优化的长山水道船舶交通流量灰色系统预测模型.docVIP

优化的长山水道船舶交通流量灰色系统预测模型 　　摘要： 　　为提高长山水道船舶交通流量的预测精度，对灰色系统中的GM（1，1）模型进行优化.在对长山水道船舶交通流量进行分析的基础上，通过改进GM（1，1）模型背景值、改变初始条件、增加新信息优先权、引入残差修正等方法对GM（1，1）模型进行优化.通过该优化模型的预测数据与历史数据的比较验证了该优化模型的准确性和可靠性.最后用该优化模型对长山水道2015―2016年的船舶交通流量进行了预测. 　　关键词： 　　水路运输；船舶交通流量；灰色预测；GM（1，1）优化模型 　　中图分类号：U691 　　文献标志码：A 收稿日期修回日期 　　0引言 　　长山水道地处黄海与渤海交汇处，是船舶进出天津港、秦皇岛港、黄骅港、潍坊港、东营港、龙口港、莱州港、蓬莱港等各港口的重要水上通道之一.随着环渤海各港口吞吐量的日益增加，长山水道船舶交通流量也迅猛增长. 　　船舶交通流量预测为航道的规划、设计和船舶通航管理提供基础性依据.[1]船舶交通流量的准确预测有助于提高海事管理的效能[2]，为海事管理部门的科学决策提供有力支持. 　　常用的交通流量的定量预测方法主要有时间序列法、回归分析法、灰色预测模型法、神经网络法、模糊预测法等.近几年也出现了一些新的方法：组合预测法、遗传基因预测法、多因素组合分析法、支持向量机法等.[36]灰色预测模型所需数据量较少，计算方法简单，不需要太多的关联因素，可用于短、中、长期预测.[78]与线性回归预测模型相比，灰色预测模型的优点是可以处理非线性问题；与模糊预测模型相比，灰色预测模型的优点是可以随时对模型进行修正以提高预测精度.[9]因此，灰色预测模型对于长山水道船舶交通流量的预测具有良好的适用性.已有多位学者通过改进GM（1，1）模型背景值[1011]、改变模型初始条件、增加新信息优先权[10，12]、引入残差修正等方法[10]建立了优化的灰色预测模型，并将模型应用于经济、管理、工程方面.本文通过将上述优化后的模型应用于长山水道的船舶交通流量的预测中，证明优化后的灰色预测模型在船舶交通流量预测的研究中同样具有较高的精度和实用价值. 　　1传统的GM（1，1）模型 　　设原始序列为X（0）={X（0）（1），X（0）（2），…，X（0）（n）}，则X（0）的1AGO序列为X（1）={X（1）（1），X（1）（2），…，X（1）（n）}，其中 　　将原始数据累加会弱化原始数据的随机性.若序列X（0）和序列X（1）满足准光滑性检验、准指数规律检验和级比检验，则符合灰色预测的前提，其灰色微分方程为 　　2GM（1，1）模型的优化 　　为使GM（1，1）模型更加客观合理地预测长山水道船舶交通流量，结合长山水道的历史背景和发展现状，对模型进行优化. 　　2.1背景值的优化 　　随着环渤海经济圈的迅猛发展，进出渤海湾的船舶交通流量剧增，长山水道船舶交通流量也迅猛增长，船舶通航密度越来越大.长山水道1998年的船舶交通流量为6454艘次（日均17.7艘次）[13]，2014年为52524艘次（日均143.9艘次），数据来源于山东海事局；年平均增长速率为44.61%.因此，结合长山水道船舶交通流量增速快的特点，对GM（1，1）模型的背景值进行优化. 　　X（0）的1AGO序列X（1）的背景值生成序列Z（1）={Z（1）（2），Z（1）（3），…，Z（1）（n）}，令 　　优化背景值后，模型适用于各种发展系数的情形，即使在发展系数较大时模型也可用于中长期预测，并且预测精度较高[11]. 　　2.2增加新信息优先权 　　长山水道船舶交通流量受国家政策影响较大.随着环渤海沿岸各港口泊位的不断开发，各港口吞吐量稳定增长，抵港船舶的数量不断增加.综合上述事实，同时考虑水文、气象等影响船舶航行的要素在一定时期内变化的连续性，赋予与预测时间较接近时期的信息较大的权重，以提高灰色建模的功效.本文将X（1）（n）作为灰色微分模型的初始条件.对式（8）的求导还原得 　　越新的数据对预测值的影响越大，通过赋予新信息较大的权重可以使新信息得到充分利用，提高模型的预测精度. 　　2.3残差修正 　　人为因素是影响船舶交通流量的重要因素.由于老铁山水道和长山水道均可通往天津港、秦皇岛港、黄骅港等港口，为减小人为因素对船舶航线选择的影响，提高预测精度，对经过上述改进后的GM（1，1）模型进行残差修正.对X（1）={X（1）（1），X（1）（2），…，X（1）（n）}，有预测序列X^（1）={X^（1）（1），X^（1）（2），…，X^（1）（n）}，定义残差为 　　经检验，表1中数据可作为GM（1，1）建模数据且能进行数