基于优化RBF网络的港口船舶交通流量预测

郝 勇, 王 怡

(1. 武汉理工大学 航运学院， 武汉 430063； 2. 内河航运技术湖北省重点实验室， 武汉 430063)

基于优化RBF网络的港口船舶交通流量预测

郝 勇1,2, 王 怡1,2

(1. 武汉理工大学 航运学院， 武汉 430063； 2. 内河航运技术湖北省重点实验室， 武汉 430063)

港口船舶交通流量预测能为港口规划、交通管理提供决策支持。RBF神经网络在交通流预测领域有着广泛的应用，但其在网络权值等参数的选取算法上存在缺陷。遗传算法具有全局搜索速度快的优点，利用该算法对RBF神经网络的权值进行遗传操作，可获得具有一定遍历性的初始权值。文章尝试将基于遗传算法优化的RBF神经网络应用到港口船舶交通流量预测领域并以芜湖港为例进行验证。结果显示，优化后的RBF神经网络的预测误差比普通的RBF神经网络小5%左右，表明优化后的RBF神经网络计算量更小、识别速度更快、预测误差更小，在港口船舶交通流量预测领域具有广阔的应用前景。

水路运输； 船舶交通流量； RBF神经网络； 遗传算法； 港口； 预测

港口是水陆交通的集结点和枢纽，对区域经济发展具有十分重要的作用。港口船舶交通流量预测能够为港口规划、交通管理提供决策支持。

回归预测法、时间序列预测法、灰色理论预测法在船舶交通流量预测方面存在局限性。[1]神经网络因其简单的网络结构、快速的学习方法、较好的推广能力，被广泛应用于船舶交通流量预测领域并显示出其优势。有学者[2-3]分别采用反向传播模型 (Back Propagation，BP)神经网络与径向基函数(Radial Basis Function，RBF)神经网络预测宁波港船舶交通流量，结果表明，RBF神经网络预测误差更小，但其存在训练速度慢、易陷入局部最优等缺点。

遗传算法操作简单，将其并行搜索能力结合到神经网络的网络权值训练中，能为其搜索出具有全局遍历性的初始点,保证网络训练收敛、减少训练时间。[4]经遗传算法优化的RBF神经网络在公路短时交通流预测领域[5]的应用，显示出其优势。本文将基于遗传算法的RBF神经网络应用到港口船舶交通流量预测中，并以芜湖港为例证明将优化后的RBF神经网络应用到船舶交通流预测领域可以得到理想的效果。

1 RBF神经网络及其优化

1.1RBF神经网络

RBF神经网络是MODDY和DARKEN于20世纪80年代末提出的一种特殊的具有单隐层的3层前馈函数，近几十年来被广泛应用于金融预测、模式识别、数据挖掘、交通流量预测等领域中。

RBF网络由输入层、隐含层和输出层组成，其中各层节点数分别为n，k和m。输入层节点只传递输入信号到隐含层，隐含层常由高斯函数构成，输出层通常为简单的线性函数。[6]设预测模型的输出只有一个节点，RBF神经网络拓扑结构见图1。由于输入层、隐含层连接权值为1，故输入向量无改变地送到每个隐节点，隐含层中的径向基函数一般取高斯函数为

(i=1,2，…，m)

(1)

图1 RBF神经网络拓扑结构图

在设计RBF神经网络时，网络权值等参数难以确定，如选择不当，会引起网络发散；而运用K均值聚类法和OLS算法并不能设计出最小结构的RBF网络，相反会导致预测精度下降。[7-8]

1.2遗传算法优化的RBF神经网络

针对RBF神经网络在参数选取上的不足，采用遗传算法优化网络权值的选取。将遗传算法应用到网络权值的优化上，其隐含并行性能够克服权值训练过程易陷入局部极小的困境，且拥有神经网络的强大函数映射及逼近能力。[9]

设计遗传算法时一般有几个步骤要执行，即确定编码方式、构造适应度函数，确定选择、交叉、变异算子。针对RBF神经网络结构的遗传算法设计为:

1) 种群初始化。将需要进行优化的网络权值进行二进制编码，称此二进制串为染色体，文中用长度为10位的二进制编码串表示网络权值中的每个值。随机生成N个染色体，即为第一代个体。

2) 适应度函数。将每个个体的适应度函数选取为RBF网络的期望输出与实际输出之差的绝对值的累加和的倒数。

(2)

式(2)中：yjk0为期望值；yjk为实际值。

3) 选择。依据上式计算每个染色体的适应度值，然后按照轮盘赌法选择进入下一代的染色体，并保留最优个体。

4) 交叉。交叉在遗传算法中起着核心的作用，决定了遗传算法的搜索能力。将复制后的染色体按一定的交叉概率pc进行基因交换，交叉位随机选取。

5) 变异。将新产生的染色体采用自适应变异概率进行变异，取变异概率为pm=0.001-[1∶1∶Size]×0.001/Size，此处选取初始种群规模Size=30。

6) 判定。进化代数增加1，判断是否达到最大进化代数，若是,则退出;否则，返回步骤“3)”，继续下一代进化。遗传算法和RBF神经网络的结合流程见图2。

图2 遗传算法优化的RBF神经网络算法流程

2 港口船舶交通流量样本数据的处理

用RBF神经网络预测港口船舶交通流量时，交通流量数据的输入主要有两种方法。

1. 只要已知港口某几个月的交通流量，便可推算未来月份的交通流量，它们之间存在非线性的函数关系。因此,可利用港口某几个月的船舶交通流量数据列预测未来某月的船舶交通流量。例如,用2008年1—6月的交通流量预测7月份的交通流量；依此类推，这样每年的交通流量数据都可以产生一个6×6的矩阵。这种方法可充分利用有限的交通流量数据，达到充分训练神经网络的目的，但是未能考虑水位、天气等因素对交通流的影响。

2. 充分考虑水位、天气、经济等因素对港口船舶交通流量的影响，用同期的交通流数据列预测未知的交通流。例如，用2008—2011年1月份的交通流量预测2012年1月份的交通流量。采用这种方法预测出的交通流量比第一种方法的准确，但需要大量数据训练神经网络。

鉴于芜湖港船舶交通流量数据有限，为充分利用数据，大量训练神经网络、减少预测误差，采用第一种方法输入交通流数据。以芜湖港某6个月的船舶交通流量作为RBF神经网络的输入，对应下个月的交通流量作为输出。选取芜湖港2008年1月至2012年12月共60个月的船舶交通流量数据分别作为RBF神经网络和优化的RBF神经网络的学习及预测样本。

为更好地表征船舶交通流量的概念，确切反映该港口船舶交通流量的规模和重要程度，将原始数据的船舶交通流量基于标准船转化为加权船舶交通流量。[10]转换方式见表1。经标准船转换后的芜湖港部分年份船舶交通流量见表2。

表1 标准船舶换算系数表

表2 芜湖港2008—2009年船舶交通流量

3 芜湖港船舶交通流量预测

3.1预测模型的建立

仿真实验在MATLAB环境下进行，将处理后的30组港口船舶交通流数据中的24组数据进行网络训练，其余6组作为测试数据。采用得到的训练数据对优化的RBF神经网络进行训练，构建神经网络预测模型。选取芜湖港当前6个月的交通流量数据列预测下个月的交通流量，则输入节点数为6，输出节点为1；RBF的网络权值由遗传算法优化得到。调用MATLAB中的premnmx函数[11]对经标准船换算后的芜湖港船舶交通流量进行归一化处理。

其中，遗传算法初始种群数目取为30，进化代数G=180，交叉概率为Pc=0.6，变异概率取pm=0.001-[1∶1∶Size]×0.001/Size，此处选取初始种群规模Size=30。设预测误差ts=0.001，神经网络的输入节点为6对应输入向量的维数，输出节点数为1对应预测月份的交通流量，隐层节点数根据经验公式取为8左右(经验公式：隐层节点数=log2n，其中n为输入层个数)。

3.2预测结果

遗传算法优化RBF神经网络的训练曲线和网络权值最小误差进化过程见图3和图4。

图3 遗传算法优化RBF网络权值误差进化过程

图4 遗传算法优化的RBF神经网络训练曲线

由图3可知,遗传算法优化的RBF神经网络优化速度很快，网络权值进化到20代以后即达到最小误差。由图4可知,遗传算法可以并行搜索全局最优，得到的权值具有遍历性，因此优化的RBF神经网络训练误差曲线稳步下降不会陷入困境。

为了对比，用同样的数据，采用普通的RBF神经网络进行预测，两种算法对应的预测误差见图5。

图5 RBF神经网络优化前后对应的预测误差

由图5可知,遗传算法优化的RBF神经网络预测误差明显小于普通的RBF神经网络。分别用训练好的普通RBF神经网络和优化的RBF神经网络预测2013年1—6月份芜湖港的船舶交通流量，将预测结果进行反归一化处理，得到表3所示的预测船舶交通流量。

表3 芜湖港船舶交通流量预测结果

从表3可知，RBF神经网络的预测值和交通流流量的实际观测值的相对误差在9.5%左右，而基于遗传算法优化的RBF神经网络的相对误差在4.5%左右。说明 GA-RBF神经网络具有比RBF神经网络更强的预测和识别能力。优化的RBF神经网络在港口交通流量预测的准确度上较以往有所提高，克服了普通神经网络训练速度慢和易陷入局部极值等问题。基于遗传算法优化的RBF神经网络对于随机性、不确定性较强的港口船舶交通流预测具有很好的效果，能够很好地反映交通流量变化的趋势和规律，预测精度较高。

4 结 语

本文提出将基于遗传算法优化的RBF神经网络应用到港口船舶交通流量预测中，并通过对输入交通流量数据进行反复实验，不断训练预测模型，以提高预测精度。利用优化的RBF神经网络和普通的RBF神经网络对芜湖港船舶交通流量进行预测，结果表明，经遗传算法优化的RBF神经网络预测模型比普通的RBF神经网络具有更高的预测精度。

神经网络预测方法突破了传统港口船舶交通流量预测方法的局限性，尤其是经遗传算法优化的RBF神经网络预测值比普通的RBF神经网络预测值更准确，在船舶交通流量预测方面有着广阔的应用前景。如果有更长年份的某港口船舶交通流量数据，用基于遗传算法的RBF神经网络预测相应月份的船舶交通流量，结果会更为合理、准确。

[1] 张仁初.宁波港船舶交通流量预测研究[D].大连：大连海事大学,2008.

[2] 李红喜,付玉慧，张仁初.港口船舶交通流量预测[J].大连海事大学学报,2009，35(3):40-42.

[3] 李国友,姚磊，李惠光，等.基于优化的RBF神经网络模式识别新方法[J].系统仿真学报,2006，18(1):181-184.

[4] 钱华明,王雯升. 遗传神经网络在导航传感器故障诊断中的应用[J].中国航海,2009,32(1):6-9.

[5] 杨建华,郎宝华.一种基于优化的RBF神经网络交通流预测新算法[J].计算机与数字工程，2010(9)：127-130.

[6] JILALI A, ABDELOUHAB Z, SAMIRA C. Identification and Prediction of Internet Traffic Using Artificial Neural Networks[J].Journal of Intelligent Learning Systems amp; Applications,2013:234-237.

[7] 魏海坤.神经网络结构设计的理论与方法[M].北京：国防工业出版社,2005:135-136.

[8] CHANG Wenyu, WANG Baolin . An RBF Neural Network Combined with OLS Algorithm and Genetic Algorithm for Short-Term Wind Power Forecasting[J].Journal of Applied Mathematics:2013:135-138.

[9] 赵志刚,单晓红.一种基于遗传算法的RBF神经网络优化方法[J].计算机工程,2007,33(6):211-212.

[10] 吴兆麟,朱军.海上交通工程[M].大连：大连海事大学出版社,2004:56.

[11] 张德峰.MATLAB神经网络仿真与应用[M].北京：电子工业出版社，2009:182-187.

ShipTrafficVolumeForecastinPortBasedonOptimizedRBFNeuralNetworks

HAOYong1,2,WANGYi1,2
(1. School of Navigation，Wuhan University of Technology，Wuhan 430063， China；2. Hubei Key Laboratory of Inland Shipping Technology，Wuhan 430063， China)

Good port planning and traffic management need accurate prediction of ship traffic volume in a port, which is made by means of the ship traffic volume forecasting algorithm. The RBF neural network has a wide range of applications in this regard. The problem with RBF is the difficulties in determining parameters, such as the weights. The genetic algorithm has the advantages of fast global searching, therefore, is good for finding the ergodic initial values of weights for the RBF neural network. The RBF neural network, optimized with the genetic algorithm, is verified through the case of Wuhu port. The results show that the optimized RBF neural network is 5 percent more accurate than ordinary RBF neural network, while it uses less computing resources and shorter computing time.

waterway transportation; ship traffic volume； RBF neural network； genetic algorithm； port； forecast

2014-01-10

郝 勇 (1966-)，男，湖北潜江人，副教授，博士，从事水上交通工程和海事管理教学与研究。E-mail: marinehao@126.com.

1000-4653(2014)02-0081-04

U691

A