基于改进多层感知机模型的港口吞吐量预测研究

　　摘 要：精确的港口货物吞吐量预测对于港口的发展至关重要。本文提出了改进粒子群优化去尾均值多层感知机模型对上海港货物吞吐量进行预测。选取了影响上海港货物吞吐量的十个因素进行训练，实验结果表明该预测模型的预测性能明显优于传统MLP预测模型和基本的粒子群优化多层感知机模型。对该预测模型的误差分析和收敛性分析表明该预测模型可靠。

　　关键词：粒子群算法;去尾均值;多层感知机;港口吞吐量预测

　　1 引言(Introduction)

　　随着“21世纪海上丝绸之路”战略的实施，对港口的管理提出了更高的要求：准确地预测港口货物吞吐量，为港口调度提供依据，避免港口出现货物船舶的滞留，缩短交货周期，提高客户满意度，使港口运营更高效。因此，准确地预测港口货物吞吐量对港口发展至关重要。

　　目前，在港口货物吞吐量预测方面，陈昌源等[1]通过优化灰色分析法对上海港集装箱吞吐量进行了预测;黄荣富等[2]通过建立三次指数平滑法对港口吞吐量进行了预测;高嵩等[3，4]分别结合不同预测模型，建立组合预测模型并分别应用于天津港和宁波港的吞吐量预测;李广儒等[5]将Elman神经网络应用于宁波舟山港的货物吞吐量预测;胡克满等[6]运用灰色模型理论选取部分已知信息计算未知信息，结合人工神经网络系统对模型进行优化，给出了基于灰色神经网络的港口货物吞吐量预测算法。

　　2 吞吐量影响因素分析(Analysis of influencing factors of port throughput)

　　由于港口吞吐量受到政治、经济、文化、社会等因素的影响，各种因素相互作用导致上海港货物吞吐量在时间维度上呈现非线性变化的特点，而人工神经网络能够拟合非线性映射，具有较强的自适应和自学习能力。但是人工神经网络存在一些不足之处，它的初始权值和阈值都是随机生成的，并且在训练过程中容易陷入局部极小值，而用粒子群算法进行训练能够很好地解决人工神经网络存在的这些问题。此外，人工神经网络模型的功能往往依赖于网络权重的组合相加，容易受到离群值的负面影响[7]，因此，本文采用一种改进粒子群(IPSO)优化的去尾均值多层感知机模型(Tr-MLP)对上海港的货物吞吐量进行预测研究。

　　本文的创新点在于在多层感知机模型中增加了去尾均值，减少离群值的负面影响，并且使用IPSO模型训练，使收敛速度更快，预测精度更高。

　　3 IPSO(Improved particle swarm optimization)

　　3.1 粒子群优化算法(PSO)模型

　　粒子群优化算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。该算法中每个粒子都可以看作搜索空间中的最优解，在移动与飞行的过程中，利用适应度函数求得适应度值，用适应度值评价当前解的优劣。每个粒子由位置、速度和适应度值三项特征值进行表示。PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫作个体极值;另一个极值是整个种群找到的最优解，这个极值是全局极值。不断调整飞行的速度和位置，以搜索到全局最優值。速度和位置更新公式如下[8]：

　　其中，m=1，2，…，M;j=1，2，…，N;vjm为第j个粒子在第m维的飞行速度;xjm为粒子的位置;和为非负的常数，称为加速度因子;为介于[0，1]的随机变量;为个体粒子经历的自身最优位置;为种群粒子集合中各个粒子进行比较后所经历的全局最优位置。

　　3.2 改进PSO

　　基础的PSO模型中，固定的惯性权重会减弱全局寻优能力和减慢收敛速度，因此提出利用非线性变化惯性权重来提高PSO的性能。将进行如下优化：

　　推荐阅读：软件开发促进专业知识学习探讨

期刊VIP网，您身边的高端学术顾问

文章名称： 基于改进多层感知机模型的港口吞吐量预测研究

文章地址： http://www.qikanvip.com/ruanjiankaifa/56656.html