[发明专利]一种基于VMD-FOA-GRNN的船舶流量预测方法

说明书

本发明公开了一种基于VMD‑FOA‑GRNN的船舶流量预测方法，包括以下步骤：步骤1：对船舶流量数据进行预处理；步骤2：将预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；步骤3：对未突变的船舶流量数据进行VMD，产生一系列具有不同频率尺度的IMF，即获得分解后的船舶流量数据；步骤4：基于FOA构建GRNN，对分解后的船舶流量数据进行预测，获得预测值；步骤5：基于味道浓度判定函数，将预测值与真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。此发明解决了现有预测方法的预测精度不高、不具有普遍适用性的问题，基于变分模态分解、果蝇优化的广义回归神经网络，提高了船舶流量的预测精度，解决了复杂非线性时间的时间序列预测普遍适用性的问题，提升了稳定性。

技术领域

本发明涉及时间序列技术领域，具体涉及一种基于变分模态分解-果蝇优化算法-广义回归神经网络(Variational Mode Decomposition-Fruit Fly OptimizationAlgorithm-General Regression Neural Network,VMD-FOA-GRNN)的船舶流量预测方法。

背景技术

船舶交通流量预测的研究目的和意义在于拓宽了水运交通管理领域的理论，为水运交通管理部门为提供技术理论支持。

在前期的交通流量预测的研究中，一种是根据分析船舶交通流量数据的影响因素来整理分类带入方法，但此种方法的局限性在于船舶交通流量是一个复杂的非线性系统，其影响因素宏观上包括水域所在的自然环境、航运市场状况、世界经济和国家政策等，微观上包括港口规划、航道水深及尺度、分道通航制、交通管理的实施、船舶类型及吨位等，其中很多因素难以量化处理，更何况人为主观的因素的选取可能会对预测的精度造成影响。

目前，常用的预测船舶交通流量的方法主要有灰色模型、回归分析、神经网络、支持向量机等等。就船舶交通流量预测这一领域而言，无论国内外，前期大都采用某种较单一的预测时间序列的方法，随着研究的深入，还有实际生活中对精度、稳定性、普遍适用性等要求的不断提高，渐渐发展为与其他算法结合或者进行组合预测。

发明内容

本发明的目的是提供一种基于VMD-FOA-GRNN的船舶流量预测方法。此方法旨在解决现有预测方法的预测精度不高、不具有普遍适用性的问题，基于变分模态分解、果蝇优化的广义回归神经网络，提高船舶流量的预测精度，解决复杂非线性时间的时间序列预测普遍适用性的问题，提升稳定性。

为达到上述目的，本发明提供了一种基于VMD-FOA-GRNN的船舶流量预测方法，包括以下步骤：

步骤1：对船舶流量数据进行预处理，获得预处理后的船舶流量数据；

步骤2：将预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；

步骤3：对未突变的船舶流量数据进行变分模态分解，获得分解后的船舶流量数据；

步骤4：基于果蝇优化算法，构建广义回归神经网络，对分解后的船舶流量数据进行预测，获得船舶流量数据的预测值；

步骤5：基于味道浓度判定函数，将预测值与船舶流量数据的真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。

最优选的，突变检验包括以下步骤：

步骤2.1：将预处理后的船舶流量数据进行M-K(Manner-Kendall)突变检验，获得M-K突变检验的U_F曲线图和U_B曲线图；

步骤2.2：判定U_F曲线和U_B曲线在设定阈值的范围内是否存在第一交点；若不存在第一交点，则预处理后的船舶流量数据为未突变的船舶流量数据；