一种基于VMD-FOA-GRNN的船舶流量预测方法技术

本发明专利技术公开了一种基于VMD‑FOA‑GRNN的船舶流量预测方法，包括以下步骤：步骤1：对船舶流量数据进行预处理；步骤2：将预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；步骤3：对未突变的船舶流量数据进行VMD，产生一系列具有不同频率尺度的IMF，即获得分解后的船舶流量数据；步骤4：基于FOA构建GRNN，对分解后的船舶流量数据进行预测，获得预测值；步骤5：基于味道浓度判定函数，将预测值与真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。此发明专利技术解决了现有预测方法的预测精度不高、不具有普遍适用性的问题，基于变分模态分解、果蝇优化的广义回归神经网络，提高了船舶流量的预测精度，解决了复杂非线性时间的时间序列预测普遍适用性的问题，提升了稳定性。

【技术实现步骤摘要】
一种基于VMD-FOA-GRNN的船舶流量预测方法
本专利技术涉及时间序列
，具体涉及一种基于变分模态分解-果蝇优化算法-广义回归神经网络(VariationalModeDecomposition-FruitFlyOptimizationAlgorithm-GeneralRegressionNeuralNetwork,VMD-FOA-GRNN)的船舶流量预测方法。
技术介绍
船舶交通流量预测的研究目的和意义在于拓宽了水运交通管理领域的理论，为水运交通管理部门为提供技术理论支持。在前期的交通流量预测的研究中，一种是根据分析船舶交通流量数据的影响因素来整理分类带入方法，但此种方法的局限性在于船舶交通流量是一个复杂的非线性系统，其影响因素宏观上包括水域所在的自然环境、航运市场状况、世界经济和国家政策等，微观上包括港口规划、航道水深及尺度、分道通航制、交通管理的实施、船舶类型及吨位等，其中很多因素难以量化处理，更何况人为主观的因素的选取可能会对预测的精度造成影响。目前，常用的预测船舶交通流量的方法主要有灰色模型、回归分析、神经网络本文档来自技高网...

【技术保护点】
1.一种基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，包括以下步骤：/n步骤1：对船舶流量数据进行预处理，获得预处理后的船舶流量数据；/n步骤2：将所述预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；/n步骤3：对所述未突变的船舶流量数据进行变分模态分解，获得分解后的船舶流量数据；/n步骤4：基于果蝇优化算法，构建广义回归神经网络，对所述分解后的船舶流量数据进行预测，获得船舶流量数据的预测值；/n步骤5：基于味道浓度判定函数，将所述预测值与船舶流量数据的真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。/n

【技术特征摘要】
1.一种基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，包括以下步骤：
步骤1：对船舶流量数据进行预处理，获得预处理后的船舶流量数据；
步骤2：将所述预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；
步骤3：对所述未突变的船舶流量数据进行变分模态分解，获得分解后的船舶流量数据；
步骤4：基于果蝇优化算法，构建广义回归神经网络，对所述分解后的船舶流量数据进行预测，获得船舶流量数据的预测值；
步骤5：基于味道浓度判定函数，将所述预测值与船舶流量数据的真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。


2.如权利要求1所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述突变检验包括以下步骤：
步骤2.1：将所述预处理后的船舶流量数据进行M-K(Manner-Kendall)突变检验，获得M-K突变检验的UF曲线图和UB曲线图；
步骤2.2：判定所述UF曲线和UB曲线在设定阈值的范围内是否存在第一交点；若不存在第一交点，则所述预处理后的船舶流量数据为未突变的船舶流量数据；
步骤2.3：若存在第一交点，则对所述M-K突变检验的UF曲线和UB曲线进行滑动t检验，判定所述UF曲线和UB曲线在所述滑动t检验中是否存在第二交点；
步骤2.4：若存在第一交点且不存在第二交点，则所述预处理后的船舶流量数据为未突变的船舶流量数据；若存在第一交点且存在第二交点，则所述预处理后的船舶流量数据为突变的船舶流量数据。


3.如权利要求1所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述变分模态分解VMD包括以下步骤：
步骤3.1：将所述未突变的船舶流量数据X(t)分解为一系列有限k个带宽模态函数{uk}(t),k＝1,2,3...K，且满足：



其中，t为时间；
步骤3.2：基于Hibert变换计算，对每个模态函数{uk}(t)进行解析计算，获得所述每个模态函数的解析信号；
步骤3.3：根据所述每个模态函数{uk}(t)的解析信号，对所述每个模态函数{uk}(t)进行优化分解，获得优化分解后的模态函数；
步骤3.4：在所述优化分解后的模态函数中引入惩罚因子和拉格朗日乘数λ(t)，获得非约束性优化模态函数L({uk},{wk},λ)；
步骤3.5：对所述非约束性优化模态函数L({uk},{wk},λ)，采用傅里叶变换进行交替更新，获得k个本征模函数即为分解后的船舶流量数据。


4.如权利要求3所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述优化分解满足：



其中，wk为所述每个模态函数的模式中心；δ(t)为冲击函数；i和j为虚数单位。


5.如权利要求3所述的基于VMD-FOA-GRNN的船舶流量预测方法...

【专利技术属性】
技术研发人员：汪夏萌，黄洪琼，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31