[发明专利]一种船舶流量预测方法

权利要求书

1.一种基于集合经验模态分解和独立循环神经网络的船舶流量预测方法，其特征在于，包含以下步骤：

S1、对原始船舶流量数据进行预处理；

S2、对所述原始船舶流量数据进行平稳性验证；

S3、通过所述步骤S2校验得到的非平稳的原始船舶流量数据进行集合经验模态分解，得到若干个本征模函数和一个余数；

S4、对分解后的每个本征模函数和余数分别使用独立循环神经网络模型进行预测，得到各独立循环神经网络的预测值分量并进行叠加，得到船舶流量预测结果；

所述步骤S3中进一步包含：

S31、在所述原始船舶流量数据X(t)中加入白噪声，得到添加白噪声后的船舶流量数据X_n1(t)＝X(t)+n(t)，n(t)为白噪声；

S32、找出所述原始船舶流量数据X_n(t)的所有极大值和极小值，分别使用三次样条插值拟合出上包络线q1和下包络线q2，取其平均值m(t)＝(q1+q2)/2，得到新序列h1＝X_n1(t)-m(t)；当该新序列h1存在正的极小值或者负的极大值，则重复所述步骤S32，直到找到第一个本征模函数IMF1，进一步得到新数据X_n1(t)-IMF1；

S33、根据所述步骤S32的新数据X_n1(t)-IMF1，并将新数据X_n1(t)-IMF1作为下一循环的步骤S32中的X_n1(t)，循环执行步骤S32，直到将原始数据X_n(t)分解为m个本征模函数和一个单调的余数r(t)，则：

X_n1(t)＝IMF₁+IMF₂+…+IMF_m+r(t)

步骤S34、将所述原始数据X(t)加入K次不同的白噪声，并重复以上步骤S31-步骤S33，对应地得到每次加入白噪声后进行分解后的m个本征模函数和一个单调的余数；

步骤S35、对分解的各个分量进行整体平均计算，如下：

式中，IMF′_m是K次加入白噪声并进行分解后得到的第m个本征模函数之和的平均值，i是指第i次加入白噪声；r′(t)是指K次加入白噪声并进行分解后得到的单调的余数r(t)之和的平均值；

步骤S36、所述原始船舶流数据X(t)的分解结果为：

X(t)＝IMF′₁+IMF′₂+…IMF′_m+r′(t)；

所述步骤S4中进一步包含：

S41、将所述步骤S3中输出的每个本征模函数IMF′₁，IMF′₂，…，IMF′_m和余数r′(t)作为独立循环神经网络的输入；

S42、所述独立循环神经网络的隐藏层状态表达式改为：

h_t＝σ(WX′_t+u⊙h_t-1+b)

式中，t为时刻，X′_t是t时刻的输入，即上述的本征模函数IMF′₁，IMF′₂，…，IMF′_m，余数r′(t)；W是隐藏层之间的权重，σ是神经元的激活函数；u是输入层和隐藏层之间的权重；⊙表示矩阵元素积，即在t时刻每个隐藏层神经元只接受此刻的输出以及t-1时刻自身的状态作为输入；

S43、所述独立循环神经网络的输出为：

Y(t)＝Vh_t+c

式中，V为隐藏层和输出层之间的权重系数，c为阈值；

步骤S44、通过各独立循环神经网络输出各预测值分量，并将得到的各独立循环神经网络的各预测值分量进行叠加得到预测结果：

Y＝Y₁+Y₂+…+Y_m+Y_r

其中，Y_m和Y_r为通过独立循环神经网络的不同船舶流分量的预测值。

2.如权利要求1所述的基于集合经验模态分解和独立循环神经网络的船舶流量预测方法，其特征在于，

所述步骤S2中，进一步包含：

采用ADF检验方法对所述原始船舶流量数据的时间序列进行平稳性校验，当所述原始船舶流量数据的时间序列平稳，则不存在单位根，反之，则存在单位根。