基于支持向量機(jī)的船舶交通流量預(yù)測方法

曾曉晴

(江蘇航運職業(yè)技術(shù)學(xué)院，江蘇 南通 226010)

0 引 言

海上交通快速發(fā)展，在進(jìn)行海上交通管理過程中，為保證航道和港口資源的高效、合理利用和安全運行，避免發(fā)生交通事故[1]，需精準(zhǔn)掌握船舶交通流量情況。船舶交通流量指的是海面上或者內(nèi)河航運內(nèi)發(fā)生連續(xù)運動的全部船舶數(shù)量[2]，其包含交通流量、交通流密度、寬度以及速度等。由于船舶類型較多[3]，大小也存在差異，在海上的航行速度也存在顯著區(qū)別，外加海上環(huán)境較為多變，導(dǎo)致船舶交通流量預(yù)測難度較高[4]，預(yù)測結(jié)果誤差較大。劉敬賢等[5]針對船舶交通流量預(yù)測需求展開相關(guān)研究，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)及長短時記憶網(wǎng)絡(luò)提出預(yù)測方法。但該方法主要用于短時間內(nèi)的船舶交通流量預(yù)測，對于長時間內(nèi)的預(yù)測效果較差。張矢宇等[6]為實現(xiàn)船舶交通流量預(yù)測，提出組合模型預(yù)測方法，該方法主要針對航道整治區(qū)域內(nèi)的船舶交通流進(jìn)行預(yù)測，對于海上的船舶交通流預(yù)測誤差較大。

支持向量機(jī)(SVM)是一種通過監(jiān)督學(xué)習(xí)實現(xiàn)目標(biāo)二元分類的一種典型方法，其在多個識別領(lǐng)域中均具有較好的應(yīng)用效果。因此，本文利用SVM 的優(yōu)勢，提出基于SVM 的船舶交通流量預(yù)測方法。

1 船舶交通流量預(yù)測

1.1 船舶交通流量預(yù)測方法架構(gòu)

交通流量預(yù)測是港口管理的重要部分，其對于海上交通調(diào)度和協(xié)調(diào)控制以及安全管理具有重要意義，因此需可靠完成船舶交通流量預(yù)測。本文結(jié)合在交通流量預(yù)測時存在的不確定因素以及周期性或者區(qū)間性等特征，提出SVM 的船舶交通流量預(yù)測方法，其總體流程用圖1 描述。

圖1 支持向量機(jī)的船舶交通流量預(yù)測流程Fig.1 Ship traffic flow prediction process based on support vector machine

該方法在進(jìn)行船舶交通流量預(yù)測時，以歷史船舶交通流量數(shù)據(jù)為基礎(chǔ)，對數(shù)據(jù)進(jìn)行預(yù)處理，并采用模糊信息?；瘜?shù)據(jù)進(jìn)行二次處理，以保證數(shù)據(jù)的完整性，同時更好地刻畫數(shù)據(jù)的語義，為預(yù)測提供可靠的數(shù)據(jù)依據(jù)。將處理后的數(shù)據(jù)輸入SVM 模型中，該模型通過輸入數(shù)據(jù)和輸出結(jié)果之間的映射，完成船舶交通流量預(yù)測。為保證預(yù)測結(jié)果的可靠性，采用鯨魚算法對SVM 參數(shù)進(jìn)行優(yōu)化，獲取最優(yōu)參數(shù)值，減少SVM模型的構(gòu)建時間，提升交通流量預(yù)測的精確度。

1.2 基于SVM 的船舶交通流量預(yù)測

SVM 的本質(zhì)是一個凸二次規(guī)劃問題，能夠獲取高維空間內(nèi)數(shù)據(jù)集的最佳擬合結(jié)果。本文選擇SVM 作為船舶交通流量預(yù)測方法的基礎(chǔ)，將歸一化處理后的船舶歷史交通流量數(shù)據(jù)作為樣本數(shù)據(jù)，進(jìn)行交通流量預(yù)測。如果歸一化處理后的已知數(shù)據(jù)樣本集合用X=(xi,yi)表示，其中，xi和yi分別為輸入值和輸出值，均為第i個，則SVM 的學(xué)習(xí)即為xi和yi之間的映射關(guān)系，用f()表示。該映射能夠保證任意的X均具有f()=yi關(guān)系，通常情況下f()的計算公式為：

式中：w為權(quán)重；b為閾值；φ(x)為映射關(guān)系，其可將輸入量映射至高維特征空間內(nèi)。

在進(jìn)行船舶交通流量預(yù)測時，為保證預(yù)測精度，需保證參數(shù)的合理性，確保結(jié)構(gòu)的風(fēng)險最小，因此引入經(jīng)驗風(fēng)險函數(shù)，其計算公式為：

式中：m為樣本數(shù)據(jù)數(shù)量；L為損失函數(shù)，計算公式為：

式中，ε為小數(shù)，且大于0。

在預(yù)測時如果數(shù)據(jù)樣本數(shù)量較少，則結(jié)合SRM 準(zhǔn)則進(jìn)行回歸函數(shù)的選擇，其公式為：

依據(jù)SVM 的最大間隔概念對船舶交通流量預(yù)測的非線性回歸問題進(jìn)行轉(zhuǎn)換，形成函數(shù)規(guī)劃問題，其表達(dá)式為：

在實際應(yīng)用過程中，將上述公式轉(zhuǎn)換成對偶形式進(jìn)行求解，其公式為：

式中：αi為拉格朗日乘子；K(xi,x)為核函數(shù)。選擇徑向基函數(shù)作為核函數(shù)，是考慮船舶交通流量預(yù)測問題具有非線性特點。保證預(yù)測可靠的預(yù)測效果，同時確保數(shù)據(jù)存在不可分情況時，也可完成數(shù)據(jù)映射，實現(xiàn)預(yù)測。

在進(jìn)行船舶交通流量預(yù)測時，輸入SVM 中的輸入量包含對船舶交通流量存在影響的因素，輸出的結(jié)果為預(yù)測得出的交通流量結(jié)果。通過上述確定的核函數(shù)和SVM 的其他相關(guān)參數(shù)，進(jìn)行輸入量和輸出量之間的映射，獲取船舶交通流量預(yù)測結(jié)果。

1.3 SVM 參數(shù)優(yōu)化

SVM 對船舶交通流量預(yù)測過程中，K(xi,x)的參數(shù)g和C的取值對于SVM 的預(yù)測效果存在直接影響，因此，為保證船舶交通流量預(yù)測精度，對上述2 個參數(shù)進(jìn)行尋優(yōu)，選擇鯨魚優(yōu)化算法(WOA) 完成。在優(yōu)化時，為保證最佳參數(shù)的獲取，先利用網(wǎng)格搜索法對g和C兩個參數(shù)進(jìn)行大范圍尋優(yōu)，獲取初始的尋優(yōu)結(jié)果；再將該結(jié)果輸入至WOA 算法中，進(jìn)行精確尋優(yōu)，獲取全局最優(yōu)解，其尋優(yōu)流程用圖2 描述。

圖2 參數(shù)優(yōu)化流程Fig.2 Parameter optimization process

參數(shù)優(yōu)化詳細(xì)步驟如下：

步驟1對WOA 相關(guān)參數(shù)初始化處理，包含搜索代理X*(t)的維數(shù)、最大迭代次數(shù)、搜索范圍的上限和下限等。

步驟2判斷尋優(yōu)搜索時個體位置是否位于搜索范圍內(nèi)，如果越限后則對其進(jìn)行調(diào)整。

步驟3計算適應(yīng)度函數(shù)，X*(t)當(dāng)前位置定義為g和C參數(shù)，以此獲取當(dāng)前的SVM 預(yù)測模型，獲取該模型的預(yù)測精準(zhǔn)度，并將其作為WOA 的適應(yīng)度函數(shù)。

步驟4當(dāng)前最優(yōu)解更新，通過WOA 算法對X*(t)當(dāng)前位置進(jìn)行更新，以此獲取全局最佳適應(yīng)度函數(shù)，并完成當(dāng)前X*(t)的更新。其更新公式為：

步驟5判斷計算結(jié)果是否滿足終止條件，如果預(yù)測結(jié)果精度是當(dāng)前適應(yīng)度函數(shù)和全局適應(yīng)度函數(shù)的差值，即滿足終止條件，則將SVM 預(yù)測模型進(jìn)行更新，使其為最佳模型。

步驟6輸出X*={best c,best g}結(jié)果，該結(jié)果即為SVM 預(yù)測模型的最優(yōu)參數(shù)。

2 實驗結(jié)果分析

為驗證本文方法對于船舶交通流量的預(yù)測效果，獲取某港口管理中心通過海上船舶自動識別系統(tǒng)獲取的2021 年連續(xù)3 個月的海上交通流量數(shù)據(jù)作為測試數(shù)據(jù)。該港口為中型港口，作為重要的海運樞紐，承載近鄰多個城市的海運中轉(zhuǎn)。該港口相關(guān)海域和航道在3 個月內(nèi)實際共經(jīng)過83 522 艘船舶，包含貨船、客船以及巡查船舶。

為驗證本文方法對于船舶交通流量的預(yù)測效果，獲取本文方法在海面和航道2 種航行環(huán)境下，對于船舶交通流量的預(yù)測結(jié)果，如圖3 和圖4 所示。由圖3和圖4 可知，本文方法應(yīng)用后，能夠精準(zhǔn)預(yù)測不同時間段內(nèi)，海上和航道內(nèi)的船舶流量結(jié)果，預(yù)測結(jié)果和實際結(jié)果的吻合程度依較高。因此，本文方法具有較好的船舶交通流量預(yù)測能力，可靠完成船舶交通流量預(yù)測，為港口的船舶管理和調(diào)度提供可靠依據(jù)。

圖3 海面船舶交通流量預(yù)測結(jié)果Fig.3 Prediction results of ship traffic flow on the sea

圖4 航道船舶交通流量預(yù)測結(jié)果Fig.4 Prediction results of ship traffic flow in channel

為進(jìn)一步驗證本文方法對于船舶交通流量的預(yù)測效果，采用均等系數(shù)η作為評價指標(biāo)，測試本文方法在進(jìn)行不同數(shù)量船舶交通流量預(yù)測時的預(yù)測效果。該指標(biāo)取值在0～1 之間，其值越大表示預(yù)測結(jié)果的誤差越大。計算在不同數(shù)量船舶下，本文方法的預(yù)測結(jié)果，用表1 描述。由表1 可知，在霧天和雨天2 種天氣下，隨著海上船舶數(shù)量的逐漸增加，本文方法均可精準(zhǔn)完成船舶交通流量預(yù)測，η結(jié)果均在0.019以下，極大程度接近0。存在的少許誤差對于船舶的管理影響極小，可忽略不計。

表1 船舶交通流量預(yù)測結(jié)果的均等系數(shù)測試結(jié)果Tab.1 Test results of equalization coefficient of predicted results of ship traffic flow

為直觀驗證本文方法的應(yīng)用性，獲取本文方法應(yīng)用前后，港口管理部門依據(jù)交通流量預(yù)測結(jié)果對港口資源進(jìn)行調(diào)度，獲取調(diào)度后船舶吞吐量變化情況和航道內(nèi)船舶等待進(jìn)港的等候時間變化情況，結(jié)果用圖5和圖6 描述。由圖5 和圖6 可知，本文方法應(yīng)用后，能夠可靠獲取船舶流量情況，港口調(diào)度中心可依據(jù)預(yù)測結(jié)果對船舶進(jìn)行調(diào)度，高效、合理實現(xiàn)港口資源利用，減少船舶等待進(jìn)港時間，提升船舶吞吐量。因此，本文方法具有良好的應(yīng)用性，對于港口的船舶管理具有重要作用。

圖5 船舶吞吐量變化情況Fig.5 Change of ship throughput

圖6 船舶進(jìn)港等候時間變化情況Fig.6 Change of ship arrival waiting time

3 結(jié) 語

船舶交通流量會受到多種因素的影響，產(chǎn)生一定變化，對于港口的管理和資源的合理化應(yīng)用造成一定影響。因此，港口管理部門需可靠掌握船舶交通流量情況，為港口管理提供數(shù)據(jù)依據(jù)。基于此，本文提出基于支持向量機(jī)的船舶交通流量預(yù)測方法，預(yù)測船舶交通流量情況。對該方法進(jìn)行相關(guān)測試后可知：本文方法具有較好的應(yīng)用效果，能夠完成船舶交通流量預(yù)測，掌握船舶流量情況，為港口調(diào)度提供可靠依據(jù)。