应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法技术方案

本发明专利技术公开了一种应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法，包括：把港口吞吐量数据通过特征映射算法进行特征提取、将提取的特征作为特征层，将第二产业投资和第三产业投资作为输入特征、同季吞吐量作为标签输入至宽度学习系统中，将一段时间内的吞吐量数据和其影响因素输入至宽度学习系统中预测下一阶段的吞吐量数据；将一段时间内的季度吞吐量数据和对应同季度的第二产业、第三产业投资数据分别建立一元线性回归模型；再将同一段时间内季度吞吐量数据和对应同季度的第二产业、第三产业投资数据建立多元线性回归模型、从而预测下一阶段的吞吐量数据。

【技术实现步骤摘要】
应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法
本专利技术涉及数据预测领域，尤其涉及一种应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法。
技术介绍
港口运输作为航运物流中的重要组成部分，在国家乃至世界物流中担任着至关重要的地位。港口运输对国家的经济发展起着正面的作用，同时，港口运输供货也保证着国民生活的生活质量。近几年，随着中国国家地位在世界的上升，中国在世界经济舞台上发挥着日益重要的作用，我国与不同国家的沟通与合作愈发频繁，港口物流呈现大幅度的增长。在2019年全球百大集装箱港口名单中，中国大陆共21家港口上榜。同时我国人口众多，幅员辽阔，随着人们生活质量的逐渐提高，每日物流通货量也极为庞大，因此，发展港口建设，确定港口的发展规模迫在眉睫。港口发展的规模取决于港口的货物吞吐量，港口所需泊位的大小、数量、相应的库场面积和装卸机械的配套数量等合理规划建设离不开港口吞吐量的有效准确的预测。港口吞吐量的预测是港口进行决策的重要依据,而预测方法的选取也将直接影响预测结果。目前，港口吞吐量的预测方法主要分为定性分析法和定量分析法。定性预测法主要是利用历史资料，并依靠个人的经验、知识和分析能力，对未来的发展状况进行预测；而定量分析预测法则主要是根据历史统计数据，通过用数理统计方法建立起来的模型来预测未来的状况。但定性预测存在预测过程主观性强、预测结果不够细致等缺陷，故现有的大多文献都把焦点集中于定量预测上。定量分析预测方法主要有时间序列法、线性回归法、弹性系数法、灰色系统法、以及指数平滑法等。这些方法中，时间序列法是指将港口吞吐量视为一组随时间变化的数据，不考虑其他的影响因素，对这组数列应用数理统计方法加以处理，以预测未来事物的发展。时间序列法应用于预测港口吞吐量时，将港口吞吐量视为只随时间变化的数据，得到预测结果。但港口吞吐量受到港口腹地经济状况，港口地理位置，政府的政策等因素的影响。所以，许多学者考虑应用线性回归的方式，选择可量化的，与港口吞吐量有关联的因素来建立模型进行实验。以大连港为例，通过建立二元线性回归模型对港口未来集装箱吞吐量进行预测对大连港90年代末期至20世纪初期港口集装箱吞吐量、港口所在城市的国民生产总值以及地方进出口商品总值进行计量经济分析得到其港口吞吐量的预测结果。或以厦门港口的港口固定资产投资总额、海铁联运量和腹地GDP值为变量，建立三元线性回归模型对港口吞吐量进行预测。或使用回归分析模型对长江上游港口货物吞吐量预测分析。但是，选择不同的影响因素作为回归模型自变量，港口吞吐量的预测的准确率也是不同的。线性回归模型也只能根据各影响因素与吞吐量的线性关系来建立预测模型，而港口吞吐量与其影响因素都是复杂多变的，应用多元线性回归分析预测法也不一定能得到最准确的预测结果。
技术实现思路
根据现有技术存在的问题，本专利技术公开了一种应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法，具体包括如下步骤：把港口吞吐量数据通过特征映射算法进行特征提取、将提取的特征作为特征层，将映射特征随机连接到增强节点，将所有的增强节点视为增强层，将特征层和增强层合并视为输入层，提取一段时间内的港口吞吐量数据将其分组为训练集和测试集后输入至宽度学习系统中预测下一阶段的吞吐量数据；将影响港口吞吐量的经济因素及吞吐量数据通过特征映射算法进行特征提取、将提取的特征作为特征层，将映射特征随机连接到增强节点，将所有的增强节点视为增强层，将特征层和增强层合并视为输入层；将第二产业投资和第三产业投资作为输入特征、同季吞吐量作为标签输入至宽度学习系统中，将一段时间内的吞吐量数据和其影响因素输入至宽度学习系统中预测下一阶段的吞吐量数据；将一段时间内的季度吞吐量数据和对应同季度的第二产业、第三产业投资数据分别建立一元线性回归模型；再将同一段时间内季度吞吐量数据和对应同季度的第二产业、第三产业投资数据建立多元线性回归模型、从而预测下一阶段的吞吐量数据，将该方法的预测结果与采用宽度学习系统的预测方式进行对比，证明采用宽度学习系统的方式效果更准确。进一步的，将港口吞吐量数据通过特征映射算法将输入数据转换为随机特征作为特征层，将输入数据X映射并产生第i组特征节点Zi，若产生n个特征节点，表达如下其中，Whj是权重系数，βhj是偏置项，给定记号Zi＝[Z1,…,Zi]表示所有的输入数据映射的特征节点；增强节点是对特征节点的增强，通过函数ξj(ZnWhj+βhj)得到Hj，前j组所有增强节点被记为Hj＝[H1,…,Hj]，Whj是权重系数，βhj是偏置项，m组增强节点表示为：Hj＝ξj(ZnWhj+βhj),j＝1,2,...,m。由于采用了上述技术方案，本专利技术提供的一种应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法，该方法将宽度学习算法应用于预测连云港港口的吞吐量，首先利用输入数据映射的特征作为网络的“特征节点”。其次，映射的特征被增强为随机生成权重的“增强节点”，最后所有映射的特征和增强节点直接连接到输出端，对应的输出系数可以通过伪逆得出，该方法应用宽度学习系统对港口吞吐量进行预测，既能考虑到第二产业，第三产业投资值这类经济因素对港口吞吐量的影响，又能提取数据特征对吞吐量进行准确的预测，所以宽度学习系统适用于综合多种影响因素的港口吞吐量的预测。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术方法的流程图；图2是宽度学习系统结构图；图3是2005-2018每季度第二产业固定资产投资值；图4是2005-2018每季度第三产业固定资产投资值；图5是2005-2018每季度港口吞吐量示意图。具体实施方式为使本专利技术的技术方案和优点更加清楚，下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚完整的描述：如图1所示的一种应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法，具体包括如下步骤：S11:把港口吞吐量数据通过特征映射算法将输入数据转换为随机特征，即特征提取，并将其作为特征层；特征节点Zi通过函数得到，即将输入数据X映射并产生第i组特征节点Zi，若产生n个特征节点，表达如下其中，Whj是权重系数，βhj是偏置项，两者都是随机产生的，给定记号Zi＝[Z1,…,Zi]表示所有的输入数据映射的特征节点。S12:特征层确定后，将映射特征随机连接到增强节点，为网络中引入非线性，将所有的增强节点视为增强层，增强节点是对特征节点的所代表的特征进行增强，通过函数ξj(ZnWhj+βhj)得到被记为Hj，前j组所有增强节点被记为Hj＝[H1,…,Hj]，Whj是权重系数，βhj是偏置项，两者都是随机产生的，m组增强节点表示为：Hj＝ξj(ZnWhj+βh本文档来自技高网...

【技术保护点】
1.一种应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法，其特征在于包括：/n把港口吞吐量数据通过特征映射算法进行特征提取、将提取的特征作为特征层，将映射特征随机连接到增强节点，将所有的增强节点视为增强层，将特征层和增强层合并视为输入层，提取一段时间内的港口吞吐量数据将其分组为训练集和测试集后输入至宽度学习系统中；/n将影响港口吞吐量的经济因素及吞吐量数据通过特征映射算法进行特征提取、将提取的特征作为特征层，将映射特征随机连接到增强节点，将所有的增强节点视为增强层，将特征层和增强层合并视为输入层；将第二产业投资和第三产业投资作为输入特征、同季吞吐量作为标签输入至宽度学习系统中，将一段时间内的吞吐量数据和其影响因素输入至宽度学习系统中预测下一阶段的吞吐量数据；/n将一段时间内的季度吞吐量数据和对应同季度的第二产业、第三产业投资数据分别建立一元线性回归模型；再将同一段时间内季度吞吐量数据和对应同季度的第二产业、第三产业投资数据建立多元线性回归模型、从而预测下一阶段的吞吐量数据，将该方法的预测结果与采用宽度学习系统的预测方式进行对比，证明采用宽度学习系统的方式效果更准确。/n

【技术特征摘要】
1.一种应用宽度学习系统且考虑多种影响因素的港口吞吐量预测方法，其特征在于包括：
把港口吞吐量数据通过特征映射算法进行特征提取、将提取的特征作为特征层，将映射特征随机连接到增强节点，将所有的增强节点视为增强层，将特征层和增强层合并视为输入层，提取一段时间内的港口吞吐量数据将其分组为训练集和测试集后输入至宽度学习系统中；
将影响港口吞吐量的经济因素及吞吐量数据通过特征映射算法进行特征提取、将提取的特征作为特征层，将映射特征随机连接到增强节点，将所有的增强节点视为增强层，将特征层和增强层合并视为输入层；将第二产业投资和第三产业投资作为输入特征、同季吞吐量作为标签输入至宽度学习系统中，将一段时间内的吞吐量数据和其影响因素输入至宽度学习系统中预测下一阶段的吞吐量数据；
将一段时间内的季度吞吐量数据和对应同季度的第二产业、第三产业投资数据分别建立一元线性回归模型；再将同一段时间内季...

【专利技术属性】
技术研发人员：李铁山，李怡莹，马玉琢，左毅，陈俊龙，肖杨，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁;21