[发明专利]一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法

权利要求书

1.一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法，其特征在于，包括以下步骤：

利用单位根检验中的NP检验法检验船舶交通流数据的非平稳性；

利用集合经验模态分解算法将船舶交通流数据这个非平稳时间序列分解为平稳信号；

构建改进自适应遗传算法优化的3层BP神经网络作为训练模型；

得到预测结果。

2.根据权利要求1所述的预测方法，其特征在于，还包括：采用递推方式把船舶交通流数据分为训练集和预测集两部分，训练集部分用于训练上述模型，预测集部分用于测试模型准确性。

3.根据权利要求1所述的预测方法，其特征在于，所述集合经验模态分解算法，包括以下步骤：

(1)在待分解信号x(t)中加入白噪声n(t)得到加噪声后的总体信号X(t)为：

X(t)＝x(t)+n(t)

(2)对总体信号X(t)进行EMD分解，得到一组IMF分量c_j(t)(j＝1，2...m)和一个残余分量r_m(t)：

(3)给待分解信号x(t)加入不同白噪声信号n_i(t)(i＝1，2...N)，重复(1)(2)步骤N次，N为可人工设定的常数，得到不同的总体信号X_i(t)，以及IMF分量C_ij(t)和残余分量r_im(t)，即：

(4)对各IMF分量进行整体平均计算，获得时序信号的EEMD分解结果，即平均IMF分量c_j(t)，计算公式为：

4.根据权利要求1所述的预测方法，其特征在于，所述3层BP神经网络的构建方法，包括如下步骤：

(1)网络拓扑结构：输入层的神经元数量为3，输出层的神经元数量为1，隐藏层的神经元数量为4；

(2)初始化权值阈值：在matlab中随机产生初始权值和阈值；

(3)采用数据归一化方法对数据进行预处理，把所述船舶交通流数据都转化为[0,1]之间的数，计算公式如下：

其中，X为所述船舶交通流数据，X_min为船舶交通流数据中的最小值，X_max为船舶交通流数据中的最大值，为归一化后的数据。

5.根据权利要求1所述的预测方法，其特征在于，所述改进自适应遗传算法，包括如下步骤：

(1)选择操作：采用轮盘赌的方法，个体的适应度值记为f_i，先计算个体的相对适应度值根据p_j(j＝1，2，...，n)把圆盘分为n份，转动圆盘，若落入第j个扇形内，则选择个体j；

(2)交叉操作：从种群中选择2个个体按照交叉概率及实数交叉法得到新个体如式(1)、(2)所示：

式中P_c1、P_c2分别为交叉概率的上下限，且P_c1＝0.9、P_c2＝0.6,；f_bigger为参与交叉运算的两个个体中适应度值较大的值，f_av为种群的平均适应度值，f_max为种群中最大的适应度值；

式中a_m为第m个染色体，a_n为第n个染色体，i代表它们在第i位交叉，b为[0,1]之间的随机数；

(3)变异操作：从种群中随机选择一个个体按照变异概率计算得到新个体，变异概率算法如式(3)、(4)所示：

式中P_m为变异概率，P_m1、P_m2分别为变异概率的上下限，且P_m1＝0.1、P_m2＝0.01，P_m2＝0.07；f为当前进行突变的个体的适应度值；

式中基因a_mn为得到的新个体，其上界是a_max，下界是a_min，g为当前迭代次数，G_max为最大进化次数，r为[0,1]之间的一个随机数，r₂为一个随机数。