朱慶輝 勾翔宇

摘 要：針對(duì)港口集裝箱吞吐量預(yù)測(cè)精度不高的問(wèn)題，采用小波函數(shù)作為隱含層傳遞函數(shù)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)而建立小波神經(jīng)網(wǎng)絡(luò)，并對(duì)2008-2017年上海港的每月集裝箱吞吐量數(shù)據(jù)按照前三個(gè)月預(yù)測(cè)后一個(gè)月的方式構(gòu)建出訓(xùn)練數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)，同時(shí)與BP神經(jīng)網(wǎng)絡(luò)在同樣數(shù)據(jù)情況下的預(yù)測(cè)精度進(jìn)行比較分析。結(jié)果表明：小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差明顯小于BP神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)性能更好。

關(guān)鍵詞：海港;集裝箱吞吐量;小波神經(jīng)網(wǎng)絡(luò);BP神經(jīng)網(wǎng)絡(luò);預(yù)測(cè)

中圖分類(lèi)號(hào)：U691 ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ?文章編號(hào)：1006—7973（2019）06-0025-03

貿(mào)易全球化的日益加深促使海上運(yùn)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(biāo)之一，其合理且精確的預(yù)測(cè)能夠?yàn)楦劭诘倪M(jìn)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(yù)測(cè)方法主要集中于指數(shù)平滑法[1]、灰色預(yù)測(cè)法[2]、 ARIMA模型[3]、組合預(yù)測(cè)[4]以及BP神經(jīng)網(wǎng)絡(luò)方法[5]等方法。這些方法雖然都取得了較為良好的預(yù)測(cè)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(duì)于波動(dòng)較大的數(shù)據(jù)的適應(yīng)性較差，使得其難以有效利用歷史數(shù)據(jù);在應(yīng)用灰色預(yù)測(cè)法時(shí)，該方法容易出現(xiàn)快速遞增或衰減，不適合長(zhǎng)期的數(shù)據(jù)預(yù)測(cè);ARIMA模型對(duì)于預(yù)測(cè)數(shù)據(jù)同樣要求穩(wěn)定性，其本質(zhì)上只適合于線(xiàn)性預(yù)測(cè);組合預(yù)測(cè)方法的關(guān)鍵在于不同預(yù)測(cè)方法之間權(quán)重的確定，準(zhǔn)確的權(quán)重確定直接關(guān)系到預(yù)測(cè)結(jié)果的精度;而B(niǎo)P神經(jīng)網(wǎng)絡(luò)方法在預(yù)測(cè)時(shí)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(luò)方法的非線(xiàn)性擬合能力極強(qiáng)，如果能夠?qū)ι窠?jīng)網(wǎng)絡(luò)進(jìn)行有效地優(yōu)化，就能夠?qū)崿F(xiàn)更高精度的預(yù)測(cè)。因此，針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題，本文擬采用小波函數(shù)替換BP神經(jīng)網(wǎng)絡(luò)的隱含層傳遞函數(shù)構(gòu)建小波神經(jīng)網(wǎng)絡(luò)，進(jìn)而實(shí)現(xiàn)集裝箱吞吐量預(yù)測(cè)。小波神經(jīng)網(wǎng)絡(luò)能夠避免BP神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)設(shè)計(jì)上的盲目性，其學(xué)習(xí)能力更強(qiáng)，收斂速度更快，而且由于小波理論的全尺度分析，該網(wǎng)絡(luò)能夠?qū)崿F(xiàn)全局和局部的最優(yōu)解。

小波神經(jīng)網(wǎng)絡(luò)目前在短時(shí)交通流量預(yù)測(cè)[6]、瓦斯?jié)舛阮A(yù)測(cè)[7]、交通事故預(yù)測(cè)[8]、GPS可降水量預(yù)測(cè)[9]以及風(fēng)電功率預(yù)測(cè)[10]中都取得了良好的預(yù)測(cè)效果。本文將小波神經(jīng)網(wǎng)絡(luò)首次應(yīng)用于港口集裝箱吞吐量預(yù)測(cè)，并利用上海港的數(shù)據(jù)進(jìn)行驗(yàn)證，同時(shí)與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。最終的實(shí)驗(yàn)結(jié)果表明：與BP神經(jīng)網(wǎng)絡(luò)相比，小波神經(jīng)網(wǎng)絡(luò)在港口集裝箱吞吐量預(yù)測(cè)方面具有更大優(yōu)勢(shì)，其預(yù)測(cè)誤差更小，精度更高。

1 ?小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與BP神經(jīng)網(wǎng)絡(luò)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(luò)將BP神經(jīng)網(wǎng)絡(luò)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(luò)的基本結(jié)構(gòu)如圖1所示。

2 ?港口集裝箱吞吐量預(yù)測(cè)

2.1 ?預(yù)測(cè)模型的建立

為建立小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與預(yù)測(cè)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(duì)120個(gè)月的時(shí)間序列數(shù)據(jù)按照前三個(gè)預(yù)測(cè)后一個(gè)月的方式進(jìn)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(luò)的訓(xùn)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(yù)測(cè)數(shù)據(jù)。

同時(shí)，根據(jù)集裝箱吞吐量數(shù)據(jù)的時(shí)間特性以及多次的實(shí)驗(yàn)嘗試，確定小波神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)為3個(gè)。因此，完整的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為輸入層3個(gè)節(jié)點(diǎn)，隱含層3個(gè)節(jié)點(diǎn)，輸出層1個(gè)節(jié)點(diǎn)。

2.2 ?預(yù)測(cè)結(jié)果與分析

在完成小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)等的建立后，本文利用MATLAB軟件對(duì)該網(wǎng)絡(luò)進(jìn)行仿真實(shí)現(xiàn)。同時(shí)，利用上海港的111組集裝箱吞吐量數(shù)據(jù)進(jìn)行小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，再將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型對(duì)上海港2017年7月至12月的集裝箱吞吐量進(jìn)行預(yù)測(cè)，最后計(jì)算得到6組數(shù)據(jù)的預(yù)測(cè)誤差。為體現(xiàn)小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能，在相同的訓(xùn)練與預(yù)測(cè)數(shù)據(jù)集情況下，本文又利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行集裝箱吞吐量的預(yù)測(cè)并與小波神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。兩種神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果以及港口集裝箱吞吐量的實(shí)際值如圖2所示，具體的預(yù)測(cè)值、實(shí)際值以及預(yù)測(cè)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(luò)相比，小波神經(jīng)網(wǎng)絡(luò)在進(jìn)行港口集裝箱吞吐量預(yù)測(cè)時(shí)的預(yù)測(cè)結(jié)果明顯與實(shí)際吞吐量值更接近，表明小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能更優(yōu)。分析表3可知，BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)都能得到良好的港口集裝箱吞吐量預(yù)測(cè)值。其中，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差最大不超過(guò)10%，最小可達(dá)到5%以?xún)?nèi)，而小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差最大不超過(guò)8%，最小甚至能夠達(dá)到1%以?xún)?nèi)。而且，相同月份的預(yù)測(cè)值中，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差普遍小于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差。綜上，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)誤差更小，精度更高。

3 ?結(jié)語(yǔ)

為提高港口集裝箱吞吐量預(yù)測(cè)的精度，本文引入了小波神經(jīng)網(wǎng)絡(luò)并應(yīng)用于上海港集裝箱吞吐量預(yù)測(cè)。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(luò)的訓(xùn)練與預(yù)測(cè)數(shù)據(jù)集，然后利用MATLAB軟件進(jìn)行仿真實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)，同時(shí)與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。實(shí)驗(yàn)及分析結(jié)果表明：與BP神經(jīng)網(wǎng)絡(luò)相比，小波神經(jīng)網(wǎng)絡(luò)在港口集裝箱吞吐量預(yù)測(cè)方面性能更強(qiáng)，具有更高的預(yù)測(cè)精度，能夠?yàn)楦劭诘奈磥?lái)規(guī)劃發(fā)展提供服務(wù)。

參考文獻(xiàn)：

[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(yù)測(cè)[J].中國(guó)水運(yùn)（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(yù)測(cè)[J].上海海事大學(xué)學(xué)報(bào)，2014，35（02）：28-32.

[3]孔琳琳，劉瀾，許文秀，等.基于時(shí)間序列分析的港口集裝箱吞吐量預(yù)測(cè)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(yù)測(cè)中的應(yīng)用[J].大連海事大學(xué)學(xué)報(bào)，2006（03）：26-28.

[5]劉長(zhǎng)儉，張慶年.基于時(shí)間序列BP神經(jīng)網(wǎng)絡(luò)的集裝箱吞吐量動(dòng)態(tài)預(yù)測(cè)[J].水運(yùn)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(luò)的短時(shí)交通流量預(yù)測(cè)[J].微型機(jī)與應(yīng)用，2017，36（23）：80-83.

[7]章萬(wàn)靜，鄭先彬，趙隴，等.基于WNN算法改進(jìn)的瓦斯短時(shí)預(yù)測(cè)與仿真[J].現(xiàn)代電子技術(shù)，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(luò)的交通事故的預(yù)測(cè)[J].洛陽(yáng)理工學(xué)院學(xué)報(bào)（自然科學(xué)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(luò)的GPS可降水量預(yù)測(cè)[J].中國(guó)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(luò)風(fēng)電功率預(yù)測(cè)[J].安徽工程大學(xué)學(xué)報(bào)，2018，33（01）：27-33+46.