專利名稱：基于遺傳算法優(yōu)化的支持向量回歸船舶交通流量預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種船舶交通流量預(yù)測(cè)技術(shù)，具體涉及基于遺傳算法優(yōu)化的支持向量 回歸船舶交通流量預(yù)測(cè)方法。
背景技術(shù)：
船舶交通流量的預(yù)測(cè)研究是與船舶定線制的建立密不可分的。船舶定線制的制定 要求對(duì)該水域或航道的近期和未來(lái)總體船舶交通流量有一個(gè)清楚的認(rèn)識(shí)，流量預(yù)測(cè)為未來(lái) 航道航線的規(guī)劃、設(shè)計(jì)和優(yōu)化提供基礎(chǔ)流量數(shù)據(jù)，這也是制定管理政策和方案的最基本、最 重要的依據(jù)。大連海事大學(xué)呂靖和方祥麟提出的CSFM模型是在對(duì)我國(guó)沿海主要港口轄區(qū)水域 船舶交通流分析的基礎(chǔ)上，考慮到過去預(yù)測(cè)方法中存在不足而提出來(lái)的。該模型運(yùn)用系統(tǒng) 分析的原理，定性與定量方法相結(jié)合，時(shí)間序列分析、主觀概率及專家咨詢等方法相結(jié)合， 同時(shí)考慮到政治，政策及人為因素等影響，不僅能提高預(yù)測(cè)的系統(tǒng)性和適用性，而且也能提 高預(yù)測(cè)的準(zhǔn)確度。武漢理工大學(xué)劉敬賢在CSFM模型基礎(chǔ)上提出基于港口特征、船舶行為特征和歷 史相關(guān)統(tǒng)計(jì)數(shù)據(jù)建立的船舶交通流預(yù)測(cè)模型，并針對(duì)CSFM模型的固定權(quán)重問題，采用線性 規(guī)劃方法來(lái)確定組合預(yù)測(cè)的變權(quán)系數(shù)。通過改進(jìn)，使得組合預(yù)測(cè)模型更加合理，能真實(shí)的反 應(yīng)一個(gè)水道或港口的船舶交通流量的發(fā)展趨勢(shì)。上海海事大學(xué)黃洪瓊提出智能融合算法應(yīng)用于船舶交通流量預(yù)測(cè)系統(tǒng)，融合預(yù)測(cè) 能夠?qū)Χ鄠€(gè)數(shù)據(jù)源進(jìn)行預(yù)測(cè)，并可以減緩單種預(yù)測(cè)方法單獨(dú)預(yù)測(cè)的不確定性，從而增加了 預(yù)測(cè)的準(zhǔn)確性和整個(gè)預(yù)測(cè)系統(tǒng)的魯棒性，較好地解現(xiàn)有船舶預(yù)測(cè)算法中存在的預(yù)測(cè)精度不 高，依賴于經(jīng)驗(yàn)等不足。以上方法均是基于傳統(tǒng)的時(shí)序數(shù)據(jù)的時(shí)序預(yù)測(cè)模型，預(yù)測(cè)準(zhǔn)確度不高。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有船舶交通流量的預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確度不高的問題，而提供一種基 于遺傳算法優(yōu)化的支持向量回歸船舶交通流量預(yù)測(cè)方法，該方法能夠有效的提高預(yù)測(cè)準(zhǔn)確度。為了達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案基于遺傳算法優(yōu)化的支持向量回歸船舶交通流量預(yù)測(cè)方法，該預(yù)測(cè)方法包括如下 步驟(1)通過加權(quán)主成分分析法把可能對(duì)船舶流量產(chǎn)生影響的因素維數(shù)降低，選取累 計(jì)貢獻(xiàn)率較高的影響因素；(2)原始時(shí)序數(shù)據(jù)歸一化預(yù)處理，生成數(shù)據(jù)集并分組，即把樣本數(shù)據(jù)轉(zhuǎn)化為0 1 或者0 2之間的數(shù)據(jù)；(3)選擇核函數(shù)，確定SVM回歸參數(shù)得到數(shù)據(jù)集之后，選擇徑向基函數(shù)(RBF)作
3為核函數(shù)，包含寬度參數(shù)、二次規(guī)劃的優(yōu)化參數(shù)；(4)構(gòu)造遺傳算法優(yōu)化的支持向量回歸預(yù)測(cè)模型；(5)輸入數(shù)據(jù)集，生成預(yù)測(cè)函數(shù)；(6)根據(jù)上一步驟生成的預(yù)測(cè)函數(shù)進(jìn)行預(yù)測(cè)，并進(jìn)行預(yù)測(cè)誤差評(píng)價(jià)分析；如果誤 差較大則返回步驟2，重新調(diào)整參數(shù)，再次進(jìn)行預(yù)測(cè)。所述步驟(4)中的遺傳算法優(yōu)化步驟如下(4. 1)隨機(jī)產(chǎn)生一組支持向量機(jī)參數(shù)，采用某編碼方案對(duì)每個(gè)支持向量機(jī)參數(shù)進(jìn) 行編碼，進(jìn)而構(gòu)造初始群體；(4. 2)計(jì)算它的誤差函數(shù)，從而確定其適應(yīng)度，若誤差越大，則適應(yīng)度越??；(4. 3)選擇若干適應(yīng)度大的個(gè)體，直接遺傳給下一代；(4. 4)利用遺傳操作算子對(duì)當(dāng)前一代群體進(jìn)行處理，產(chǎn)生下一代群體；(4.5)重復(fù)步驟(4.2)，使初始確定的一組支持向量機(jī)參數(shù)不斷進(jìn)化，直到訓(xùn)練目 標(biāo)滿足條件為止。本發(fā)明提出的基于機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)的人工智能預(yù)測(cè)模型。在利用支持向量機(jī) 進(jìn)行預(yù)測(cè)的過程中，參數(shù)的選取起關(guān)鍵性作用，若參數(shù)選取不合理，則往往會(huì)造成計(jì)算的欠 學(xué)習(xí)和過學(xué)習(xí)現(xiàn)象，從而直接影響預(yù)測(cè)精度和運(yùn)行時(shí)間。本方法采用遺傳算法對(duì)SVM的參 數(shù)進(jìn)行優(yōu)選，避免了人為選擇支持向量機(jī)參數(shù)的盲目性，提高了支持向量機(jī)預(yù)測(cè)的精度和 推廣泛化能力，隨著預(yù)測(cè)時(shí)間延長(zhǎng)，基于遺傳算法優(yōu)化的支持向量機(jī)仍具有較高預(yù)測(cè)精度， 預(yù)測(cè)精度的穩(wěn)定性較高。總之，該方法通過實(shí)證檢驗(yàn)，獲得了良好的改進(jìn)效果，說明了所提 出的改進(jìn)發(fā)明在預(yù)測(cè)中的有效性。
以下結(jié)合附圖和具體實(shí)施方式
來(lái)進(jìn)一步說明本發(fā)明。

圖1為本發(fā)明的流程圖。圖2為不敏感函數(shù)下的線性回歸示意圖。圖3為歸一化后的1991-2008年船舶進(jìn)出港簽證艘次統(tǒng)計(jì)圖。圖4為最佳適應(yīng)度曲線圖。圖5為參數(shù)g、c和MSE的等高線圖。圖6為參數(shù)g和c的等高線圖。圖7為原始數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)對(duì)比圖。圖8為相對(duì)誤差量示意圖。
具體實(shí)施例方式為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié) 合具體圖示，進(jìn)一步闡述本發(fā)明。本發(fā)明在針對(duì)現(xiàn)有船舶流量預(yù)測(cè)方法的不足之處，提出改進(jìn)的支持向量機(jī)的船舶 流量預(yù)測(cè)方法，其步驟如下(參見圖1)步驟1 通過加權(quán)主成分分析法把可能對(duì)船舶流量產(chǎn)生影響的因素維數(shù)降低，選 取累計(jì)貢獻(xiàn)率較高的影響因素。
下面詳細(xì)介紹一下加權(quán)主成分賦權(quán)法的一般步驟(1)采集ρ維隨機(jī)向量
權(quán)利要求
1.基于遺傳算法優(yōu)化的支持向量回歸船舶交通流量預(yù)測(cè)方法，其特征在于，所述預(yù)測(cè) 方法包括如下步驟(1)通過加權(quán)主成分分析法把可能對(duì)船舶流量產(chǎn)生影響的因素維數(shù)降低，選取累計(jì)貢 獻(xiàn)率較高的影響因素；(2)原始時(shí)序數(shù)據(jù)歸一化預(yù)處理，生成數(shù)據(jù)集并分組，即把樣本數(shù)據(jù)轉(zhuǎn)化為0 1或者 0 2之間的數(shù)據(jù)；(3)選擇核函數(shù)，確定SVM回歸參數(shù)得到數(shù)據(jù)集之后，選擇徑向基函數(shù)作為核函數(shù)，包 含寬度參數(shù)、二次規(guī)劃的優(yōu)化參數(shù)；(4)構(gòu)造遺傳算法優(yōu)化的支持向量回歸預(yù)測(cè)模型；(5)輸入數(shù)據(jù)集，生成預(yù)測(cè)函數(shù)；(6)根據(jù)上一步驟生成的預(yù)測(cè)函數(shù)進(jìn)行預(yù)測(cè)，并進(jìn)行預(yù)測(cè)誤差評(píng)價(jià)分析；如果誤差較 大則返回步驟2，重新調(diào)整參數(shù)，再次進(jìn)行預(yù)測(cè)。
2.根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化的支持向量回歸船舶交通流量預(yù)測(cè)方法， 其特征在于，所述步驟(4)中的遺傳算法優(yōu)化步驟如下(4. 1)隨機(jī)產(chǎn)生一組支持向量機(jī)參數(shù)，采用某編碼方案對(duì)每個(gè)支持向量機(jī)參數(shù)進(jìn)行編 碼，進(jìn)而構(gòu)造初始群體；(4. 2)計(jì)算它的誤差函數(shù)，從而確定其適應(yīng)度，若誤差越大，則適應(yīng)度越?。?4. 3)選擇若干適應(yīng)度大的個(gè)體，直接遺傳給下一代；(4. 4)利用遺傳操作算子對(duì)當(dāng)前一代群體進(jìn)行處理，產(chǎn)生下一代群體；(4. 5)重復(fù)步驟(4. 2)，使初始確定的一組支持向量機(jī)參數(shù)不斷進(jìn)化，直到訓(xùn)練目標(biāo)滿 足條件為止。
全文摘要
本發(fā)明公開了基于遺傳算法優(yōu)化的支持向量回歸船舶交通流量預(yù)測(cè)方法，其包括如下步驟(1)通過加權(quán)主成分分析法把可能對(duì)船舶流量產(chǎn)生影響的因素維數(shù)降低，選取累計(jì)貢獻(xiàn)率較高的影響因素；(2)原始船舶交通流時(shí)序數(shù)據(jù)歸一化預(yù)處理，生成數(shù)據(jù)集并分組；(3)選擇核函數(shù)，確定SVM回歸參數(shù)；(4)構(gòu)造遺傳算法優(yōu)化的支持向量回歸預(yù)測(cè)模型；(5)輸入數(shù)據(jù)集，生成預(yù)測(cè)函數(shù)；(6)根據(jù)上一步驟生成的預(yù)測(cè)函數(shù)進(jìn)行預(yù)測(cè)，并進(jìn)行預(yù)測(cè)誤差評(píng)價(jià)分析；如果誤差較大則返回步驟2，重新調(diào)整參數(shù)，再次進(jìn)行預(yù)測(cè)。本發(fā)明具有較高預(yù)測(cè)精度，且預(yù)測(cè)精度的穩(wěn)定性較高。
文檔編號(hào)G08G3/00GK102005135SQ201010581320
公開日2011年4月6日 申請(qǐng)日期2010年12月9日 優(yōu)先權(quán)日2010年12月9日
發(fā)明者張 浩, 李松, 楊小軍, 白響恩, 肖英杰, 鄭劍 申請(qǐng)人:上海海事大學(xué)