea；dpre與dmea的關(guān)聯(lián)系數(shù)為C，效果系數(shù)為E，一致性指標(biāo)為A[13]，則有:

(8)

(9)

(10)

關(guān)聯(lián)系數(shù)和效果系數(shù)越接近1，說明預(yù)測值越接近實際值，一致性指標(biāo)的值域為[0,1]，值越接近1，說明預(yù)測值與實際值的變化曲線越趨于一致，擬合度就越好。采用表示各單一模型和GNN模型的擬合度，建立表2。從表2中可以看出：GNN模型的擬合度值均大于對應(yīng)的單一模型的值，說明GNN模型不僅適用于港口集裝箱吞吐量的預(yù)測，而且好于上述其它單一預(yù)測模型。

表2 GM(1,1)、BP神經(jīng)網(wǎng)絡(luò)和GNN擬合度檢驗

對表1中各模型的相關(guān)預(yù)測數(shù)據(jù)與實際數(shù)據(jù)取平均相對誤差(表3)作為評價指標(biāo)，對各預(yù)測模型進(jìn)行評價。由表3可以看出：與各單一預(yù)測模型比較，GNN預(yù)測模型的平均誤差均小于其它單一預(yù)測模型對應(yīng)的值；最大誤差也均小于其它單一預(yù)測模型的最大誤差；特別是在實際數(shù)據(jù)變化幅度較大的2009年和2011年，GNN預(yù)測模型的平均誤差值與其它單一預(yù)測模型的平均誤差值相比較要小得多，預(yù)測效果明顯。

表3 各種模型預(yù)測值相對誤差比較

Table 3 Comparison of relative deviation of predicted results with different models

年份實際值單一模型/%GM1GM2GM3BPGNN預(yù)測值/%200558.7710.8614.549.378.594.46200678.939.927.6211.0110.915.76

(續(xù)表3)

年份實際值單一模型/%GM1GM2GM3BPGNN預(yù)測值/%2007104.293.856.685.212.661.842008128.039.979.048.042.581.872009120.0314.2121.7818.909.516.262010141.5610.619.148.656.082.282011180.0715.9813.2812.207.703.862012229.089.3710.789.124.934.022013279.767.989.948.765.092.88

對后9年的預(yù)測數(shù)據(jù)取平均相對誤差，均方根誤差，最大相對誤差以及最小相對誤差(表4)作為評價指標(biāo)，討論各預(yù)測模型。從表4中可以看出，GNN預(yù)測結(jié)果明顯優(yōu)于單一GM預(yù)測和BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法，表現(xiàn)為GNN的4個評價指標(biāo)值均小于對應(yīng)的單一預(yù)測模型的評價指標(biāo)值。GNN預(yù)測更接近實際測量值。

表4 各種預(yù)測結(jié)果相對誤差比較

3 結(jié) 論

筆者通過采用5個預(yù)測模型對南京港口集裝箱吞吐量進(jìn)行預(yù)測，并對其相對誤差進(jìn)行比較，得到如下結(jié)論：

1)與其它4個單一模型比較，GNN模型的預(yù)測結(jié)果更接近實際值，預(yù)測精度更高。

2)GNN模型充分利用了GM模型所需初始數(shù)據(jù)少、計算方法簡單和BP模型非線性強(qiáng)的優(yōu)點，提高了預(yù)測精度。

3)GNN預(yù)測模型不僅適用于港口集裝箱吞吐量預(yù)測，還可用于其它領(lǐng)域的預(yù)測，應(yīng)用范圍廣泛。

[1] 陳秀瑛,古浩.灰色線性回歸模型在港口吞吐量預(yù)測中的應(yīng)用[J].水運工程,2010(5):89-92. Chen Xiuying,Gu Hao.Application of grey linear regression model for forecast of port throughput [J].Port & Waterway Engineering,2010(5):89-92.

[2] 林強(qiáng),陳一梅.灰色多元回歸模型在港口吞吐量預(yù)測中的應(yīng)用[J].水運工程,2008(7):77-80. Lin Qiang,Chen Yimei.Grey multiple regression model applied for port throughput forecasting [J].Port & Waterway Engineering,2008(7):77-80.

[3] 劉志杰,季令,葉玉玲,等.基于徑向基神經(jīng)網(wǎng)絡(luò)的集裝箱吞吐量組合預(yù)測[J].同濟(jì)大學(xué)學(xué)報:自然科學(xué)版,2007,35(6):739-744. Liu Zhijie,Ji Ling,Ye Yuling,et al.Combined forecast method of port container throughput based on RBF neural network [J].Journal of Tongji University:Natural Science,2007,35(6):739-744.

[4] 于莉,馬曉平.灰色理論在造船工序作業(yè)計劃預(yù)測中的應(yīng)用研究[J].江蘇科技大學(xué)學(xué)報:自然科學(xué)版,2007,21(2):17-19. Yu Li,Ma Xiaoping.Application research on grey-theory in forecast of shipbuilding process operation plan [J].Journal of Jiangsu University of Science and Technology:Natural Science Edition,2007,21(2):17-19.

[5] 邱洪波,楊斌,黃勇.基于灰色理論的城市核心區(qū)道路交通安全分析[J].重慶交通大學(xué)學(xué)報:自然科學(xué)版,2013,32(6):1228-1231. Qiu Hongbo,Yang Bin,Huang Yong.Road traffic safety analysis at the core area of city based on the grey system theory [J].Journal of Chongqing Jiaotong University:Natural Science,2013,32(6):1228-1231.

[6] 傅立.灰色系統(tǒng)理論及其應(yīng)用[M].北京:科學(xué)技術(shù)文獻(xiàn)出版社,1992:18-24. Fu Li.Grey System Theory and Its Applications [M].Beijing:Science and Technology Press,1992:18-24.

[7] 張樹奎,魯子愛.港口環(huán)境資源的生態(tài)性評價方法研究[J].江蘇科技大學(xué)學(xué)報:自然科學(xué)版,2010,24(2):179-183. Zhang Shukui,Lu Zi’ai.Ecology evaluation method of port environment resource [J].Journal of Jiangsu University of Science and Technology:Natural Science Edition,2010,24(2):179-183.

[8] 王偉.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京:北京航空航天大學(xué)出版社,1995:46-51. Wang Wei.Artificial Neural Network Theory [M].Beijing:Beijing University of Aeronautics and Astronautics Press,1995:46-51.

[9] 吳志周,范宇杰,馬萬經(jīng).基于灰色神經(jīng)網(wǎng)絡(luò)的點速度預(yù)測模型[J].西南交通大學(xué)學(xué)報,2012,47(2):285-290. Wu Zhizhou,Fan Yujie,Ma Wanjing.Spot speed prediction model based on grey neural network [J].Journal of southwest Jiaotong University,2012,47(2):285-290.

[10] 范嫦娥,李德華.基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的路面使用性能評價方法[J].重慶交通大學(xué)學(xué)報:自然科學(xué)版,2013,32(1):80-83. Fan Chang’e,Li Dehua.Pavement performance evaluation based on SOM neural network [J].Journal of Chongqing Jiaotong University:Natural Science,2013,32(1):80-83.

[11] 周鵬飛,溫勝強(qiáng),康海貴.基于馬爾可夫鏈與神經(jīng)網(wǎng)絡(luò)組合的路面使用性能預(yù)測[J].重慶交通大學(xué)學(xué)報:自然科學(xué)版,2012,31(5):997-1001. Zhou Pengfei,Wen Shengqiang,Kang Haigui.Pavement performance combining forecasting based on BP neural network and Markov model [J].Journal of Chongqing Jiaotong University:Natural Science,2012,31(5):997-1001.

[12] 陳淑燕,王煒.交通量的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J].東南大學(xué)學(xué)報:自然科學(xué)版,2004,34(4):541-544. Chen Shuyan,Wang Wei.Grey neural network forecasting for traffic flow [J].Journal of Southeast University:Natural Science Edition,2004,34(4):541-544.

[13] Legates D R,Mccabe G J.Evaluating the use of goodness of fit measures in hydropic and hydro-climatic model validation [J].Water Resources,1999,35(1):233-241.

Prediction Model of Port Container Throughput Based on Grey Neural Network

Zhang Shukui1, 2, Xiao Yingjie2, Lu Zi’ai3

(1. Department of Navigation, Jiangsu Maritime Institute, Nanjing 211170, Jiangsu, China; 2. College of Merchant, Shanghai Maritime University, Shanghai 201306, China; 3. College of Harbor, Coastal & Offshore, Hohai University, Nanjing 210098, Jiangsu, China)

In order to reduce prediction error of port container throughput and improve its prediction accuracy, a Grey neural network model of port container throughput was constructed after analyzing the advantages and disadvantages of the conventional Grey model and BP neural network model. The new model made full use of the characteristic of low data demand of Grey model and strong nonlinear fitting ability of BP neural network. The actually measured values were used as the initial data, and various prediction values of Grey model were used as input data of neural network and final output data of neural network was used as combination prediction result. A case study shows that the Grey neural network model can offer improved prediction accuracy and ideal prediction results, which is better than single forecasting model. Therefore, it is feasible and effective to predict port container throughput by Grey neural network model.

transportation engineering; throughput; prediction; grey model; grey neural network

10.3969/j.issn.1674-0696.2015.05.27

2014-04-24；

2014-07-08

2013年度江蘇省教育教學(xué)研究課題項目(ZYB210)；2013年交通運輸職業(yè)教育科研立項項目(2013A03)

張樹奎(1973—)，男，安徽阜陽人，副教授，博士，主要從事港口、海岸與近海工程及航海技術(shù)方面的研究。E-mail: zhangshkfy@163.com。

U 695.2

A

1674-0696(2015)05-135-04