CN105404945A - 港口疏运量预测方法及*** - Google Patents

Abstract

本发明公开了一种港口疏运量预测方法及***，本发明对影响货物月疏运量的相关因素做相关性分析和降维等预处理之后，通过灰色预测方法对货物月疏运量和影响因素数据序列进行累加生成，然后利用不确定知识粒子群优化算法对支持向量机的参数寻优，得到SVM模型，并依据该模型做出预测得到预测结果，最后通过累减还原得到货物月疏运量的校正后的预测结果。本发明综合利用灰色预测方法、粒子群优化算法以及SVM模型对疏运量进行预测，充分发挥各模型或方法的优势，扬长避短，从而实现简单有效低成本的方式对港口各类货物的疏运量进行精确的预测，填补了该领域应用上的空白。

Description

港口疏运量预测方法及***

技术领域

本发明涉及疏运量预测领域，更具体涉及一种港口疏运量预测方法及***。

背景技术

散杂货(包括散货和件杂货)作为国家重要的经济物资，在航运市场中占有十分重要的地位，目前我国水运仍以散杂货为主。据2011年公路水路交通运输行业发展统计公报显示：全国港口各形态货物吞吐量构成中，干散货占比为58.3％，液体散货占比为9.1％，件杂货占比为10.1％，集装箱占比为17.7％。与集装箱港口相比，散杂货港口具有更加复杂的装卸工艺和更加广泛的作业货类，集装箱港口的专业化程度较高，货物的装卸流程和方法都按照标准的规范进行，但是散杂货港口由于货物间形态差异较大，需要针对不同货物选择不同的生产资源进行匹配。除了装卸工艺和作业货类的差异之外，散杂货在堆存方式上也与集装箱有天壤之别。

各类货物疏运量预测值是散杂货港口生产调度问题的重要依据和先决条件，将近期疏运量较高的货物放置在码头前沿、月台等周转率要求高的堆场，可以有效提高港口优势资源的利用率，降低转栈造成的损失，进而提高港口整体作业效率。不仅如此，在港口建设规划(如泊位设计、机械设备配置等)之前，做准确的货物疏运量预测也是非常必要的。

研究层面，国内学者中，大连海事大学张帅于2013年对锦州港吞吐量进行了预测，得出了石油、煤炭、钢铁和粮食等主要散杂货类的年吞吐量数值，这种预测方法比较粗略，对具体的生产实践无指导意义，不能作为港口生产调度的依据。北京交通大学宋昕基于多项改进的BP神经网络对散杂货港口煤炭月疏运量进行预测，得到了有意义的结论，但是，基于神经网络的预测方法普遍存在网络训练成本高、运算量大、无法保证收敛和泛化能力差等缺陷。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是如何以简单有效低成本的方式对港口各类货物的疏运量进行精确的预测。

(二)技术方案

为了解决上述技术问题，本发明提供了一种港口疏运量预测方法，所述方法包括以下步骤：

S1、获取港口特定货物的月疏运量以及所有与所述特定货物的月疏运量相关的相关因素的数据；

S2、分析所有所述相关因素与所述月疏运量的相关性，并按照相关性从强到弱选取对应的前N-1个所述相关因素；其中N-1为大于或等于1的整数；

S3、对所述月疏运量形成的序列进行累加，形成第一一阶累加生成序列，对所述步骤S2选取得到的所述相关因素的数据形成的序列进行累加，形成若干个第二一阶累加生成序列；

S4、选用支持向量机为预测主模型，选用径向基核函数作为支持向量机的核函数径向基核函数；

S5、利用不确定知识粒子群优化算法对所述预测主模型的参数和所述径向基核函数的参数进行优化；

S6、利用所述步骤S5得到的最优参数，以及所述第一一阶累加生成序列和所述若干个第二一阶累加生成序列，对支持向量机进行训练，得到预测主模型；径向基核函数

S7、利用所述步骤S6得到的预测主模型对所述第一一阶累加生成序列进行预测，得到货物月疏运量的预测结果；

S8、对所述步骤S7得到的预测结果进行累减计算得到校正后的预测结果。

优选地，所述方法还包括以下步骤：

S9、根据所述步骤S8得到的校正后的预测结果与实际的月疏运量进行误差计算，确定预测误差。

优选地，所述步骤S1之后、S2之前所述方法还包括对所述月疏运量和所述相关因素的数据进行预处理的步骤，其中所述预处理的步骤包括利用插值法填补缺失的所述月疏运量和/或所述相关因素的数据。

优选地，所述月疏运量形成的序列以及所述相关因素的数据形成的序列均按照采样时间的先后形成。

优选地，所述步骤S2中采用灰色关联分析方法分析所有所述相关因素与所述月疏运量的相关性，具体包括以下步骤：

S21、确定第i个所述相关因素在采样点k对所述月疏运量的关联系数：

${\mathrm{\ξ}}_i\left(k\right)=\frac{\underset{i}{min}\underset{k}{min}|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|}{|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|}$

式中，属于所述月疏运量序列，代表在采样点k的月疏运量，属于第i个所述相关因素的数据序列，代表在采样点k的第i个所述相关因素的数据；ρ为分辨系数；

S22、利用所述关联系数确定第i个所述相关因素对所述月疏运量的关联度：

${\mathrm{\γ}}_i=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i\left(k\right)$

式中，n代表共有n个采样点；

S23、利用所述步骤S21和S22确定所有所述相关因素对所述月疏运量的关联度。

优选地，所述步骤S3中利用灰色预测方法对所述月疏运量形成的序列以及所述步骤S2选取得到的所述相关因素的数据形成的序列进行累加；并且累加后的所述第一一阶累加生成序列以及第i个所述第二一阶累加生成序列分别为：

$X_1^{\left(1\right)}=\left(x_1^{\left(1\right)}\right(1),x_1^{\left(1\right)}(2),...,x_1^{\left(1\right)}(n\left)\right)$

$X_i^{\left(1\right)}=\left(x_i^{\left(1\right)}\right(1),x_i^{\left(1\right)}(2),...,x_i^{\left(1\right)}(n\left)\right)$

其中，

$x_1^{\left(1\right)}\left(k\right)=\underset{m=1}{\overset{k}{\Σ}}{x}_1^{\left(0\right)}\left(m\right)$

$x_i^{\left(1\right)}\left(k\right)=\underset{m=1}{\overset{k}{\Σ}}{x}_i^{\left(0\right)}\left(m\right)$

式中，属于所述月疏运量序列，代表在采样点m的月疏运量，属于第i个所述相关因素的数据序列，代表在采样点m的第i个所述相关因素的数据。

优选地，所述步骤S5中的所述径向基核函数为：

$K(x_i,x)=\exp (-\frac{\left|\right|x_i-x|{|}^2}{{\mathrm{\σ}}^2})$

式中，x_i代表第i个所述相关因素的数据，x代表所述月疏运量；σ为所述径向基核函数的参数；

所述步骤S5利用不确定知识粒子群优化算法对所述预测主模型的参数和所述径向基核函数的参数进行优化，其中所述预测主模型的参数包括惩罚参数和敏感损失参数，具体包括以下步骤：

S51、设定所述不确定知识粒子群优化算法的参数，包括种群规模popsize，最大进化代数maxgen以及惯性权值因子ω；

S52、在搜索空间和飞行速度的上下界范围内随机产生初始粒子的位置及速度，并计算初始适应度值，并根据初始适应度值确定粒子个体和粒子群全体的最优位置；

S53、利用所述惯性权值因子、所述步骤S52中得到的初始粒子的位置及速度、粒子个体和粒子群全体的最优位置以及惯性权值因子ω更新粒子速度和位置：

$v_{id}^{t+1}=\mathrm{\ω}\·v_{id}^t+c_1\·l_1\·(p_{id}^t-x_{id}^t)+c_2\·l_2\·(p_{gd}^t-x_{id}^t)+c_3\·l_3\·(C_D-x_{id}^t)$

$x_{id}^{t+1}=x_{id}^t+v_{id}^{t+1}$

式中，和分别为t+1时刻粒子个体i在第d维搜索空间中的速度和位置，和分别为t时刻粒子的速度和位置，和分别为t时刻粒子个体和粒子群全体的最优位置，C_D为粒子不确定知识的边界；

l₁＝r₁/(r₁+r₂+r₃)

l₂＝r₂/(r₁+r₂+r₃)

l₃＝r₃/(r₁+r₂+r₃)

$C_D=\lim it\·sign(r_4-0.5)+p_c^t$

r₁,r₂,r₃,r₄为均匀分布在(0,1)区间的随机数，limit为搜索空间边界到中心的距离，为搜索空间中心；c₁,c₂,c₃采用预定值；

S54、计算更新速度和位置后的粒子的适应度值，若所述适应度值优于现有的个体极值和群体极值，则更新对应粒子个体和粒子群全体的最优位置为当前粒子的位置；

S55，根据所述种群规模判断是否更新了当前代种群中的每一个粒子的速度和位置，若是则执行步骤S56；否则跳转至步骤S53；

S56，判断是否达到了所述最大进化代数maxgen，若是，则执行步骤S57，否则进化代数增加1，并跳转至步骤S53；

S57，停止运算，得到所述预测主模型和所述径向基核函数的最优参数值。

优选地，所述步骤S8利用如下公式对所述步骤S7得到的预测结果进行累减计算得到校正后的预测结果：

$\left\{\begin{array}{cc}{\hat{x}}_1^{\left(0\right)}\left(0\right)={\hat{x}}_1^{\left(1\right)}\left(0\right)& \\ {\hat{x}}_1^{\left(0\right)}\left(k\right)={\hat{x}}_1^{\left(1\right)}\left(k\right)-{\hat{x}}_1^{\left(1\right)}(k-1),& k=2,...,n\end{array}\right.$

式中，代表校正后的第0个采样点的预测结果，代表所述步骤S7得到的第0个采样点的预测结果，代表校正后的第k个采样点的预测结果，代表所述步骤S7得到的第k个采样点的预测结果。

一种利用上述方法预测港口疏运量的***，所述***包括数据获取单元、相关因素选取与降维单元、累加生成单元、预测模型选取单元、参数优化单元、预测主模型训练单元、预测单元以及校正单元；

所述数据获取单元用于获取港口特定货物的月疏运量以及所有与所述特定货物的月疏运量相关的相关因素的数据；

所述相关因素选取与降维单元用于分析所有所述相关因素与所述月疏运量的相关性，并按照相关性从强到弱选取对应的前N-1个所述相关因素；其中N-1为大于或等于1的整数；

所述累加生成单元用于对所述月疏运量形成的序列进行累加，形成第一一阶累加生成序列，对所述相关因素选取与降维单元选取得到的所述相关因素的数据形成的序列进行累加，形成若干个第二一阶累加生成序列；

所述预测模型选取单元用于选用支持向量机为预测主模型，选用径向基核函数作为支持向量机的核函数径向基核函数；

所述参数优化单元用于对所述预测主模型的参数和所述径向基核函数的参数进行优化；

所述预测主模型训练单元用于利用所述参数优化单元得到的最优参数以及所述第一一阶累加生成序列和所述若干个第二一阶累加生成序列对支持向量机进行训练，得到预测主模型；

所述预测单元用于利用所述预测主模型训练单元得到的预测主模型对所述第一一阶累加生成序列进行预测，得到月疏运量的预测结果；

所述校正单元用于对所述预测单元得到的预测结果进行累减计算得到校正后的预测结果。

优选地，所述***还包括误差检测单元，所述误差检测单元用于根据所述校正单元得到的校正后的预测结果与实际的月疏运量进行误差计算，确定预测误差。

(三)有益效果

本发明提供了一种港口疏运量预测方法及***，本发明对影响货物月疏运量的相关因素做相关性分析和降维等预处理之后，通过灰色预测方法对货物月疏运量和影响因素数据序列进行累加生成，然后利用不确定知识粒子群优化算法对支持向量机的参数寻优，接着进行SVM训练，得到SVM模型，并依据该模型做出预测得到预测结果，最后通过累减还原得到货物月疏运量的校正后的预测结果。本发明综合利用灰色预测方法、不确定知识粒子群优化算法以及SVM模型对疏运量进行预测，充分发挥各模型或方法的优势，扬长避短，既利用灰色预测方法的累加生成弱化原始数据序列中随机因素的影响，又充分运用支持向量机在小样本、非线性前提下的学习能力和泛化能力，还利用不确定知识粒子群优化快速的收敛速度对支持向量机的关键参数寻优，避免了由于参数选择不当导致SVM的过学习或欠学习问题等，结果表明，这种预测技术方案的性能优于单独的灰色预测方法或支持向量机模型，既简洁快速，又方便高效地解决了SVM核心参数确定的难题，从而实现简单有效低成本的方式对港口各类货物的疏运量进行精确的预测，填补了该领域应用上的空白。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的港口疏运量预测方法流程图；

图2为本发明中对预测主模型的参数和径向基核函数的参数进行优化的流程图；

图3为本发明中对预测主模型的参数和径向基核函数的参数进行优化时适应度收敛曲线；

图4为利用本发明的方法得到的预测结果与实际值以及利用现有技术中的方法得到的预测结果的比较示意图；

图5为利用本发明的方法得到的预测结果与利用现有技术中的方法得到的预测结果的误差分布示意图；

图6为利用本发明的方法得到的预测结果与利用现有技术中的方法得到的误差值的相对误差分布示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。以下实施例用于说明发明，但不能用来限制本发明的范围。

一种港口疏运量预测方法，如图1所示，所述方法包括以下步骤：

S1、获取港口特定货物的月疏运量以及所有与所述特定货物的月疏运量相关的相关因素的数据；优选地，将货物月疏运量数据和所有相关因素的数据按取样时间排列成时间序列；

S2、分析所有所述相关因素与所述月疏运量的相关性，并按照相关性从强到弱选取对应的前N-1个所述相关因素；其中N-1为大于或等于1的整数；即分析所有所述相关因素与所述月疏运量的相关性，并根据相关性从大到小的排序，选取前面若干个相关因素；

S3、对所述月疏运量形成的序列进行累加，形成第一一阶累加生成序列，对所述步骤S2选取得到的所述相关因素的数据形成的序列进行累加，形成若干个第二一阶累加生成序列；

S4、选用支持向量机为预测主模型，选用径向基核函数作为支持向量机的核函数；

S5、利用不确定知识粒子群优化算法对所述预测主模型的参数和所述径向基核函数的参数进行优化；

S6、利用所述步骤S5得到的最优参数，以及所述第一一阶累加生成序列和所述若干个第二一阶累加生成序列，对支持向量机进行训练，得到预测主模型；

S7、利用所述步骤S6得到的预测主模型对所述第一一阶累加生成序列进行预测，得到货物月疏运量的预测结果；

S8、对所述步骤S7得到的预测结果进行累减计算得到校正后的预测结果，即得到直观的货物月疏运量。

上述方法简洁快速，又方便高效地解决了SVM核心参数确定的难题，从而实现简单有效低成本的方式对港口各类货物的疏运量进行精确的预测，填补了该领域应用上的空白。

进一步地，所述方法还包括以下步骤：

S9、根据所述步骤S8得到的校正后的预测结果与实际的月疏运量进行误差计算，确定预测误差。该步骤用于检验散杂货港口货物月疏运量的预测精度。

进一步地，所述步骤S1之后、S2之前所述方法还包括对所述月疏运量和所述相关因素的数据进行预处理的步骤，其中所述预处理的步骤包括利用插值法填补缺失的所述月疏运量和/或所述相关因素的数据，即采用插值法补全某个采样点缺失的数据，具体取采样点前后数据的平均值。

进一步地，所述步骤S2中采用灰色关联分析方法分析所有所述相关因素与所述月疏运量的相关性，具体包括以下步骤：

S21、确定第i个所述相关因素在采样点对所述月疏运量的关联系数：

${\mathrm{\ξ}}_i\left(k\right)=\frac{\underset{i}{min}\underset{k}{min}|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|}{|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|}$

式中，属于所述月疏运量序列，代表在采样点k的月疏运量，属于第i个所述相关因素的数据序列，代表在采样点k的第i个所述相关因素的数据；ρ为分辨系数，一般可取为0.5左右；

S22、利用所述关联系数确定第i个所述相关因素对所述月疏运量的关联度：

${\mathrm{\γ}}_i=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i\left(k\right)$

式中，n代表共有n个采样点；

S23、利用所述步骤S21和S22确定所有所述相关因素对所述月疏运量的关联度。

其中，月疏运量形成的序列为：

$X_1^{\left(0\right)}=\left(x_1^{\left(0\right)}\right(1),x_1^{\left(0\right)}(2),...,x_1^{\left(0\right)}(n\left)\right)$

获取的所有影响货物月疏运量的相关因素的数据序列有M个，记为满足：

$X_i^{\left(0\right)}=\left(x_i^{\left(0\right)}\right(1),x_i^{\left(0\right)}(2),...,x_i^{\left(0\right)}(n\left)\right),i=2,3,...,M+1$

上述步骤S23之后，所述步骤S2还包括以下步骤：

将所有γ_i的按降序排列，选取与前(N-1)个γ_i对应的相关因素的数据序列作为对货物月疏运量影响最大的因素，而去除后面(M-N+1)个因素数据序列，达到降维的目的。

进一步地，所述步骤S3中利用灰色预测方法对所述月疏运量形成的序列以及所述步骤S2选取得到的所述相关因素的数据形成的序列进行一阶累加；并且累加后的所述第一一阶累加生成序列以及第i个所述第二一阶累加生成序列分别为：

$X_1^{\left(1\right)}=\left(x_1^{\left(1\right)}\right(1),x_1^{\left(1\right)}(2),...,x_1^{\left(1\right)}(n\left)\right)$

$X_i^{\left(1\right)}=\left(x_i^{\left(1\right)}\right(1),x_i^{\left(1\right)}(2),...,x_i^{\left(1\right)}(n\left)\right)$

其中，

$x_1^{\left(1\right)}\left(k\right)=\underset{m=1}{\overset{k}{\Σ}}{x}_1^{\left(0\right)}\left(m\right)$

$x_i^{\left(1\right)}\left(k\right)=\underset{m=1}{\overset{k}{\Σ}}{x}_i^{\left(0\right)}\left(m\right)$

式中，属于所述月疏运量序列，代表在采样点m的月疏运量，属于第i个所述相关因素的数据序列，代表在采样点m的第i个所述相关因素的数据。

进一步地，所述步骤S5中的所述径向基核函数为：

$K(x_i,x)=\exp (-\frac{\left|\right|x_i-x|{|}^2}{{\mathrm{\σ}}^2})$

式中，x_i代表第i个所述相关因素的数据，x代表所述月疏运量；σ为所述径向基核函数的参数；

所述步骤S5利用不确定知识粒子群优化算法PSO-UK对所述预测主模型的参数和所述径向基核函数的参数进行优化，其中所述预测主模型的参数包括惩罚参数和敏感损失参数，具体包括以下步骤，如图2所示：

S51、设定所述不确定知识粒子群优化算法的相关参数，包括种群规模popsize，，最大进化代数maxgen以及惯性权值因子ω；优选地，种群规模popsize为20，最大进化代数maxgen为100，惯性权值因子ω为0.7298；

S52、在搜索空间和飞行速度的上下界范围内随机产生初始粒子的位置及速度，并计算初始适应度值，并根据初始适应度值确定粒子个体和粒子群全体的最优位置；

S53、利用所述惯性权值因子、所述步骤S52中得到的初始粒子的位置及速度、粒子个体和粒子群全体的最优位置以及惯性权值因子ω更新粒子速度和位置：

$v_{id}^{t+1}=\mathrm{\ω}\·v_{id}^t+c_1\·l_1\·(p_{id}^t-x_{id}^t)+c_2\·l_2\·(p_{gd}^t-x_{id}^t)+c_3\·l_3\·(C_D-x_{id}^t)$

$x_{id}^{t+1}=x_{id}^t+v_{id}^{t+1}$

式中，和分别为t+1时刻粒子个体i在第d维搜索空间中的速度和位置，和分别为t时刻粒子的速度和位置，和分别为t时刻粒子个体和粒子群全体的最优位置，C_D为粒子不确定知识的边界；

l₁＝r₁/(r₁+r₂+r₃)

l₂＝r₂/(r₁+r₂+r₃)

l₃＝r₃/(r₁+r₂+r₃)

$C_D=\lim it\·sign(r_4-0.5)+p_c^t$

r₁,r₂,r₃,r₄为均匀分布在(0,1)区间的随机数，limit为搜索空间边界到中心的距离，为搜索空间中心；c₁,c₂,c₃采用预定值，均为1.1；

S54、计算更新速度和位置后的粒子的适应度值，若所述适应度值优于现有的个体极值和群体极值，则更新对应粒子个体和粒子群全体的最优位置为当前粒子的位置；否则执行步骤S55；

S55，根据所述种群规模判断是否更新了当前代种群中的每一个粒子的速度和位置，若是则执行步骤S56；否则跳转至步骤S53；

S56，判断是否达到了所述最大进化代数maxgen，若是，则执行步骤S57，否则进化代数增加1，并跳转至步骤S53；

S57，停止寻优运算，得到所述预测主模型和所述径向基核函数的最优参数值，输出最优的SVM参数。

进一步地，所述步骤S8利用如下公式对所述步骤S7得到的预测结果进行累减计算得到校正后的预测结果：

$\left\{\begin{array}{cc}{\hat{x}}_1^{\left(0\right)}\left(0\right)={\hat{x}}_1^{\left(1\right)}\left(0\right)& \\ {\hat{x}}_1^{\left(0\right)}\left(k\right)={\hat{x}}_1^{\left(1\right)}\left(k\right)-{\hat{x}}_1^{\left(1\right)}(k-1),& k=2,...,n\end{array}\right.$

式中，代表校正后的第0个采样点的预测结果，代表所述步骤S7得到的第0个采样点的预测结果，代表校正后的第k个采样点的预测结果，代表所述步骤S7得到的第k个采样点的预测结果。

上述方法在对影响货物月疏运量的相关因素做相关性分析和降维等预处理之后，通过灰色预测方法对货物月疏运量和影响因素数据序列进行累加生成，然后利用不确定知识粒子群优化算法对支持向量机的关键参数寻优，接着进行SVM网络训练，得到SVM模型，并依据该模型做出预测，最后累减还原得到货物月疏运量的预测结果。与现有技术相比，本发明的优势在于：①创新的预测技术方案：开创性的应用基于灰色多变量模型GM(1,N)、粒子群优化PSO和支持向量机SVM等3种模型组合的预测技术方案，充分发挥各模型方法的优势，扬长避短，既利用灰色预测方法的累加生成弱化原始数据序列中随机因素的影响，又充分运用支持向量机在小样本、非线性前提下的学习能力和泛化能力，还利用粒子群优化快速的收敛速度对支持向量机的关键参数寻优，避免了由于参数选择不当导致SVM的过学习或欠学习问题等，结果表明，这种预测技术方案的性能优于单独的灰色预测方法或支持向量机模型。②创新性的应用不确定知识粒子群优化算法对SVM参数进行寻优，既简洁快速，又方便高效地解决了SVM核心参数确定的难题。③创新的应用场合，应用上述技术方案对散杂货港口月疏运量进行预测并付诸实施，填补了该领域应用上的空白。

对应于上述方法本发明还公开了一种预测港口疏运量的***，所述***包括数据获取单元、相关因素选取与降维单元、累加生成单元、预测模型选取单元、参数优化单元、预测主模型训练单元、预测单元以及校正单元；

所述数据获取单元用于获取港口特定货物的月疏运量以及所有与所述特定货物的月疏运量相关的相关因素的数据；

所述相关因素选取与降维单元用于分析所有所述相关因素与所述月疏运量的相关性，并按照相关性从强到弱选取对应的前N-1个所述相关因素；其中N-1为大于或等于1的整数；

所述累加生成单元用于对所述月疏运量形成的序列进行累加，形成第一一阶累加生成序列，对所述相关因素选取与降维单元选取得到的所述相关因素的数据形成的序列进行累加，形成若干个第二一阶累加生成序列；

所述预测模型选取单元用于选用支持向量机为预测主模型，选用径向基核函数作为支持向量机的核函数；

所述参数优化单元用于对所述预测主模型的参数和所述径向基核函数的参数进行优化；

所述预测主模型训练单元用于利用所述参数优化单元得到的最优参数以及所述第一一阶累加生成序列和所述若干个第二一阶累加生成序列对支持向量机进行训练，得到预测主模型；

所述预测单元用于利用所述预测主模型训练单元得到的预测主模型对所述第一一阶累加生成序列进行预测，得到月疏运量的预测结果；

所述校正单元用于对所述预测单元得到的预测结果进行累减计算得到校正后的预测结果。

进一步地，所述***还包括误差检测单元，所述误差检测单元用于根据所述校正单元得到的校正后的预测结果与实际的月疏运量进行误差计算，确定预测误差。

由于上述***进行工作的步骤与上述方法相对应所以这里不再对上述***进行赘述。

下面通过一个具体的实施例对上述方法或/***进行介绍。

以文献：宋昕的基于本体和进化算法的散杂货港口堆场智能调度***研究的博士学位论文中提供的广东省工业数据和广州港集团黄浦港务公司港口疏运数据为例，对黄浦港的煤炭月疏运量进行预测。文献中提供了2008年1月至2011年10月共46组数据，各组煤炭月疏运量及其影响因素数据见表1。

表1广东省及黄埔公司统计资料

根据本发明的方法，用灰色关联分析对影响煤炭月疏运量的相关因素数据序列进行筛选，得到火力发电量、原油加工量、乙烯产量、钢材产量和铝材产量5个相关因素对相应的煤炭月疏运量数据序列的关联度分别为：

(0.5118，0.3869，0.9388，0.4896，0.9453)

由此可见，原油加工量与煤炭月疏运量的关联度最低，因而删除原油加工量数据序列。

图3为应用不确定知识粒子群优化算法对SVM参数进行寻优时适应度收敛曲线，得到的最优参数值如下：

C＝8.4204，

ε＝0.00390625，

σ＝479.13。

为了检验本发明的方法的优势，作为对比，在应用本发明的方法预测黄埔港2008年1月至2011年10月煤炭疏运量的同时，也同时应用灰色多变量模型GM(1,N)和支持向量机SVM(用PSO-UK进行参数寻优)对同期的煤炭疏运量进行预测，三种方法的预测结果如图4所示。图中，“GM”对应灰色多变量模型的预测结果，“PSO-SVM”对应支持向量机方法的预测结果，而“GM-PSO-SVM”对应本发明的方法的预测结果。由图4可知，本发明的方法或***的的预测结果最好，与实际值的曲线几乎是完全重合的。

图5为三种预测值的误差分布图，图6为三种误差值的相对误差分布图。从图5和6也可以得到与图4一样的对比结果，本发明提供的方法或***的预测值的误差和相对误差在三种方法中都是最小的。表2进一步列出了三种方法的主要误差指标。

对于预测结果本发明提供了几种主要的误差指标，分别如下：

1)误差平方和

$SSE=\underset{i=1}{\overset{n}{\Σ}}{(a_i-e_i)}^2$

2)均方误差

$MSE=\frac{1}{n}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(a_i-e_i)}^2}$

3)平均绝对百分比误差

$MAPE=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left|\frac{a_i-e_i}{a_i}\right|$

4)均方百分比误差

$MSPE=\frac{1}{n}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{\left(\frac{a_i-e_i}{a_i}\right)}^2}$

式中，a_i和e_i分别为第i个预测点的实际值和预测值，n为预测点的个数。

表2三种预测方法的主要误差指标

由表2可知，本发明提出的方法或***在几种主要误差指标上全面优于灰色多变量模型和支持向量机方法，因而，也证明了本发明方法优异的预测效果。

以上实施方式仅用于说明本发明，而非对本发明的限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行各种组合、修改或者等同替换，都不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种港口疏运量预测方法，其特征在于，所述方法包括以下步骤：

S1、获取港口特定货物的月疏运量以及所有与所述特定货物的月疏运量相关的相关因素的数据；

S2、分析所有所述相关因素与所述月疏运量的相关性，并按照相关性从强到弱选取对应的前N-1个所述相关因素；其中N-1为大于或等于1的整数；

S3、对所述月疏运量形成的序列进行累加，形成第一一阶累加生成序列，对所述步骤S2选取得到的所述相关因素的数据形成的序列进行累加，形成若干个第二一阶累加生成序列；

S4、选用支持向量机为预测主模型，选用径向基核函数作为支持向量机的核函数；

S5、利用不确定知识粒子群优化算法对所述预测主模型的参数和所述径向基核函数的参数进行优化；

S6、利用所述步骤S5得到的最优参数，以及所述第一一阶累加生成序列和所述若干个第二一阶累加生成序列，对支持向量机进行训练，得到预测主模型；

S7、利用所述步骤S6得到的预测主模型对所述第一一阶累加生成序列进行预测，得到货物月疏运量的预测结果；

S8、对所述步骤S7得到的预测结果进行累减计算得到校正后的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：

S9、根据所述步骤S8得到的校正后的预测结果与实际的月疏运量进行误差计算，确定预测误差。

3.根据权利要求1所述的方法，其特征在于，所述步骤S1之后、S2之前所述方法还包括对所述月疏运量和所述相关因素的数据进行预处理的步骤，其中所述预处理的步骤包括利用插值法填补缺失的所述月疏运量和/或所述相关因素的数据。

4.根据权利要求1所述的方法，其特征在于，所述月疏运量形成的序列以及所述相关因素的数据形成的序列均按照采样时间的先后形成。

5.根据权利要求4所述的方法，其特征在于，所述步骤S2中采用灰色关联分析方法分析所有所述相关因素与所述月疏运量的相关性，具体包括以下步骤：

S21、确定第i个所述相关因素在k时刻对所述月疏运量的关联系数：

${\mathrm{\ξ}}_i\left(k\right)=\frac{\underset{i}{min}\underset{k}{min}|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|}{|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_1^{\left(0\right)}\left(k\right)-x_i^{\left(0\right)}\left(k\right)|}$

式中，属于所述月疏运量序列，代表在采样点k的月疏运量，属于第i个所述相关因素的数据序列，代表在采样点k的第i个所述相关因素的数据；ρ为分辨系数；

S22、利用所述关联系数确定第i个所述相关因素对所述月疏运量的关联度：

${\mathrm{\γ}}_i=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i\left(k\right)$

式中，n代表共有n个采样点；

S23、利用所述步骤S21和S22确定所有所述相关因素对所述月疏运量的关联度。

6.根据权利要求5所述的方法，其特征在于，所述步骤S3中利用灰色预测方法对所述月疏运量形成的序列以及所述步骤S2选取得到的所述相关因素的数据形成的序列进行累加；并且累加后的所述第一一阶累加生成序列以及第i个所述第二一阶累加生成序列分别为：

$X_1^{\left(1\right)}=\left(x_1^{\left(1\right)}\right(1),x_1^{\left(1\right)}(2),...,x_1^{\left(1\right)}(n\left)\right)$

$X_i^{\left(1\right)}=\left(x_i^{\left(1\right)}\right(1),x_i^{\left(1\right)}(2),...,x_i^{\left(1\right)}(n\left)\right)$

其中，

$x_1^{\left(1\right)}\left(k\right)=\underset{m=1}{\overset{k}{\Σ}}{x}_1^{\left(0\right)}\left(m\right)$

$x_i^{\left(1\right)}\left(k\right)=\underset{m=1}{\overset{k}{\Σ}}{x}_i^{\left(0\right)}\left(m\right)$

式中，属于所述月疏运量序列，代表在采样点m的月疏运量，属于第i个所述相关因素的数据序列，代表在采样点m的第i个所述相关因素的数据。

7.根据权利要求6所述的方法，其特征在于，所述步骤S5中的所述径向基核函数为：

$K(x_i,x)=\exp (-\frac{\left|\right|x_i-x|{|}^2}{{\mathrm{\σ}}^2})$

式中，x_i代表第i个所述相关因素的数据，x代表所述月疏运量；σ为所述径向基核函数的参数；

所述步骤S5利用不确定知识粒子群优化算法对所述预测主模型的参数和所述径向基核函数的参数进行优化，其中所述预测主模型的参数包括惩罚参数和敏感损失参数，具体包括以下步骤：

S51、设定所述不确定知识粒子群优化算法的参数，包括种群规模popsize，最大进化代数maxgen以及惯性权值因子ω；

S52、在搜索空间和飞行速度的上下界范围内随机产生初始粒子的位置及速度，并计算初始适应度值，并根据初始适应度值确定粒子个体和粒子群全体的最优位置；

S53、利用所述惯性权值因子、所述步骤S52中得到的初始粒子的位置及速度、粒子个体和粒子群全体的最优位置以及惯性权值因子ω更新粒子速度和位置：

$v_{id}^{t+1}=\mathrm{\ω}\·v_{id}^t+c_1\·l_1\·(p_{id}^t-x_{id}^t)+c_2\·l_2\·(p_{gd}^t-x_{id}^t)+c_3\·l_3\·(C_D-x_{id}^t)$

$x_{id}^{t+1}=x_{id}^t+v_{id}^{t+1}$

式中，和分别为t+1时刻粒子个体i在第d维搜索空间中的速度和位置，和分别为t时刻粒子的速度和位置，和分别为t时刻粒子个体和粒子群全体的最优位置，C_D为粒子不确定知识的边界；

l₁＝r₁/(r₁+r₂+r₃)

l₂＝r₂/(r₁+r₂+r₃)

l₃＝r₃/(r₁+r₂+r₃)

$C_D=\lim it\·sign(r_4-0.5)+p_c^t$

r₁,r₂,r₃,r₄为均匀分布在(0,1)区间的随机数，limit为搜索空间边界到中心的距离，为搜索空间中心；c₁,c₂,c₃采用预定值；

S54、计算更新速度和位置后的粒子的适应度值，若所述适应度值优于现有的个体极值和群体极值，则更新对应粒子个体和粒子群全体的最优位置为当前粒子的位置；

S55，根据所述种群规模判断是否更新了当前代种群中的每一个粒子的速度和位置，若是则执行步骤S56；否则跳转至步骤S53；

S56，判断是否达到了所述最大进化代数maxgen，若是，则执行步骤S57，否则进化代数增加1，并跳转至步骤S53；

S57，停止运算，得到所述预测主模型和所述径向基核函数的最优参数值。

8.根据权利要求7所述的方法，其特征在于，所述步骤S8利用如下公式对所述步骤S7得到的预测结果进行累减计算得到校正后的预测结果：

$\left\{\begin{array}{c}{\hat{x}}_1^{\left(0\right)}\left(0\right)={\hat{x}}_1^{\left(1\right)}\left(0\right)\\ {\hat{x}}_1^{\left(0\right)}\left(k\right)={\hat{x}}_1^{\left(1\right)}\left(k\right)-{\hat{x}}_1^{\left(1\right)}(k-1),k=2,...,n\end{array}\right.$

式中，代表校正后的第0个采样点的预测结果，代表所述步骤S7得到的第0个采样点的预测结果，代表校正后的第k个采样点的预测结果，代表所述步骤S7得到的第k个采样点的预测结果。

9.一种利用权利要求1至8任一项所述的方法预测港口疏运量的***，其特征在于，所述***包括数据获取单元、相关因素选取与降维单元、累加生成单元、预测模型选取单元、参数优化单元、预测主模型训练单元、预测单元以及校正单元；

所述数据获取单元用于获取港口特定货物的月疏运量以及所有与所述特定货物的月疏运量相关的相关因素的数据；

所述相关因素选取与降维单元用于分析所有所述相关因素与所述月疏运量的相关性，并按照相关性从强到弱选取对应的前N-1个所述相关因素；其中N-1为大于或等于1的整数；

所述累加生成单元用于对所述月疏运量形成的序列进行累加，形成第一一阶累加生成序列，对所述相关因素选取与降维单元选取得到的所述相关因素的数据形成的序列进行累加，形成若干个第二一阶累加生成序列；

所述预测模型选取单元用于选用支持向量机为预测主模型，选用径向基核函数作为支持向量机的核函数；

所述参数优化单元用于对所述预测主模型的参数和所述径向基核函数的参数进行优化；

所述预测主模型训练单元用于利用所述参数优化单元得到的最优参数以及所述第一一阶累加生成序列和所述若干个第二一阶累加生成序列对支持向量机进行训练，得到预测主模型；

所述预测单元用于利用所述预测主模型训练单元得到的预测主模型对所述第一一阶累加生成序列进行预测，得到月疏运量的预测结果；

所述校正单元用于对所述预测单元得到的预测结果进行累减计算得到校正后的预测结果。

10.根据权利要求9所述的方法，其特征在于，所述***还包括误差检测单元，所述误差检测单元用于根据所述校正单元得到的校正后的预测结果与实际的月疏运量进行误差计算，确定预测误差。