論船舶交通流量及幾種預測方法

朱凌 付震 崔華鑫

摘要 ： 船舶交通流是指連續運行的海上船舶等交通工具的總和，對其進行定量描述的參數有船舶交通流方向、船舶交通流量、船舶交通流密度、船舶交通流寬度、船舶交通流速度等。本文主要對船舶交通流量及其預測方法進行簡單介紹.，并分析這幾種方法特性，以便對船舶交通流提出較為系統的預測方法，更好的為船舶交通規劃和調度管理提供依據。

關鍵詞： 船舶交通流量；影響因素；預測方法

1 船舶交通流量

船舶交通流量是船舶交通流的一個反映尺度，是指單位時間（年/月/日/小時）內通過水域中的某一地點的所有的船舶艘數，船舶交通流量越大，該水域對應地點的交通規模就越大，也就越繁忙，并且在一定程度上船舶交通流量的大小能反映其所在水域交通的是否有序與擁堵狀況.船舶交通量的調查研究是船舶交通規劃中的重要組成部分，只有掌握了實時的交通流量數據信息，才能更準確地對未來的交通流量進行預測，為船舶交通規劃設計與調度管理提供實時的更準確有效的依據。

船舶交通流量的統計通常按時均值、日均值、月均值、高峰時交通量、年最大小時交通量、年最大日交通量等，其中前三者分別表示時間段內小時、日、月的平均交通流量，后三者分別表示全天各小時交通量中最大的1個小時的交通流量、1年內各小時交通量中最大1個小時交通量、1年內各日交通流量中最大的1個日交通量.后面所用數據均為日到達量統計。

2 船舶交通流量預測及其影響因素

船舶交通流量的預測具有提前的（預測性）、總是有誤差的（非實際觀測性）、在空間上可擴張與縮小的（選擇性）等特點，它是一種可測性增量的研究，是一種藝術性色彩很濃的研究，同時，它的預測與水運經濟有關，又不完全屬于經濟預測，它是一種有條件的微觀預測。船舶交通流量具有慣性原則、類推原則、相關性原則、概推斷原則等，它的預測一般有直覺法、因果法、外推法等基本方法。

船舶交通流量的大小與多方面的因素有關，如社會經濟發展水平、研究的交通流所處地域、當地的物產、貨運市場等，其影響因素又有內因與外因之分。內因即船舶個體特征，包括船舶種類、船舶尺度、船舶噸級、船舶操縱性能等；外因包括港口腹地經濟發展水平、港口泊位因素、航道條件、錨地條件、航行規定及管理要求、水域分布、自然條件、導助航設施等。此外，船舶交通流量還與船舶平均泊港時間、等待時間有關。經濟發展水平又體現在多個方面，如 GDP、第一產業、第二產業、第三產業的發展，外貿進出口額、全社會固定資產投資額、沿海港口建設投資等。港口泊位因素體現在港口服務水平、港口功能及布局（包括港口碼頭布置、航道布置及錨地設置）、碼頭泊位平均長度等.貨物運輸量體現在水路貨物運輸量、水路貨物周轉量等。

3 船舶交通流量預測方法

船舶交通流量的預測方法為一般的統計預測方法，有定性與定量預測兩個方面，定性預測主要依靠經驗判斷，預測精度不高，實際研究中一般采用定量預測方法.定量預測方法主要有結合多種定性方法或多種定量方法或定性與定量方法的組合預測模型、多種智能方法融合的船舶交通流系統、基于 BP神經網絡或廣義神經網絡的船舶交通流預測、支持向量機算法的預測、灰色模型的自適應交通流預測、基于誤差絕對值加權和最小預測組合法以及模糊法預測等。

3.1 回歸分析法

回歸分析法是根據事物的因果關系對變量的一種預測方法。因果關系普遍存在，在操作中，根據統計資料求得因果關系的相關系數，相關系數越大，因果關系越密切。通過相關系數就可確定回歸方程，預測今后事物發展的趨勢。

在掌握大量觀察數據的基礎上，利用數理統計方法建立因變量與自變量之間的回歸關系函數表達式（稱回歸方程式）。回歸分析法種類繁多，當研究的因果關系只涉及因變量和一個自變量時，叫做一元回歸分析：當研究的因果關系涉及因變量和兩個或兩個以上自變量時，叫做多元回歸分析。此外，回歸分析中，又依據描述自變量與因變量之間因果關系的函數表達式是線性的還是非線性的，分為線性回歸分析和非線性回歸分析。通常線性回歸分析法是最基本的分析方法，遇到非線性回歸問題可以借助數學手段化為線性回歸問題處理。按所含變量的屬性劃分，有數量回歸和非數量（虛變量）回歸。

回歸分析法預測變量的選取及數據的選取會極大地影響預測的準確性，且對數據來源的正確可靠性要求很高，只有來源正確可靠的數據才能保證分析預測的可靠正確性。

3.2 組合預測模型

組合預測方法是將幾種定性方法或幾種定量分析方法或定性與定量方法結合起來共同來研究某個問題的預測方法，有等權組合與不等權組合兩種方式，它的主要優點是綜合考慮了難以定量的政治、政策以及人為因素，再分別利用定性預測與一種或多種定量預測方法得到預測結果，最終整合為組合預測結果，從而提高了其實用性及可行性，且好的組合模型能提高其預測精度，但該模型計算量大，且必須經過事先的多次組合驗證才能確定模型，理論并不完善，并不能保證船舶交通流量特點符合其誤差要求。在此基礎上綜合多元線性回歸與灰色預測方法了建立了變權組合預測模型，“變權”使模型顯得更具科學合理性，但同時對于組合方法的選擇隨意性很大，篩選過程較粗略，對于單項模型的篩選同時會增加預測工作量。

3.3 支持向量機法

支持向量機（SVM）是 Corinna Cortes 和 Vapnik8 等于1995 年首先提出的，它在解決小樣本數據、非線性及高維模式識別問題中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他問題研究中。該方法能根據有限的樣本觀測信息在模型的復雜性與自學習能力之間尋求最佳的模型與數據關系，從而獲得更好的預測分析結果.其基本思想是將目標問題歸結為一個凸規劃問題，再通過非線性變換（定義適當的核函數）來進行求解，適用于較短期預測，對數據的真實性要求高、精度不高且有一定的不穩定性。

3.4 神經網絡預測法

神經網絡理論上可以逼近任意非線性系統，適用于船舶交通流量的中期或短期預測，存在網絡拓撲結構難以確定、容易陷入局部極小點、收斂速度慢等問題；樣本對模型的預測效果有著關鍵性的影響，在小樣本情況下預測效果常常不夠理想，在樣本足夠多的狀況下，用神經網絡模型進行預測，預測精度可以達到要求。神經網絡有許多不同的類型，應用較多的是BP神經網絡與RBF神經網絡。

4 總結

這些預測船舶交通流量的定量方法可以較為準確的預測船舶交通流量，將多種方法綜合應用才能克服單一方法存在的局限性，才能更好的綜合各個方法的優點。實現精確采集海上船舶交通流數據，對于提高船舶交通規劃水平和實現港口船舶調度提供更好的理論依據。

參考文獻

[1]呂靖，方祥麟.船舶交通量的組合系統預測模型與方法[J].大連海事大學學報，1996，22（2）：33-35.

[2]劉敬賢，劉振東，周鋒.基于廣義回歸神經網絡的船舶交通量預測模型[J].中國航海，2011，34（2）：74-77.

[3]田燕華，陳錦標.基于BP 神經網絡的船舶交通流量預測研究[J].航海工程，2010，39（1）：122-125.

[4]馮宏祥，肖英杰，孔凡邨.基于支持向量機的船舶交通流量預測模型[J].中國航海，2011，34（4）：62-67.

[5]鄭友銀，徐志京.基于灰色自回歸模型的船舶流量預測方法[J].航海工程，2011，40（1）：122-125.