[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

说明书

本申请提供了一种基于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。本发明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，数据的非平稳部分对预测结果影响降低，提高了预测的准确度。

技术领域

本发明涉及船舶交通流预测方法技术领域，尤其涉及一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法。

背景技术

船舶交通流预测是实现交通控制与诱导的关键，其结果对于船舶的通航安全有重要意义，尤其是在特殊航道、桥区水域等附近，对相关方面的管理者也能提供重要的决策支持，有助于管理部门制定有效的安全办法管理规定和交通组织方案。

随着交通流预测领域研究的深入，涌现了很多预测方法，有学者ANDRIUS D利用神经网络建立预测模型，摆脱了要求精确模型的限制，并取得了较好效果。但传统的BP算法由于是基于梯度下降的方法，因此不同的初始权向量可能导致完全不同的结果，而且有关的参数选取只能通过实验经验确定，选择不当会导致网络振荡不能收敛，或是陷入局部极值的情况。国内李松有采用遗传算法进行优化，大大降低了BP神经网络预测模型陷入局部极值的可能,提高了模型收敛速度。但传统遗传算法中的交叉概率和变异概率均为定值，导致算法容易早熟。国外有专家Srinivas M利用自适应遗传(Adaptive Genetic Algorithm)算法进行改进，但在进化初期，交叉概率和变异概率几乎为零，导致进化停滞。在此基础上采用改进的自适应遗传算法，但计算公式存在一定缺陷，导致当群体最大适应度值与平均适应度值相等时进化停滞。其各种改进，均存在数据的非平稳部分会影响预测结果，预测精度低的问题。经验模态分解(Empirical Mode Decomposition，EMD)方法是上世纪末由Huang等提出的一种常用于分析非平稳信号序列的方法，其原理是依据数据本身的时间尺度特征把复杂信号分解为有限个本征模函数(Intrinsic Mode Function，IMF)，得到的各IMF分量包含了原信号不同时间尺度的局部特征信号。然而EMD方法的一个主要问题是模态混淆，即同一个本征模函数分量中出现了不同尺度或频率的信号，或者同一尺度或频率的信号被分解到多个不同的IMF分量当中，同样存在预测准确度不高的问题。

发明内容

针对现有技术中船舶交通流预测方法的预测精度低的问题，本发明提供了一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法，其降低了非平稳性对于预测结果的影响，提高了预测的准确度。

为达到上述目的，本发明采用以下技术方案：

一种基于EEMD-IAGA-BP神经网络的船舶交通流预测方法，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。

在一种优选实施例中，所述预测方法还包括：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。

在一种优选实施例中，单位根检验是指检验序列中是否存在单位根，存在单位根即为非平稳时间序列，单位根指单位根过程，所述NP检验法为基于GLS除趋势数据的检验单位根的统计量以改善检验的效率和势，该方法称为NP检验，相应的统计量称为NP检验统计量。

在一种优选实施例中，所述集合经验模态分解算法，包括以下步骤：