【技术实现步骤摘要】
一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法
本专利技术涉及船舶交通流预测方法
，尤其涉及一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法。
技术介绍
船舶交通流预测是实现交通控制与诱导的关键，其结果对于船舶的通航安全有重要意义，尤其是在特殊航道、桥区水域等附近，对相关方面的管理者也能提供重要的决策支持，有助于管理部门制定有效的安全办法管理规定和交通组织方案。随着交通流预测领域研究的深入，涌现了很多预测方法，有学者ANDRIUSD利用神经网络建立预测模型，摆脱了要求精确模型的限制，并取得了较好效果。但传统的BP算法由于是基于梯度下降的方法，因此不同的初始权向量可能导致完全不同的结果，而且有关的参数选取只能通过实验经验确定，选择不当会导致网络振荡不能收敛，或是陷入局部极值的情况。国内李松有采用遗传算法进行优化，大大降低了BP神经网络预测模型陷入局部极值的可能,提高了模型收敛速度。但传统遗传算法中的交叉概率和变异概率均为定值，导致算法容易早熟。国外有专家SrinivasM利用自适应遗传(AdaptiveGeneticAlgorithm...
【技术保护点】
1.一种基于EEMD‑IAGA‑BP神经网络的船舶交通流预测方法，其特征在于，包括以下步骤：利用单位根检验中的NP检验法检验船舶交通流数据的非平稳性；利用集合经验模态分解算法将船舶交通流数据这个非平稳时间序列分解为平稳信号；构建改进自适应遗传算法优化的3层BP神经网络作为训练模型；得到预测结果。
【技术特征摘要】
1.一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法，其特征在于，包括以下步骤：利用单位根检验中的NP检验法检验船舶交通流数据的非平稳性；利用集合经验模态分解算法将船舶交通流数据这个非平稳时间序列分解为平稳信号；构建改进自适应遗传算法优化的3层BP神经网络作为训练模型；得到预测结果。2.根据权利要求1所述的预测方法，其特征在于，还包括：采用递推方式把船舶交通流数据分为训练集和预测集两部分，训练集部分用于训练上述模型，预测集部分用于测试模型准确性。3.根据权利要求1所述的预测方法，其特征在于，所述集合经验模态分解算法，包括以下步骤：(1)在待分解信号x(t)中加入白噪声n(t)得到加噪声后的总体信号X(t)为：X(t)＝x(t)+n(t)(2)对总体信号X(t)进行EMD分解，得到一组IMF分量cj(t)(j＝1，2...m)和一个残余分量rm(t)：(3)给待分解信号x(t)加入不同白噪声信号ni(t)(i＝1，2...N)，重复(1)(2)步骤N次，N为可人工设定的常数，得到不同的总体信号Xi(t)，以及IMF分量Cij(t)和残余分量rim(t)，即：(4)对各IMF分量进行整体平均计算，获得时序信号的EEMD分解结果，即平均IMF分量cj(t)，计算公式为：4.根据权利要求1所述的预测方法，其特征在于，所述3层BP神经网络的构建方法，包括如下步骤：(1)网络拓扑结构：输入层的神经元数量为3，输出层的神经元数量为1，隐藏层的神经元数量为4；(2)初始化权值阈值：在mat...
【专利技术属性】
技术研发人员：郭杰，刘轶华，马利华，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。