基于时间序列港口货物吞吐量GRNN预测模型.docVIP

基于时间序列港口货物吞吐量GRNN预测模型 　　摘 要：为准确进行港口货物吞吐量预测，采用逐步递归的方法，建立基于时间序列的港口货物吞吐量广义回归神经网络(Generalized Regression Neural Network, GRNN）预测模型.利用该模型预测某港口货物吞吐量，结果表明：对于小样本的短期预测，该模型具有适应性好、误差小等特点. 　　关键词：港口； 货物吞吐量； 时间序列； 广义回归神经网络； 预测模型 　　中图分类号：U691.71；TP183；O211.61文献标志码：A 　　 　　GRNN model for prediction of port cargo throughput 　　based on time series 　　ZHOU Shaolong, ZHOU Feng 　　((School of Navigation, Wuhan Univ. of Technology, Wuhan 430063, China) 　　Abstract： In order to predict the port cargo throughput accurately, the step-by-step recursive method is adopted to establish the Generalized Regression Neural Network (GRNN) model for the prediction of port cargo throughput based on the time series. The model is used to predict the cargo throughput of a port, and the results show that this model is of characteristics of good adaptability and small error, etc, for the short-term prediction of small sample. 　　Key words： port; cargo throughput; time series; generalized regression neural network; prediction model 　　 　　0 引 言 　　科学合理地预测港口货物吞吐量是港口主管部门正确决策和规划的基础.目前，港口货物吞吐量的预测方法很多，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，上述方法都存在一定的局限性，即寻找其变化规律需要大量的统计数据.文献［1］对杭州港吞吐量进行预测分析，文献［2］对宁波港集装箱吞吐量进行预测研究，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差距. 　　基于天津港历年数据，本文建立基于时间序列广义回归神经网络(Generalized Regression Neural Network, GRNN)的港口货物吞吐量预测模型，并利用该模型预测天津港货物吞吐量.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、不易陷入局部极小值等优点，对小样本数据的船舶交通流预测有着很好的发展前景.同时，该模型能够很好地解决上述模型中预测精度不高的问题［4-5］. 　　1 GRNN原理 　　GRNN是一种基于非线性回归理论的前馈式神经网络模型.［4-6］它通过激活神经元逼近函数,其结构见图1. 　　图1 GRNN结构 　　GRNN由一个径向基网络层和一个线性网络层组成：ai1表示第一层输出a1的第i个元素，iW1表示第一层权值矩阵W1的第i行元素；P表示输入向量，R表示网络输入的维数，S表示每层网络中的神经元个数和训练样本的个数，b1为隐含层阈值;符号“??”表示dist的输出与阈值b1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Ri=exp－||x－ci||2δ2i作为网络的传递函数,式中光滑因子σi决定径向层i中基函数的形状，且σi越大，基函数Ri越平滑.GRNN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的向量[WTHX]n[WTBX]2，并将[WTHX]n[WTBX]2输入线性传递函数a2=purelin[WTHX]n[WTBX]2，计算网络输出. 　　GRNN连接权值的学习修正仍然使用BP算法.［7］由于网络隐含层节点中的基函数采用高斯函数，它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中