基于时间序列GRNN神经网络的港口货物吞吐量预测模型.doc

基于时间序列GRNN神经网络的港口货物吞吐量预测模型 摘要：港口货物吞吐量的预测对于港口的规划、建设、经营管理等具有重要的参考价值。文中采用逐步递归的方法，建立了基于时间序列的港口货物吞吐量广义回归（GRNN）神经网络预测模型，并利用该模型对天津港港口货物吞吐量进行了预测，预测结果表明：该模型对于小样本的短期预测具有适应性好，误差小等特点。 关键字：港口货物吞吐量；时间序列；GRNN神经网络；预测模型 Prediction Model of Port Cargo Throughput Based on the Time series General Regression Neural Network (GRNN) Abstract: The prediction of port cargo throughput has an important reference value on the planning, construction and management of the port. The Generalized Regression Neural Network (GRNN) Prediction Model, on the basic of time series, was established by using gradually recursion methods. The model was used to predict the cargo throughput of Tianjin port, and the result shows that the model has good adaptability and high accuracy in the prediction of small samples. Keywords: port cargo throughput; time series; The Generalized Regression Neural Network (GRNN); prediction model 引言 港口货物吞吐量是衡量港口在国际经济贸易中地位的一个重要标志，对于港口货物吞吐量的预测研究在确定港口发展方向、建设规模、深水泊位的选址和港口经营策略等方面有着重要的参考价值。科学合理的预测是港口主管部门进行正确决策和规划的基础。目前港口货物吞吐量的预测方法有很多，常用的有BP神经网络[1]、回归分析法、指数平滑法[2]、灰色预测法[2]等。然而，上述预测方法都存在一定的局限性，即需要大量的统计数据以寻找其变化规律。文献[1]利用BP神经网络算法对杭州港的港口吞吐量进行了预测分析，文献[2]利用GM(1,1)和三次指数平滑法对宁波港的集装箱吞吐量进行了预测研究，文献[3]利用生长曲线法对厦门港集装箱吞吐量进行了预测分析，但上述各模型预测精度并不是很高，与各港口的实际情况存在一定的差距。 本文基于天津港历年历史数据，建立了基于时间序列广义回归神经网络的港口货物吞吐量预测模型，并利用该模型对天津港港口货物吞吐量进行了预测研究，预测结果表明该模型具有很好的拓扑性，收敛速度快、预测精度高、不宜陷入局部极小值等优点，进行小样本数据的船舶交通流预测有着很好的发展前景，该模型能够很好的解决上述模型中预测精度不高的问题[4][5] 。 1 GRNN神经网络原理 广义回归神经网络(Generalized Regression Neural Network，GRNN)[4][5][6]。它通过激活神经元来逼近函数,其网络结构如图1 。  图1 广义回归神经网络（GRNN）结构 GRNN神经网络由一个径向基网络层和一个线性网络层组成，表示第一层输出的第个元素，表示第一层权值矩阵的第行元素。表示输入向量，表示网络输入的维数，表示每层网络中的神经元个数和训练样本的个数，为隐含层阈值。符号“”表示的输出与阈值的元素与元素之间的乘积关系。隐含层的传递函数为径向基函数，常用高斯函数作为网络的传递函数,式中光滑因子决定了径向层中基函数的形状，且越大，基函数越平滑。 GRNN神经网络的第二层为线性输出层，其权函数为规范化点积（nprod）权函数，用来计算GRNN神经网络的向量，并将输入线性传递函数，计算网络输出。 GRNN的连接权值的学习修正仍然使用BP算法[7]，由于网络的隐含层节点中的作用函数（基函数）采用高斯函数，高斯函数作为一种局部分布对中心径向对称衰减的非负非线性函数，对输入信号会产生局部响应，即当输入信号靠近基函数的中央范围时，隐含层节点将会产生较大的输出。由此看出这种网络具有局部逼近能力；此外，GRNN人为调节的参数少，只有一个阈值。网络的学习全部依赖数据样本，避免了主观假定对预测结