基于遗传算法优化的支持向量回归船舶交通流量预测方法技术

本发明专利技术公开了基于遗传算法优化的支持向量回归船舶交通流量预测方法，其包括如下步骤：（１）通过加权主成分分析法把可能对船舶流量产生影响的因素维数降低，选取累计贡献率较高的影响因素；（２）原始船舶交通流时序数据归一化预处理，生成数据集并分组；（３）选择核函数，确定ＳＶＭ回归参数；（４）构造遗传算法优化的支持向量回归预测模型；（５）输入数据集，生成预测函数；（６）根据上一步骤生成的预测函数进行预测，并进行预测误差评价分析；如果误差较大则返回步骤２，重新调整参数，再次进行预测。本发明专利技术具有较高预测精度，且预测精度的稳定性较高。

【技术实现步骤摘要】

本专利技术涉及一种船舶交通流量预测技术，具体涉及基于遗传算法优化的支持向量 回归船舶交通流量预测方法。
技术介绍
船舶交通流量的预测研究是与船舶定线制的建立密不可分的。船舶定线制的制定 要求对该水域或航道的近期和未来总体船舶交通流量有一个清楚的认识，流量预测为未来 航道航线的规划、设计和优化提供基础流量数据，这也是制定管理政策和方案的最基本、最 重要的依据。大连海事大学吕靖和方祥麟提出的CSFM模型是在对我国沿海主要港口辖区水域 船舶交通流分析的基础上，考虑到过去预测方法中存在不足而提出来的。该模型运用系统 分析的原理，定性与定量方法相结合，时间序列分析、主观概率及专家咨询等方法相结合， 同时考虑到政治，政策及人为因素等影响，不仅能提高预测的系统性和适用性，而且也能提 高预测的准确度。武汉理工大学刘敬贤在CSFM模型基础上提出基于港口特征、船舶行为特征和历 史相关统计数据建立的船舶交通流预测模型，并针对CSFM模型的固定权重问题，采用线性 规划方法来确定组合预测的变权系数。通过改进，使得组合预测模型更加合理，能真实的反 应一个水道或港口的船舶交通流量的发展趋势。上海海事大学黄洪琼提出智能融合算法应用于船舶交通流量预测系统，融合预测 能够对多个数据源进行预测，并可以减缓单种预测方法单独预测的不确定性，从而增加了 预测的准确性和整个预测系统的鲁棒性，较好地解现有船舶预测算法中存在的预测精度不 高，依赖于经验等不足。以上方法均是基于传统的时序数据的时序预测模型，预测准确度不高。
技术实现思路
本专利技术针对现有船舶交通流量的预测模型预测准确度不高的问题，而提供一种基 于遗传算法优化的支持向量回归船舶交通流量预测方法，该方法能够有效的提高预测准确度。为了达到上述目的，本专利技术采用如下技术方案，该预测方法包括如下 步骤(1)通过加权主成分分析法把可能对船舶流量产生影响的因素维数降低，选取累 计贡献率较高的影响因素；(2)原始时序数据归一化预处理，生成数据集并分组，即把样本数据转化为0 1 或者0 2之间的数据；(3)选择核函数，确定SVM回归参数得到数据集之后，选择径向基函数(RBF)作3为核函数，包含宽度参数、二次规划的优化参数；(4)构造遗传算法优化的支持向量回归预测模型；(5)输入数据集，生成预测函数；(6)根据上一步骤生成的预测函数进行预测，并进行预测误差评价分析；如果误 差较大则返回步骤2，重新调整参数，再次进行预测。所述步骤(4)中的遗传算法优化步骤如下(4. 1)随机产生一组支持向量机参数，采用某编码方案对每个支持向量机参数进 行编码，进而构造初始群体；(4. 2)计算它的误差函数，从而确定其适应度，若误差越大，则适应度越小；(4. 3)选择若干适应度大的个体，直接遗传给下一代；(4. 4)利用遗传操作算子对当前一代群体进行处理，产生下一代群体；(4.5)重复步骤(4.2)，使初始确定的一组支持向量机参数不断进化，直到训练目 标满足条件为止。本专利技术提出的基于机器学习和统计学习的人工智能预测模型。在利用支持向量机 进行预测的过程中，参数的选取起关键性作用，若参数选取不合理，则往往会造成计算的欠 学习和过学习现象，从而直接影响预测精度和运行时间。本方法采用遗传算法对SVM的参 数进行优选，避免了人为选择支持向量机参数的盲目性，提高了支持向量机预测的精度和 推广泛化能力，随着预测时间延长，基于遗传算法优化的支持向量机仍具有较高预测精度， 预测精度的稳定性较高。总之，该方法通过实证检验，获得了良好的改进效果，说明了所提 出的改进专利技术在预测中的有效性。以下结合附图和具体实施方式来进一步说明本专利技术。附图说明图1为本专利技术的流程图。图2为不敏感函数下的线性回归示意图。图3为归一化后的1991-2008年船舶进出港签证艘次统计图。图4为最佳适应度曲线图。图5为参数g、c和MSE的等高线图。图6为参数g和c的等高线图。图7为原始数据和预测数据对比图。图8为相对误差量示意图。具体实施例方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结 合具体图示，进一步阐述本专利技术。本专利技术在针对现有船舶流量预测方法的不足之处，提出改进的支持向量机的船舶 流量预测方法，其步骤如下(参见图1)步骤1 通过加权主成分分析法把可能对船舶流量产生影响的因素维数降低，选 取累计贡献率较高的影响因素。下面详细介绍一下加权主成分赋权法的一般步骤(1)采集ρ维随机向量权利要求1.，其特征在于，所述预测 方法包括如下步骤(1)通过加权主成分分析法把可能对船舶流量产生影响的因素维数降低，选取累计贡 献率较高的影响因素；(2)原始时序数据归一化预处理，生成数据集并分组，即把样本数据转化为0 1或者 0 2之间的数据；(3)选择核函数，确定SVM回归参数得到数据集之后，选择径向基函数作为核函数，包 含宽度参数、二次规划的优化参数；(4)构造遗传算法优化的支持向量回归预测模型；(5)输入数据集，生成预测函数；(6)根据上一步骤生成的预测函数进行预测，并进行预测误差评价分析；如果误差较 大则返回步骤2，重新调整参数，再次进行预测。2.根据权利要求1所述的， 其特征在于，所述步骤(4)中的遗传算法优化步骤如下(4. 1)随机产生一组支持向量机参数，采用某编码方案对每个支持向量机参数进行编 码，进而构造初始群体；(4. 2)计算它的误差函数，从而确定其适应度，若误差越大，则适应度越小；(4. 3)选择若干适应度大的个体，直接遗传给下一代；(4. 4)利用遗传操作算子对当前一代群体进行处理，产生下一代群体；(4. 5)重复步骤(4. 2)，使初始确定的一组支持向量机参数不断进化，直到训练目标满 足条件为止。全文摘要本专利技术公开了，其包括如下步骤(1)通过加权主成分分析法把可能对船舶流量产生影响的因素维数降低，选取累计贡献率较高的影响因素；(2)原始船舶交通流时序数据归一化预处理，生成数据集并分组；(3)选择核函数，确定SVM回归参数；(4)构造遗传算法优化的支持向量回归预测模型；(5)输入数据集，生成预测函数；(6)根据上一步骤生成的预测函数进行预测，并进行预测误差评价分析；如果误差较大则返回步骤2，重新调整参数，再次进行预测。本专利技术具有较高预测精度，且预测精度的稳定性较高。文档编号G08G3/00GK102005135SQ201010581320公开日2011年4月6日 申请日期2010年12月9日 优先权日2010年12月9日专利技术者张 浩, 李松, 杨小军, 白响恩, 肖英杰, 郑剑 申请人:上海海事大学 本文档来自技高网...

【技术保护点】
基于遗传算法优化的支持向量回归船舶交通流量预测方法，其特征在于，所述预测方法包括如下步骤：（１）通过加权主成分分析法把可能对船舶流量产生影响的因素维数降低，选取累计贡献率较高的影响因素；（２）原始时序数据归一化预处理，生成数据集并分组，即把样本数据转化为０～１或者０～２之间的数据；（３）选择核函数，确定ＳＶＭ回归参数：得到数据集之后，选择径向基函数作为核函数，包含宽度参数、二次规划的优化参数；（４）构造遗传算法优化的支持向量回归预测模型；（５）输入数据集，生成预测函数；（６）根据上一步骤生成的预测函数进行预测，并进行预测误差评价分析；如果误差较大则返回步骤２，重新调整参数，再次进行预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：张浩，肖英杰，白响恩，杨小军，李松，郑剑，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：31[中国|上海]