[发明专利]一种船舶流量预测方法

说明书

本发明公开一种船舶流量预测方法，其是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。首先在数据的处理方面，采用集合经验模态分解算法将非线性非平稳的船舶流量数据分解为一系列具有平稳性的高低频本征模函数序列和一个单调的余数序列，既最大限度地保留原始序列的信息，又将序列的内在规律充分利用，提高预测精度。然后利用独立循环神经网络，通过对多个隐藏层的叠加构建深度学习神经网络，结合大量的船舶流量数据，在数据训练中充分提取船舶流的的时间隐藏特征信息，从而完成预测。本发明使用优化参数的独立循环神经网络对分解的船舶流数据分量分开处理，在细化数据分量处理的同时还提高预测精度；本发明具有更好的自适应性。

技术领域

本发明涉及时间序列预测技术领域，特别涉及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。

背景技术

提高海上交通流量预测的准确性可以为航道的规划、设计和通航管理提供基础性依据。交通流量预测是一个相当复杂的过程，会受到诸多因素的影响，如天气变化，经济指数等。

在以往的交通流量预测方法中，研究人员通常根据文献中应用的一些基本假设或者从所获得的数据中选择交通特征进行建模。也就是说，这些假设和选取的特征的正确性可能会对预测准确性产生重大影响。但是，如果采用隐藏在数据中的统计信息和潜在的相关性，这样影响船舶交通流量的因素将由数据集本身揭示。因此，如果采用此方法，可以避免由假设和经验判断带来的潜在误差和错误，并且通过学习隐藏在数据中的信息和相关性可以提高流量预测的准确性。

目前，国内外对于船舶交通流量预测的研究非常丰富，主要有人工神经网络、小波分析、支持向量机、长短期记忆网络等。其中，人工神经网络可以很好地拟合船舶流序列的非线性部分，小波分析可以选择合适的基函数对船舶流序列进行预测，马尔科夫模型可以很好地利用船舶流量序列的数据相关性，可以进一步的提高预测精度。此外，船舶流量预测属于时间序列问题，目前主流的有关时间序列研究的方法和模型更加丰富，如卷积神经网络(CNN)、循环神经网络(RNN)以及它们的各种变种。但对于不同领域有不同的效果。其中，卷积神经网络对于处理二维等具有空间结构关联的数据有良好的性能，循环神经网络处理时间序列问题时有梯度爆炸和梯度消失问题，通常有长短期记忆网络(LSTM)处理这种问题。

鉴于现有技术所存在的预测精度不高、适应性不高和循环神经梯度爆炸等一系列问题，研发一种可以预测精度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实为必要，可以解决对于不同时间尺度的时间序列预测的适应性问题。

发明内容

本发明的目的在于提供一种基于集合经验模态分解和独立循环神经网络(EEMD-IndRNN)的船舶流量预测方法，其采用一种基于集合经验模态分解(EEMD)的独立循环神经网络(IndRNN)模型，属于神经网络方法的架构，可以解决对于不同时间尺度的时间序列预测的适应性问题，同时提高了预测精度。

为了达到上述目的，本发明通过以下技术方案实现：

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，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。

优选地，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。

优选地，所述步骤S3中进一步包含：