船舶交通量的BP神经网络马尔科夫预测模型
时间：2020-12-15 04:02:20 来源：雅意学习网 本文已影响 人 
摘要：为提高船舶交通量的预测精度，在BP神经网络的基础上结合马尔科夫预测模型建立一个新的预测模型.采用通过长江九江大桥的月度船舶交通量数据进行模型训练、验证和预测，求出相对残差值，将相对残差的前8项归一化后划分为3个状态，利用马尔科夫预测模型修正BP神经网络的预测值.该新模型将BP神经网络的相对残差值区间从[-12.9%，12.3%]降低至[-9.9%，5.4%].该模型能提高船舶交通量的预测精度，用于预测船舶交通量是可行的.
关键词： 船舶交通量； BP神经网络； 马尔科夫预测模型
中图分类号： U692； TP183； O211.62
文献标志码： A
Abstract： To improve prediction accuracy of the ship traffic flow， a new prediction model is established based on BP neural network combined with Markov prediction model. The month data of ship traffic flow crossing the Jiujiang Yangtze River Bridge are used to do the model training， verification and prediction. The relative residuals are calculated， the top 8 relative residuals are divided into 3 states， and Markov prediction model is used to correct the prediction values by BP neural network. The relative residual interval of BP neural network is improved from [-12.9%， 12.3%] to [-9.9%， 5.4%] by the new model， which shows that the new model can improve the prediction accuracy， and is feasible for the prediction of the ship traffic flow.
Key words： ship traffic flow； BP neural network； Markov prediction model
0 引 言
船舶交通量的預测为航道的规划、设计和船舶通航管理提供基础性依据[1]，准确预测船舶交通量是海上交通控制和诱导的关键.船舶交通量预测模型大多借鉴道路预测模型，其中灰色模型[23]、神经网络模型[45]、支持向量机模型[68]和组合模型[1，9]是预测船舶交通量常用的模型.
马尔科夫过程因其无后效性常被用于道路交通量、需水量、用电量、股票等的预测.QI等[10]提出一种隐马尔科夫模型对高速公路高峰期的交通量进行短期预测.刘宗明等[11]在灰色预测理论的基础上，对随机波动大的残差序列进行马尔科夫预测.孔垂猛等[12]将建立的灰色马尔科夫预测模型运用到短时交通量数据的预测中，预测结果较好.景亚平等[13]建立了基于马尔科夫链修正的组合灰色神经网络城市需水量预测模型，其预测结果优于灰色神经网络及各单一预测模型的预测结果.何鑫等[14]用马尔科夫链方法预测全国年发电量趋势.WANG等[15]建立了模糊神经网络马尔科夫预测模型预测股票指数.
学者们通常将灰色理论与马尔科夫链相结合以提高船舶交通量预测精度.船舶交通量的大小与天气、货运量、海况等因素密切相关，因此船舶交通量的变化趋势必然不会呈现指数规律.灰色模型适用于具有较强指数规律的序列，只能描述单调的变化过程，并不适用于非单调摆动发展序列或饱和的S形序列.BP（Back Propagation）神经网络是人工智能网络中的一个经典模型，因其具有很强的非线性映射能力和自主学习能力备受各行各业研究者的青睐.本文在利用BP神经网络预测船舶交通量的基础上，结合马尔科夫性质对波动较大的预测值序列进行修正，从而提高船舶交通量预测精度.
1 预测模型
1.1 BP神经网络预测模型
BP神经网络于1986年由RUMELHART和MCCELLAND提出，是一种按误差逆传播算法训练的多层前馈网络.神经元是神经网络的基本单元，是一个多输入单输出的非线性原件.神经元输出值除受输入值影响外，还受神经元内部因素的影响，因此在神经网络建模中通常还需设置阈值.对神经网络进行训练时，通过不断调整阈值的大小可以使预测值与实际值的残差最小，从而提高模型精度.最常用的神经网络结构包括输入层（Input layer）、隐层（Hidden
1.3 BP神经网络马尔科夫预测模型
BP神经网络马尔科夫预测模型的建立步骤：将训练数据输入到BP神经网络预测模型中，计算出预测值与实际值的残差；利用黄金分割法将相对残差值划分为若干状态后，根据第1.2节马尔科夫性对预测值进行修正.BP神经网络马尔科夫预测模型建立流程见图2，具体步骤如下.
（1）建立BP神经网络模型，归一化原始样本数据；
（2）用原始样本数据序列中的前3个数据预测第4个数据，依此类推，得到重组数据后，对其进行训练、验证和预测；
（3）将预测值与实际值比较，求出相对残差值，归一化后进行状态划分；
（4）根据1步状态转移频数求出1步状态转移概率矩阵；
（5）根据CK方程求出k步状态转移概率矩阵；
