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測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種船舶交通流量預測技術(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測方法。
背景技術(shù)：
船舶交通流量的預測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 要求對該水域或航道的近期和未來總體船舶交通流量有一個清楚的認識，流量預測為未來 航道航線的規(guī)劃、設(shè)計和優(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)。大連海事大學呂靖和方祥麟提出的CSFM模型是在對我國沿海主要港口轄區(qū)水域 船舶交通流分析的基礎(chǔ)上，考慮到過去預測方法中存在不足而提出來的。該模型運用系統(tǒng) 分析的原理，定性與定量方法相結(jié)合，時間序列分析、主觀概率及專家咨詢等方法相結(jié)合， 同時考慮到政治，政策及人為因素等影響，不僅能提高預測的系統(tǒng)性和適用性，而且也能提 高預測的準確度。武漢理工大學劉敬賢在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)計數(shù)據(jù)建立的船舶交通流預測模型，并針對CSFM模型的固定權(quán)重問題，采用線性 規(guī)劃方法來確定組合預測的變權(quán)系數(shù)。通過改進，使得組合預測模型更加合理，能真實的反 應(yīng)一個水道或港口的船舶交通流量的發(fā)展趨勢。上海海事大學黃洪瓊提出智能融合算法應(yīng)用于船舶交通流量預測系統(tǒng)，融合預測 能夠?qū)Χ鄠€數(shù)據(jù)源進行預測，并可以減緩單種預測方法單獨預測的不確定性，從而增加了 預測的準確性和整個預測系統(tǒng)的魯棒性，較好地解現(xiàn)有船舶預測算法中存在的預測精度不 高，依賴于經(jīng)驗等不足。以上方法均是基于傳統(tǒng)的時序數(shù)據(jù)的時序預測模型，預測準確度不高。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有船舶交通流量的預測模型預測準確度不高的問題，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測方法，該方法能夠有效的提高預測準確度。為了達到上述目的，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測方法，該預測方法包括如下 步驟(1)通過加權(quán)主成分分析法把可能對船舶流量產(chǎn)生影響的因素維數(shù)降低，選取累 計貢獻率較高的影響因素；(2)原始時序數(shù)據(jù)歸一化預處理，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測模型；(5)輸入數(shù)據(jù)集，生成預測函數(shù)；(6)根據(jù)上一步驟生成的預測函數(shù)進行預測，并進行預測誤差評價分析；如果誤 差較大則返回步驟2，重新調(diào)整參數(shù)，再次進行預測。所述步驟(4)中的遺傳算法優(yōu)化步驟如下(4. 1)隨機產(chǎn)生一組支持向量機參數(shù)，采用某編碼方案對每個支持向量機參數(shù)進 行編碼，進而構(gòu)造初始群體；(4. 2)計算它的誤差函數(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)度大的個體，直接遺傳給下一代；(4. 4)利用遺傳操作算子對當前一代群體進行處理，產(chǎn)生下一代群體；(4.5)重復步驟(4.2)，使初始確定的一組支持向量機參數(shù)不斷進化，直到訓練目 標滿足條件為止。本發(fā)明提出的基于機器學習和統(tǒng)計學習的人工智能預測模型。在利用支持向量機 進行預測的過程中，參數(shù)的選取起關(guān)鍵性作用，若參數(shù)選取不合理，則往往會造成計算的欠 學習和過學習現(xiàn)象，從而直接影響預測精度和運行時間。本方法采用遺傳算法對SVM的參 數(shù)進行優(yōu)選，避免了人為選擇支持向量機參數(shù)的盲目性，提高了支持向量機預測的精度和 推廣泛化能力，隨著預測時間延長，基于遺傳算法優(yōu)化的支持向量機仍具有較高預測精度， 預測精度的穩(wěn)定性較高?？傊?，該方法通過實證檢驗，獲得了良好的改進效果，說明了所提 出的改進發(fā)明在預測中的有效性。
以下結(jié)合附圖和具體實施方式
來進一步說明本發(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年船舶進出港簽證艘次統(tǒng)計圖。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)和預測數(shù)據(jù)對比圖。圖8為相對誤差量示意圖。
具體實施例方式為了使本發(fā)明實現(xiàn)的技術(shù)手段、創(chuàng)作特征、達成目的與功效易于明白了解，下面結(jié) 合具體圖示，進一步闡述本發(fā)明。本發(fā)明在針對現(xiàn)有船舶流量預測方法的不足之處，提出改進的支持向量機的船舶 流量預測方法，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船舶流量產(chǎn)生影響的因素維數(shù)降低，選 取累計貢獻率較高的影響因素。
下面詳細介紹一下加權(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測方法，其特征在于，所述預測 方法包括如下步驟(1)通過加權(quán)主成分分析法把可能對船舶流量產(chǎn)生影響的因素維數(shù)降低，選取累計貢 獻率較高的影響因素；(2)原始時序數(shù)據(jù)歸一化預處理，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測模型；(5)輸入數(shù)據(jù)集，生成預測函數(shù)；(6)根據(jù)上一步驟生成的預測函數(shù)進行預測，并進行預測誤差評價分析；如果誤差較 大則返回步驟2，重新調(diào)整參數(shù)，再次進行預測。
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測方法， 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)隨機產(chǎn)生一組支持向量機參數(shù)，采用某編碼方案對每個支持向量機參數(shù)進行編 碼，進而構(gòu)造初始群體；(4. 2)計算它的誤差函數(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)度大的個體，直接遺傳給下一代；(4. 4)利用遺傳操作算子對當前一代群體進行處理，產(chǎn)生下一代群體；(4. 5)重復步驟(4. 2)，使初始確定的一組支持向量機參數(shù)不斷進化，直到訓練目標滿 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測方法，其包括如下步驟(1)通過加權(quán)主成分分析法把可能對船舶流量產(chǎn)生影響的因素維數(shù)降低，選取累計貢獻率較高的影響因素；(2)原始船舶交通流時序數(shù)據(jù)歸一化預處理，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測模型；(5)輸入數(shù)據(jù)集，生成預測函數(shù)；(6)根據(jù)上一步驟生成的預測函數(shù)進行預測，并進行預測誤差評價分析；如果誤差較大則返回步驟2，重新調(diào)整參數(shù)，再次進行預測。本發(fā)明具有較高預測精度，且預測精度的穩(wěn)定性較高。
文檔編號G08G3/00GK102005135SQ201010581320
公開日2011年4月6日 申請日期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 申請人:上海海事大學