基于支持向量機的船舶交通流量預測方法

曾曉晴

(江蘇航運職業技術學院，江蘇 南通 226010)

0 引 言

海上交通快速發展，在進行海上交通管理過程中，為保證航道和港口資源的高效、合理利用和安全運行，避免發生交通事故[1]，需精準掌握船舶交通流量情況。船舶交通流量指的是海面上或者內河航運內發生連續運動的全部船舶數量[2]，其包含交通流量、交通流密度、寬度以及速度等。由于船舶類型較多[3]，大小也存在差異，在海上的航行速度也存在顯著區別，外加海上環境較為多變，導致船舶交通流量預測難度較高[4]，預測結果誤差較大。劉敬賢等[5]針對船舶交通流量預測需求展開相關研究，結合卷積神經網絡及長短時記憶網絡提出預測方法。但該方法主要用于短時間內的船舶交通流量預測，對于長時間內的預測效果較差。張矢宇等[6]為實現船舶交通流量預測，提出組合模型預測方法，該方法主要針對航道整治區域內的船舶交通流進行預測，對于海上的船舶交通流預測誤差較大。

支持向量機(SVM)是一種通過監督學習實現目標二元分類的一種典型方法，其在多個識別領域中均具有較好的應用效果。因此，本文利用SVM 的優勢，提出基于SVM 的船舶交通流量預測方法。

1 船舶交通流量預測

1.1 船舶交通流量預測方法架構

交通流量預測是港口管理的重要部分，其對于海上交通調度和協調控制以及安全管理具有重要意義，因此需可靠完成船舶交通流量預測。本文結合在交通流量預測時存在的不確定因素以及周期性或者區間性等特征，提出SVM 的船舶交通流量預測方法，其總體流程用圖1 描述。

圖1 支持向量機的船舶交通流量預測流程Fig.1 Ship traffic flow prediction process based on support vector machine

該方法在進行船舶交通流量預測時，以歷史船舶交通流量數據為基礎，對數據進行預處理，并采用模糊信息粒化對數據進行二次處理，以保證數據的完整性，同時更好地刻畫數據的語義，為預測提供可靠的數據依據。將處理后的數據輸入SVM 模型中，該模型通過輸入數據和輸出結果之間的映射，完成船舶交通流量預測。為保證預測結果的可靠性，采用鯨魚算法對SVM 參數進行優化，獲取最優參數值，減少SVM模型的構建時間，提升交通流量預測的精確度。

1.2 基于SVM 的船舶交通流量預測

SVM 的本質是一個凸二次規劃問題，能夠獲取高維空間內數據集的最佳擬合結果。本文選擇SVM 作為船舶交通流量預測方法的基礎，將歸一化處理后的船舶歷史交通流量數據作為樣本數據，進行交通流量預測。如果歸一化處理后的已知數據樣本集合用X=(xi,yi)表示，其中，xi和yi分別為輸入值和輸出值，均為第i個，則SVM 的學習即為xi和yi之間的映射關系，用f()表示。該映射能夠保證任意的X均具有f()=yi關系，通常情況下f()的計算公式為：

式中：w為權重；b為閾值；φ(x)為映射關系，其可將輸入量映射至高維特征空間內。

在進行船舶交通流量預測時，為保證預測精度，需保證參數的合理性，確保結構的風險最小，因此引入經驗風險函數，其計算公式為：

式中：m為樣本數據數量；L為損失函數，計算公式為：

式中，ε為小數，且大于0。

在預測時如果數據樣本數量較少，則結合SRM 準則進行回歸函數的選擇，其公式為：

依據SVM 的最大間隔概念對船舶交通流量預測的非線性回歸問題進行轉換，形成函數規劃問題，其表達式為：

在實際應用過程中，將上述公式轉換成對偶形式進行求解，其公式為：

式中：αi為拉格朗日乘子；K(xi,x)為核函數。選擇徑向基函數作為核函數，是考慮船舶交通流量預測問題具有非線性特點。保證預測可靠的預測效果，同時確保數據存在不可分情況時，也可完成數據映射，實現預測。

在進行船舶交通流量預測時，輸入SVM 中的輸入量包含對船舶交通流量存在影響的因素，輸出的結果為預測得出的交通流量結果。通過上述確定的核函數和SVM 的其他相關參數，進行輸入量和輸出量之間的映射，獲取船舶交通流量預測結果。

1.3 SVM 參數優化

SVM 對船舶交通流量預測過程中，K(xi,x)的參數g和C的取值對于SVM 的預測效果存在直接影響，因此，為保證船舶交通流量預測精度，對上述2 個參數進行尋優，選擇鯨魚優化算法(WOA) 完成。在優化時，為保證最佳參數的獲取，先利用網格搜索法對g和C兩個參數進行大范圍尋優，獲取初始的尋優結果；再將該結果輸入至WOA 算法中，進行精確尋優，獲取全局最優解，其尋優流程用圖2 描述。

圖2 參數優化流程Fig.2 Parameter optimization process

參數優化詳細步驟如下：

步驟1對WOA 相關參數初始化處理，包含搜索代理X*(t)的維數、最大迭代次數、搜索范圍的上限和下限等。

步驟2判斷尋優搜索時個體位置是否位于搜索范圍內，如果越限后則對其進行調整。

步驟3計算適應度函數，X*(t)當前位置定義為g和C參數，以此獲取當前的SVM 預測模型，獲取該模型的預測精準度，并將其作為WOA 的適應度函數。

步驟4當前最優解更新，通過WOA 算法對X*(t)當前位置進行更新，以此獲取全局最佳適應度函數，并完成當前X*(t)的更新。其更新公式為：

步驟5判斷計算結果是否滿足終止條件，如果預測結果精度是當前適應度函數和全局適應度函數的差值，即滿足終止條件，則將SVM 預測模型進行更新，使其為最佳模型。

步驟6輸出X*={best c,best g}結果，該結果即為SVM 預測模型的最優參數。

2 實驗結果分析

為驗證本文方法對于船舶交通流量的預測效果，獲取某港口管理中心通過海上船舶自動識別系統獲取的2021 年連續3 個月的海上交通流量數據作為測試數據。該港口為中型港口，作為重要的海運樞紐，承載近鄰多個城市的海運中轉。該港口相關海域和航道在3 個月內實際共經過83 522 艘船舶，包含貨船、客船以及巡查船舶。

為驗證本文方法對于船舶交通流量的預測效果，獲取本文方法在海面和航道2 種航行環境下，對于船舶交通流量的預測結果，如圖3 和圖4 所示。由圖3和圖4 可知，本文方法應用后，能夠精準預測不同時間段內，海上和航道內的船舶流量結果，預測結果和實際結果的吻合程度依較高。因此，本文方法具有較好的船舶交通流量預測能力，可靠完成船舶交通流量預測，為港口的船舶管理和調度提供可靠依據。

圖3 海面船舶交通流量預測結果Fig.3 Prediction results of ship traffic flow on the sea

圖4 航道船舶交通流量預測結果Fig.4 Prediction results of ship traffic flow in channel

為進一步驗證本文方法對于船舶交通流量的預測效果，采用均等系數η作為評價指標，測試本文方法在進行不同數量船舶交通流量預測時的預測效果。該指標取值在0～1 之間，其值越大表示預測結果的誤差越大。計算在不同數量船舶下，本文方法的預測結果，用表1 描述。由表1 可知，在霧天和雨天2 種天氣下，隨著海上船舶數量的逐漸增加，本文方法均可精準完成船舶交通流量預測，η結果均在0.019以下，極大程度接近0。存在的少許誤差對于船舶的管理影響極小，可忽略不計。

表1 船舶交通流量預測結果的均等系數測試結果Tab.1 Test results of equalization coefficient of predicted results of ship traffic flow

為直觀驗證本文方法的應用性，獲取本文方法應用前后，港口管理部門依據交通流量預測結果對港口資源進行調度，獲取調度后船舶吞吐量變化情況和航道內船舶等待進港的等候時間變化情況，結果用圖5和圖6 描述。由圖5 和圖6 可知，本文方法應用后，能夠可靠獲取船舶流量情況，港口調度中心可依據預測結果對船舶進行調度，高效、合理實現港口資源利用，減少船舶等待進港時間，提升船舶吞吐量。因此，本文方法具有良好的應用性，對于港口的船舶管理具有重要作用。

圖5 船舶吞吐量變化情況Fig.5 Change of ship throughput

圖6 船舶進港等候時間變化情況Fig.6 Change of ship arrival waiting time

3 結 語

船舶交通流量會受到多種因素的影響，產生一定變化，對于港口的管理和資源的合理化應用造成一定影響。因此，港口管理部門需可靠掌握船舶交通流量情況，為港口管理提供數據依據。基于此，本文提出基于支持向量機的船舶交通流量預測方法，預測船舶交通流量情況。對該方法進行相關測試后可知：本文方法具有較好的應用效果，能夠完成船舶交通流量預測，掌握船舶流量情況，為港口調度提供可靠依據。