基于灰色神經網絡的港口集裝箱吞吐量預測模型研究

張樹奎，肖英杰，魯子愛

(1．江蘇海事職業技術學院 航海技術系，江蘇 南京 211170；2．上海海事大學 商船學院，上海 201306； 3．河海大學 港口、海岸與近海工程學院，江蘇 南京 210098)

?

基于灰色神經網絡的港口集裝箱吞吐量預測模型研究

張樹奎1，2，肖英杰2，魯子愛3

(1．江蘇海事職業技術學院 航海技術系，江蘇 南京 211170；2．上海海事大學 商船學院，上海 201306； 3．河海大學 港口、海岸與近海工程學院，江蘇 南京 210098)

為降低港口集裝箱吞吐量的預測誤差，提高預測精度，在分析傳統的灰色預測模型和BP神經網絡預測模型的優缺點的基礎上，構建了灰色神經網絡港口集裝箱吞吐量預測模型，該模型充分發揮了灰色模型所需初始數據少和BP神經網絡非線性擬合能力強的特點。以實際數值作為初始數據，各種灰色模型的預測值為神經網絡的輸入值，神經網絡的輸出值為組合預測結果。通過實例分析，結果表明：灰色神經網絡預測模型提高了預測精度，預測結果比較理想，優于單一預測模型，因此，該模型用于港口集裝箱吞吐量預測是可行的、有效的。

交通運輸工程；吞吐量；預測；灰色模型；灰色神經網絡

當前，港口之間的競爭日益表現為以集裝箱吞吐量為核心指標的綜合實力的競爭。港口集裝箱吞吐量的科學預測是港口主管部門科學規劃和決策的理論基礎，它對港口建設，基礎設施投資規模，港口發展方向，經營策略以及港口發展戰略等都具有現實的指導意義，是不可或缺的重要依據。

傳統的港口集裝箱吞吐量的預測方法主要有線性回歸分析法[1]，指數平滑法，灰色模型法等；目前，新的預測方法主要有灰色多元回歸模型法[2]，組合模型法[3]等。然而，港口集裝箱吞吐量與港口腹地、經濟發展狀況、港口自然條件、交通條件以及國家經濟政策和周邊港口發展等密切相關，受到多種因素的影響，且各因素的作用機制很難用準確的數學語言來描述，具有明顯的非線性特征；因此，對其的預測是一個復雜的系統過程。上述每個單一的預測方法都有一定的片面性，而部分組合預測方法又較少考慮集裝箱吞吐量預測具有非線性的特點。所以，兩種方法預測誤差都較大，難以滿足預測要求。

筆者根據灰色系統理論預測模型所需數據量較少、計算方法簡單、不需要太多的關聯因素以及可用于短、中、長期預測的特點和神經網絡所具有的自學習、非線性映射以及并行分布處理的能力[4]，將兩者結合，發揮兩種方法的各自優勢，避免其局限性，從而達到提高港口集裝箱吞吐量預測精度的目的。

1 預測模型的構建

1.1 建模原理

灰色預測理論是根據部分信息已知，部分信息未知的歷史數據，建立一個能夠表達信息發展的GM(Gray Model)模型，從而揭示信息未來發展規律，做出預測[5]。目前，灰色預測方法在各領域應用非常廣泛[6-7]，但是灰色預測模型缺乏自學習、自組織和自適應能力，對信息處理能力較差，難以控制預測誤差。

人工神經網絡是一種通過模仿動物神經網絡行為特征，對信息進行分布并行處理的算法數學模型[8]。人工神經網絡預測模型具有很強的非線性映射能力，能夠對輸出誤差進行反饋校正，在一定條件下能夠任意逼近模型，預測精度非常高，其中以BP(Back Propagation)網絡應用最為廣泛和成功。

筆者將灰色預測理論和神經網絡相結合，構建灰色神經網絡(Gray Neural Network,GNN)預測模型對港口集裝箱吞吐量進行預測，通過兩者結合，體現優勢互補，提高預測精度。

1.2 模型構建

筆者選擇最常用、最簡單的GM(1，1)灰色模型[9-10]和BP神經網絡相結合，建模步驟如下。

1)設已知的歷史港口集裝箱吞吐量x(0)的初始數據序列為：

(1)

式中：n為序列長度。

2)對歷史數據進行一次累加生成(AGO)處理，目的是為了弱化數據的隨機性和波動性：

新生成的數據序列記為：

(2)

3)建立一階線性微分方程：

(3)

式中：α，μ為待辨識參數，分別表示發展系數和灰色作用量。

利用最小二乘法求解可得：

(4)

5)將得到的參數向量帶入式(1)，求解微分方程得到時間響應方程：

(5)

離散響應方程為：

(6)

(7)

7)對不同時間序列長度的初始數據運用等維灰數遞補法，得到不同的港口集裝箱吞吐量GM模型：GM1，GM2，…，GMk。

8)確定神經網絡結構：神經網絡的結構一般采用3層BP網，即輸入層、隱含層和輸出層，其中輸入為各種GM的預測結果，對預測結果數據進行歸一化處理后，結果可視為輸入神經元，其個數為3；輸出為灰色神經網絡組合預測結果，可視為輸出神經元，個數為1；隱含層神經元個數與輸入、輸出神經元的個數有關，可用試驗的方法確定。筆者參考以下經驗公式設計，并根據訓練結果，最終確定隱含層節點數：

9)采用誤差反向傳播學習方法訓練神經網絡，直到誤差達到要求精度為止。此時的神經網絡才是最好的神經網絡，其結構如圖1。當輸入端為港口集裝箱吞吐量的各種GM預測值時，則輸出端為灰色神經網絡組合的預測值。

圖1 灰色神經網絡模型結構Fig.1 Structure of Grey neural network model

2 實例及數據分析

采用南京港1990年到2013年共24年的港口集裝箱吞吐量數據作為實驗數據來驗證模型；設計灰色預測模型GM1，GM2，GM3，BP神經網絡模型以及GNN組合模型；應用前15年的數據作為初始數據，預測后9年內的港口集裝箱吞吐量。

GM1，GM2，GM3建模所用的時間序列長度分別為10，8，6，為確保預測精度，采用等維遞推滾動預測方法[11-12]，即每次預測一個港口集裝箱吞吐量后，添加一個新的數據，去掉最早的一個數據，以保持數據序列等維，重新建模預測下一個值，這樣依次遞補進行預測。

BP神經網絡模型采用3×6×1結構，輸入層與隱含層的傳遞函數為Sigmoid型，取前15年的實際港口集裝箱吞吐量值作為樣本訓練網絡，并對樣本進行歸一化處理，其值域為[0,1]，將前3個實際吞吐量值作為輸入，第4個實際吞吐量值作為輸出，設計最大學習次數為18 000次，學習速度為0.002，取學習目標誤差平方和為0.1。

采用GNN組合模型進行預測時，GM1，GM2，GM3的預測值作為輸入值。因此，輸入神經元個數為3，輸出為1。設計最大學習次數為18 000次，學習速度為0.002，取學習目標誤差平方和為0.1。設計訓練步數為3 000時，訓練誤差達到1×9-3，滿足預計設計學習精度要求，所以取GNN神經網絡結構為3×9×1。分別對GM1，GM2，GM3，BP，GNN模型進行MATLAB仿真，采用后9年的實際集裝箱吞吐量數據預測集裝箱吞吐量，預測結果見表1。

表1 GM(1,1)、BP神經網絡和GNN預測值

對表1中的各模型的相關預測數據與實際數據建立坐標圖進行比較，其中橫軸表示時間，縱軸表示每年的集裝箱吞吐量。坐標如圖2，從圖2可以看出，GNN模型預測曲線更接近實際測量數據曲線，說明GNN模型優于其它各單一預測模型。

圖2 各種模型的預測結果比較Fig.2 Comparison of predicted results with different models

令港口集裝箱吞吐量的預測值為dpre，實際值為dmea；dpre與dmea的關聯系數為C，效果系數為E，一致性指標為A[13]，則有:

(8)

(9)

(10)

關聯系數和效果系數越接近1，說明預測值越接近實際值，一致性指標的值域為[0,1]，值越接近1，說明預測值與實際值的變化曲線越趨于一致，擬合度就越好。采用表示各單一模型和GNN模型的擬合度，建立表2。從表2中可以看出：GNN模型的擬合度值均大于對應的單一模型的值，說明GNN模型不僅適用于港口集裝箱吞吐量的預測，而且好于上述其它單一預測模型。

表2 GM(1,1)、BP神經網絡和GNN擬合度檢驗

對表1中各模型的相關預測數據與實際數據取平均相對誤差(表3)作為評價指標，對各預測模型進行評價。由表3可以看出：與各單一預測模型比較，GNN預測模型的平均誤差均小于其它單一預測模型對應的值；最大誤差也均小于其它單一預測模型的最大誤差；特別是在實際數據變化幅度較大的2009年和2011年，GNN預測模型的平均誤差值與其它單一預測模型的平均誤差值相比較要小得多，預測效果明顯。

表3 各種模型預測值相對誤差比較

Table 3 Comparison of relative deviation of predicted results with different models

年份實際值單一模型/%GM1GM2GM3BPGNN預測值/%200558.7710.8614.549.378.594.46200678.939.927.6211.0110.915.76

(續表3)

年份實際值單一模型/%GM1GM2GM3BPGNN預測值/%2007104.293.856.685.212.661.842008128.039.979.048.042.581.872009120.0314.2121.7818.909.516.262010141.5610.619.148.656.082.282011180.0715.9813.2812.207.703.862012229.089.3710.789.124.934.022013279.767.989.948.765.092.88

對后9年的預測數據取平均相對誤差，均方根誤差，最大相對誤差以及最小相對誤差(表4)作為評價指標，討論各預測模型。從表4中可以看出，GNN預測結果明顯優于單一GM預測和BP神經網絡預測方法，表現為GNN的4個評價指標值均小于對應的單一預測模型的評價指標值。GNN預測更接近實際測量值。

表4 各種預測結果相對誤差比較

3 結 論

筆者通過采用5個預測模型對南京港口集裝箱吞吐量進行預測，并對其相對誤差進行比較，得到如下結論：

1)與其它4個單一模型比較，GNN模型的預測結果更接近實際值，預測精度更高。

2)GNN模型充分利用了GM模型所需初始數據少、計算方法簡單和BP模型非線性強的優點，提高了預測精度。

3)GNN預測模型不僅適用于港口集裝箱吞吐量預測，還可用于其它領域的預測，應用范圍廣泛。

[1] 陳秀瑛,古浩.灰色線性回歸模型在港口吞吐量預測中的應用[J].水運工程,2010(5):89-92. Chen Xiuying,Gu Hao.Application of grey linear regression model for forecast of port throughput [J].Port & Waterway Engineering,2010(5):89-92.

[2] 林強,陳一梅.灰色多元回歸模型在港口吞吐量預測中的應用[J].水運工程,2008(7):77-80. Lin Qiang,Chen Yimei.Grey multiple regression model applied for port throughput forecasting [J].Port & Waterway Engineering,2008(7):77-80.

[3] 劉志杰,季令,葉玉玲,等.基于徑向基神經網絡的集裝箱吞吐量組合預測[J].同濟大學學報:自然科學版,2007,35(6):739-744. Liu Zhijie,Ji Ling,Ye Yuling,et al.Combined forecast method of port container throughput based on RBF neural network [J].Journal of Tongji University:Natural Science,2007,35(6):739-744.

[4] 于莉,馬曉平.灰色理論在造船工序作業計劃預測中的應用研究[J].江蘇科技大學學報:自然科學版,2007,21(2):17-19. Yu Li,Ma Xiaoping.Application research on grey-theory in forecast of shipbuilding process operation plan [J].Journal of Jiangsu University of Science and Technology:Natural Science Edition,2007,21(2):17-19.

[5] 邱洪波,楊斌,黃勇.基于灰色理論的城市核心區道路交通安全分析[J].重慶交通大學學報:自然科學版,2013,32(6):1228-1231. Qiu Hongbo,Yang Bin,Huang Yong.Road traffic safety analysis at the core area of city based on the grey system theory [J].Journal of Chongqing Jiaotong University:Natural Science,2013,32(6):1228-1231.

[6] 傅立.灰色系統理論及其應用[M].北京:科學技術文獻出版社,1992:18-24. Fu Li.Grey System Theory and Its Applications [M].Beijing:Science and Technology Press,1992:18-24.

[7] 張樹奎,魯子愛.港口環境資源的生態性評價方法研究[J].江蘇科技大學學報:自然科學版,2010,24(2):179-183. Zhang Shukui,Lu Zi’ai.Ecology evaluation method of port environment resource [J].Journal of Jiangsu University of Science and Technology:Natural Science Edition,2010,24(2):179-183.

[8] 王偉.人工神經網絡原理[M].北京:北京航空航天大學出版社,1995:46-51. Wang Wei.Artificial Neural Network Theory [M].Beijing:Beijing University of Aeronautics and Astronautics Press,1995:46-51.

[9] 吳志周,范宇杰,馬萬經.基于灰色神經網絡的點速度預測模型[J].西南交通大學學報,2012,47(2):285-290. Wu Zhizhou,Fan Yujie,Ma Wanjing.Spot speed prediction model based on grey neural network [J].Journal of southwest Jiaotong University,2012,47(2):285-290.

[10] 范嫦娥,李德華.基于自組織特征映射神經網絡的路面使用性能評價方法[J].重慶交通大學學報:自然科學版,2013,32(1):80-83. Fan Chang’e,Li Dehua.Pavement performance evaluation based on SOM neural network [J].Journal of Chongqing Jiaotong University:Natural Science,2013,32(1):80-83.

[11] 周鵬飛,溫勝強,康海貴.基于馬爾可夫鏈與神經網絡組合的路面使用性能預測[J].重慶交通大學學報:自然科學版,2012,31(5):997-1001. Zhou Pengfei,Wen Shengqiang,Kang Haigui.Pavement performance combining forecasting based on BP neural network and Markov model [J].Journal of Chongqing Jiaotong University:Natural Science,2012,31(5):997-1001.

[12] 陳淑燕,王煒.交通量的灰色神經網絡預測方法[J].東南大學學報:自然科學版,2004,34(4):541-544. Chen Shuyan,Wang Wei.Grey neural network forecasting for traffic flow [J].Journal of Southeast University:Natural Science Edition,2004,34(4):541-544.

[13] Legates D R,Mccabe G J.Evaluating the use of goodness of fit measures in hydropic and hydro-climatic model validation [J].Water Resources,1999,35(1):233-241.

Prediction Model of Port Container Throughput Based on Grey Neural Network

Zhang Shukui1, 2, Xiao Yingjie2, Lu Zi’ai3

(1. Department of Navigation, Jiangsu Maritime Institute, Nanjing 211170, Jiangsu, China; 2. College of Merchant, Shanghai Maritime University, Shanghai 201306, China; 3. College of Harbor, Coastal & Offshore, Hohai University, Nanjing 210098, Jiangsu, China)

In order to reduce prediction error of port container throughput and improve its prediction accuracy, a Grey neural network model of port container throughput was constructed after analyzing the advantages and disadvantages of the conventional Grey model and BP neural network model. The new model made full use of the characteristic of low data demand of Grey model and strong nonlinear fitting ability of BP neural network. The actually measured values were used as the initial data, and various prediction values of Grey model were used as input data of neural network and final output data of neural network was used as combination prediction result. A case study shows that the Grey neural network model can offer improved prediction accuracy and ideal prediction results, which is better than single forecasting model. Therefore, it is feasible and effective to predict port container throughput by Grey neural network model.

transportation engineering; throughput; prediction; grey model; grey neural network

10.3969/j.issn.1674-0696.2015.05.27

2014-04-24；

2014-07-08

2013年度江蘇省教育教學研究課題項目(ZYB210)；2013年交通運輸職業教育科研立項項目(2013A03)

張樹奎(1973—)，男，安徽阜陽人，副教授，博士，主要從事港口、海岸與近海工程及航海技術方面的研究。E-mail: zhangshkfy@163.com。

U 695.2

A

1674-0696(2015)05-135-04