CN110222826A - 一种基于改进的EEMD-IndRNN船舶流量预测方法 - Google Patents
一种基于改进的EEMD-IndRNN船舶流量预测方法 Download PDFInfo
- Publication number
- CN110222826A CN110222826A CN201910502153.9A CN201910502153A CN110222826A CN 110222826 A CN110222826 A CN 110222826A CN 201910502153 A CN201910502153 A CN 201910502153A CN 110222826 A CN110222826 A CN 110222826A
- Authority
- CN
- China
- Prior art keywords
- ship
- data
- component
- neural network
- flows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于改进的EEMD‑IndRNN船舶流量预测方法,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;然后使用皮尔逊相关系数计算各个分量和原始船舶流量数据的相关性,根据相关性大小将分量重新组合为高中低三个新的分量;最后利用独立循环神经网络分别对上述分量分开处理,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时间隐藏特征信息,完成预测。本发明在细化数据分量处理的同时还提高预测精度,还具有更好的自适应性。
Description
技术领域
本发明涉及时间序列预测技术领域,特别涉及一种基于改进的EEMD-IndRNN(集合经验模态分-独立循环神经网络)船舶流量预测方法。
背景技术
随着我国海上经济贸易的发展,船舶数量逐渐增多,为了解决水路航线密度的增加产生的船舶交通事故和航道规划和提高船舶通行效率等问题,需要对船舶流量进行科学准确的预测。如今由于科学技术发展日新月日和更高的预测精度要求,针对船舶流量的单一的预测方法已经不满足人们的需求,通常是多种预测算法的有效结合。
船舶交通流量预测的研究主要分为:一是根据船舶流量数据的影响因素寻求一种独特的内在关系,形成一种拥有多个输入和输出的函数映射,从而达到预测目的。二是将现有的预测模型通过应用创新,使用在在船舶交通流量预测中。目前,国内外对于船舶交通流量预测的研究非常丰富,主要有神经网络,小波变换,支持向量机,长短期记忆网络和组合预测等。
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***等一系列问题,研发一种基于改进的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,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,还能进一步提高船舶流量的预测精度。
发明内容
本发明的目的在于提供一种基于改进的EEMD-IndRNN(集合经验模态分和独立循环神经网络)船舶流量预测方法,属于深度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:
一种基于改进的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、计算上述各个分量和原始船舶流数据的相关系数,按照相关性程度大小叠加组合为新的分量。S5、对新的分量分别使用独立循环神经网络模型进行预测,由于新的组合分量代表船舶流的长中短期的变化趋势,因此需要使用不同参数的独立循环神经网络预测模型,最后将分量预测结果进行叠加,即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:
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Xn1(t)=X(t)+n(t),n(t)为白噪声;
S32、找出所述原始船舶流量数据Xn(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=Xn1(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Xn1(t)-IMF1;
S33、根据所述步骤S32的新数据Xn1(t)-IMF1,并将新数据Xn1(t)-IMF1作为下一循环的步骤S32中的Xn1(t),循环执行步骤S32,直到将原始数据Xn(t)分解为m个本征模函数和一个单调的余数r(t),则:
Xn1(t)=IMF1+IMF2+...+IMFm+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)
优选地,所述步骤S4中进一步包含
步骤S41、计算上诉分量IMF′1,IMF′2,...,IMF′m,r′(t)和X(t)的皮尔逊相关系数
其中,X为各分量,Y为原始数据,E是数学期望,cov表示协方差。当相关系数为0时,表明两个变量没有关系,当一个变量随着另一个变量增大(减小)而增大(减小),就称两个变量之间为正相关,皮尔逊相关系数取值为0到1之间。
优选地,所述步骤S42中,所述多个设定区间包含弱相关区间、中等相关区间和强相关区间,对应地得到三个新的分量M1、M2和M3,分别表示船舶流量的短、中、长期的变化趋势;
其中,分量M1等于所有位于弱相关区间中的分解后本征模函数平均值相加之和,分量M2等于所有位于中等相关区间中的分解后本征模函数平均值相加之和,分量M3等于所有位于强相关区间中的分解后本征模函数平均值相加之和。
优选地,所述步骤S42中,所述多个设定区间包含区间(0,0.3],(0.3,0.6],(0.6,1.0]。
优选地,所述步骤S5中进一步包含:
步骤S51、将所述步骤S4中重新组合的新分量M1,M2,M3作为独立循环神经网络的输入;
步骤S52、所述独立循环神经网络的隐藏层状态表达式改为:
ht=σ(WXt+u⊙ht-1+b)
式中,t为时刻,Xt是t时刻的输入,即上述的重新组合的新分量M1,M2,M3;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;b是偏置值;⊙表示矩阵元素积;ht-1表示t-1时刻(即前一个时刻)的隐藏层输出,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;
步骤S53、当需要构建多层循环神经网络时,新的隐藏层输出为:
h′t=σ(W′ht+u′⊙h′t-1+b′)
式中,t为时刻,ht是t时刻的前一层隐藏层输出;h′t-1表示新的隐藏层在t-1时刻的输出;h′t表示新的隐藏层输出;W′是新的隐藏层之间的权重,σ是神经元的激活函数;u′是前一个隐藏层和当前隐藏层之间的权重;b′是当前层的偏置值;⊙表示矩阵元素积;
步骤S54、所述独立循环神经网络的输出为:
Y(t)=Vh′t+c
式中,V为最后一个隐藏层和输出层之间的权重系数,h′t为最后一个隐藏层输出,c为阈值;
步骤S55、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+...+Ym+Yr
其中,Ym和Yr为通过独立循环神经网络的不同船舶流分量的预测值。
与现有技术相比,本发明的有益效果为:
(1)由于在实际生活中船舶交通流量会受到季节、气候、人为活动等因素的影响而形成无规律的波动,具有非平稳和非线性的特点,给预测带来了极大的困难,本发明利用独立循环神经网络的优点,将时间序列的时间信息充分利用,并采用了集合经验模态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本征模函数序列和一个单调的残数序列,既最大限度地保留了原始序列的信息,又将序列的内在规律充分利用,提高预测精度;
(2)本发明中得到一系列平稳的高低频分量,高频分量代表船舶流量的短期变化,低频分量表示船舶流量的长期变化趋势,且再计算高低频分量与原始船舶流量数据的皮尔逊相关系数,根据相关性大小将分量组合为新的分量,得到新的组合分量;
(3)本发明由于新的组合分量代表船舶流的长中短期的变化趋势,因此使用不同参数的独立循环神经网络预测模型,分别对上述分量分开处理,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时间隐藏特征信息,完成预测;
(4)由于循环神经网络处理时间序列问题时有梯度***和梯度消失问题,本发明使用合适优化参数的独立循环神经网络对分解的船舶交通流量序列处理,能达到很好的预测效果;与传统的基于主观因素对影响船舶流量因素的判断相比,本发明具有更好的自适应性。
附图说明
图1为本发明的基于改进的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流程图;
图2为本发明的集合经验模态分解方法示意图;
图3为本发明的图2所示的集合经验模态分解图;
图4为本发明的独立循环神经网络展开示意图。
具体实施方式
通过阅读参照图1-图4所作的对非限制性实施例所作的详细描述,本发明的特征、目的和优点将会变得更明显。参见示出本发明实施例的图1-图4,下文将更详细的描述本发明。然而,本发明可以由许多不同形式实现,并且不应解释为受到在此提出的实施例的限制。
本发明主要应用于预测某一港口或水域的船舶通行数量,如图1~图4结合所示,本发明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包含以下步骤:
步骤S1、船舶流量数据预处理:
其中,由于船舶流量数据会受到主观和客观等因素的影响,导致有些数据异常,虽然数量极少,但是对整体的预测模型影响极大。因此需要对船舶流量数据X(t)(原始数据)进行预处理,包括删除零数据以及异常大数据等,且该船舶流量数据{x1,x2,...,xn}表示时间t进出港口的船舶数量。
步骤S2、对船舶流量数据进行平稳性验证:
其中,采用ADF(Augmented Dickey-Fuller,增项DF单位根)检验方法对船舶流量数据X(t)(原始数据)进行平稳性校验。如果数据的时间序列平稳,则不存在单位根,否则,就会存在单位根;
所述步骤S2中,ADF原假设为:若时间序列不存在单位根,则时序数据平稳;若时间序列存在单位根,即非平稳,对于一个平稳的时序数据,就需要在给定的置信水平上显著,拒绝原假设;若得到的统计量显著小于3个置信度(1%、5%、10%)的临界统计值时,说明是拒绝原假设的;
步骤S3、若经过所述步骤S2校验后,发现船舶流量数据是非平稳时,为了后续提高预测精度,将该非平稳的船舶流量数据X(t)进行集合经验模态分解,将会得到一系列平稳的高低频分量。
其中,高频分量代表船舶流量的短期变化,低频分量表示船舶流量的长期变化趋势。如图2所示是对数据信号进行集合经验模态分解的原理示意图。
所述步骤S3中进一步包含以下过程:
步骤S31、在船舶流量数据X(t)中加入白噪声,得到添加白噪声后的船舶流量数据Xn1(t)=X(t)+n(t),n(t)为白噪声,使不同尺度的数据自动映射到合适的参考尺度上,用以克服EMD(Empirical Mode Decomposition,经验模态分解)的模态混叠缺陷问题,从而得到更好的分解结果;
步骤S32、找出船舶流量数据Xn(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=Xn1(t)-m(t)。其中,如果新序列h1存在正的极小值或者负的极大值,则重复此步骤S32,直到找到第一个本征模函数IMF1,从而可以得到新数据Xn1(t)-IMF1;
步骤S33、根据步骤S32的新数据Xn1(t)-IMF1,并将新数据Xn1(t)-IMF1作为下一循环的步骤S32中的Xn1(t),循环执行步骤S32,直到将原始数据Xn(t)分解为m个本征模函数和一个单调的余数r(t),则最终得到:
Xn1(t)=IMF1+IMF2+...+IMFm+r(t) (1)
步骤S34、基于上述原理,本发明将原始数据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数据。
步骤S35、为了消除添加的噪声,对分解的各个分量进行整体平均计算,如下:
式中,IMFim是指第i次加入白噪声并进行分解得到的第m个本征模函数;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;ri(t)是指第i次加入白噪声并进行分解得到的单调的数据r(t);r′(t)是指K次加入白噪声并进行分解后得到的单调的数据r(t)之和的平均值。
因此,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) (4)
步骤S4、计算上述各个分量和原始船舶流数据的相关系数,按照相关性程度大小叠加组合为新的分量。在步骤S3中,如果对每一个船舶流量数据的分量分别建立神经网络模型,计算量很大,并且在高频分量中存在一定量的噪声,按照相关性大小将分量叠加重新组合能在不改变预测精度的基础上很大程度减少计算量。因此,在本步骤中加入皮尔逊相关系数,按照相关性进行分类,弱相关性中相关性。
所述步骤S4中进一步包含以下过程:
步骤S41、计算上述分量IMF′1,IMF′2,...,IMF′m,r′(t)和原始船舶流数据X(t)的皮尔逊相关系数,这样可以通过相关性大小区分各个分量对原始数据的贡献程度,如下:
式(5)中参数X为各分量,Y为原始数据,E是数学期望,cov表示协方差。其中,当相关系数为0时,表明式(5)中的X和Y两个变量没有关系;当一个变量随着另一个变量增大(减小)而增大(减小),就称两个变量之间为正相关,上述皮尔逊相关系数取值为0到1之间。
步骤S42、根据上述公式(5)中计算出的相关性结果,根据皮尔逊相关系数的相关性大小,分别按照区间(0,0.3],(0.3,0.6],(0.6,1.0]重新组合为弱相关、中等相关和强相关等三个新的分量M1、M2和M3,每一个新的分量为一个或多个IMF相加的结果,M1、M2和M3这三种分量分别表示船舶流量的短、中、长期的变化趋势。例如,相关性位于弱相关区间的有IMF′1和IMF′2,则M1=IMF′1+IMF′2,即M1等于位于弱相关区间的所有的分解后本征模函数分量平均值相加之和;同理,M2也等于位于中等相关区间的所有的分解后本征模函数分量平均值相加之和,M3也等于位于强相关的所有的本征模函数分量平均值相加之和。
步骤S5、在上述步骤S4得到的三个分量M1、M2和M3中,高频分量M1代表船舶流量的短期变化,低频分量M3表示船舶流量的长期变化趋势。因此需要对分量M1、M2和M3分别使用不同参数优化的独立循环神经网络模型进行预测,流程图如图1所示。
图4为独立循环神经网络(IndRNN,Independent Recurrent Neural Networks)模型结构,时序t表示不同日期的船舶流量数据,每一个时刻需要一个长度为time_step(假设范围为1-10)的船舶数据作为输入,输出同样为time_step(假设范围为2-11)长度的数据,通过大量的数据训练得到优化权重的模型,从而达到预测的目的。
本发明的步骤S5中独立循环神经网络(IndRNN)预测进一步包含以下过程:
步骤S51、将步骤S4中得到新的组合分量M1、M2和M3作为独立循环神经网络的输入,不同的分量需要使用不同参数的IndRNN模型,在以下步骤中输入统一表示为X′t,代替步骤S4中的组合分量M1,M2,M3,即每个组合分量(M1,M2,M3)都是以下方法中的X′t。
步骤S52、所述独立循环神经网络的隐藏层状态表达式为:
ht=σ(WX′t+u⊙ht-1+b) (6)
式中,t为时刻;X′t是t时刻的输入(即分别为上述的分量M1,M2,M3);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;ht-1表示t-1时刻(即前一个时刻)的隐藏层输出,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。
在船舶流量预测中,权重W和u可以通过独立循环神经网络模型训练提取数据的特性信息。而传统的RNN在t时刻每一个神经元接受t-1时刻所有神经元的状态作为输入。即传统的RNN的隐藏层状态表达式为:
ht=σ(WX′t+Uht-1+b) (7)
由公式6和公式7可以看出,在隐藏层权重的连接上,独立循环神经网络进行了简化,能够有效解决梯度消失和梯度***的问题,使神经网络进行90多层叠加,构建深度学习网络,从船舶流量数据中提取更多的特征信息,从而更加有效的提高船舶流量预测精度。
步骤S53、当需要构建多层循环神经网络时,新的隐藏层输出为:
h′t=σ(W′ht+u′⊙h′t-1+b′) (8)
式中,t为时刻;h′t-1表示新的隐藏层在t-1时刻的输出;h′t表示新的隐藏层输出;ht是t时刻的前一层隐藏层输出;W′是新的隐藏层之间的权重;σ是神经元的激活函数;u′是前一个隐藏层和当前隐藏层之间的权重;b′是当前层的偏置值;⊙表示矩阵元素积。
步骤S54、独立循环神经网络的输出为:
Y(t)=Vh′t+c (9)
式中,V为隐藏层和输出层之间的权重系数,h′t为最后一个隐藏层输出,c为阈值。
步骤S55、通过各个不同参数的独立循环神经网络得到预测值分量,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+...+Ym+Yr (10)
其中,Y1、Y2、......Ym和Yr为通过独立循环神经网络的不同船舶流分量的预测值。
综上所述,本发明先将船舶流数据进行预处理,再进行平稳性验证。通过集合经验模态分解为一系列高低频分量,转换为平稳数据序列。其中高频分量代表船舶流量的短期变化,低频分量表示船舶流量的长期变化趋势。这种对船舶流数据的处理能大大提高预测精度,可以克服由于船舶交通流量受人为和自然等多个复杂因素的影响和非平稳和非线性数据给预测带来极大困难的问题。同时,循环神经网络处理时间序列问题时有梯度***和梯度消失问题,使用合适参数的独立循环神经网络对分解的船舶交通流量序列处理,可以在避免此类问题的同时,还能构建多层神经网络,达到很好的预测效果。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种基于改进的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,删除原始船舶流量数据中为零的值,再删除一个最大值和最小值;
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、计算步骤S3中的若干个本征模函数和一个余数与原始船舶流数据的皮尔逊相关系数,并按照相关性程度大小叠加组合为多个新的分量;
S5、对所述多个新的分量分别使用不同参数的独立循环神经网络模型进行预测,得到各独立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。
2.如权利要求1所述的基于改进的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。
3.如权利要求1或2所述的基于改进的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Xn1(t)=X(t)+n(t),n(t)为白噪声;
S32、找出所述原始船舶流量数据Xn(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=Xn1(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Xn1(t)-IMF1;
S33、根据所述步骤S32的新数据Xn1(t)-IMF1,并将新数据Xn1(t)-IMF1作为下一循环的步骤S32中的Xn1(t),循环执行步骤S32,直到将原始数据Xn(t)分解为m个本征模函数和一个单调的余数r(t),则:
Xn1(t)=IMF1+IMF2+...+IMFm+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,IMFim是指第i次加入白噪声并进行分解得到的第m个本征模函数;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;ri(t)是指第i次加入白噪声并进行分解得到的单调的数据r(t);r′(t)是指K次加入白噪声并进行分解后得到的单调的数据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)。
4.如权利要求3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S4中进一步包含:
步骤S41、计算上述分解后的分量IMF′1,IMF′2,...,IMF′m,r′(t)和原始船舶流量数据X(t)的皮尔逊相关系数,如下:
式(5)中,X表示各分量,Y表示原始船舶流量数据,E是数学期望,cov表示协方差;其中,当相关系数为0时,表明X和Y两个变量没有关系;当一个变量随着另一个变量增大或减小而增大或减小,则两个变量之间为正相关,皮尔逊相关系数取值为0到1之间;
步骤S42、根据步骤S41计算出的相关性结果,分别按照多个设定区间重新组合为多个新的分量,每一个分量为一个或多个本征模函数相加的结果。
5.如权利要求4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S42中,所述多个设定区间包含弱相关区间、中等相关区间和强相关区间,对应地得到三个新的分量M1、M2和M3,分别表示船舶流量的短、中、长期的变化趋势;
其中,分量M1等于所有位于弱相关区间中的分解后本征模函数平均值相加之和,分量M2等于所有位于中等相关区间中的分解后本征模函数平均值相加之和,分量M3等于所有位于强相关区间中的分解后本征模函数平均值相加之和。
6.如权利要求5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S42中,所述多个设定区间包含区间(0,0.3],(0.3,0.6],(0.6,1.0]。
7.如权利要求5或6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S5中进一步包含:
步骤S51、将所述步骤S4中重新组合的三个新分量M1、M2和M3作为独立循环神经网络的输入X′t;
步骤S52、所述独立循环神经网络的隐藏层状态表达式为:
式中,t为时刻;X′t是t时刻的输入,即分别为上述的分量M1,M2,M3;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;b是偏置值;表示矩阵元素积;ht-1表示t-1时刻(即前一个时刻)的隐藏层输出,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;
步骤S53、当构建多层循环神经网络时,新的隐藏层输出为:
式中,t为时刻;ht是t时刻的前一层隐藏层输出;h′t-1表示新的隐藏层在t-1时刻的输出;h′t表示新的隐藏层输出;W′是新的隐藏层之间的权重;σ是神经元的激活函数;u′是前一个隐藏层和当前隐藏层之间的权重;b′是当前层的偏置值;表示矩阵元素积;
步骤S54、所述独立循环神经网络的输出为:
Y(t)=Vh′t+c
式中,V为最后一个隐藏层和输出层之间的权重系数,h′t为最后一个隐藏层输出,c为阈值;
步骤S55、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+...+Ym+Yr
其中,Y1、Y2、……Ym和Yr为通过独立循环神经网络的不同船舶流分量的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502153.9A CN110222826A (zh) | 2019-06-11 | 2019-06-11 | 一种基于改进的EEMD-IndRNN船舶流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910502153.9A CN110222826A (zh) | 2019-06-11 | 2019-06-11 | 一种基于改进的EEMD-IndRNN船舶流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222826A true CN110222826A (zh) | 2019-09-10 |
Family
ID=67816559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910502153.9A Withdrawn CN110222826A (zh) | 2019-06-11 | 2019-06-11 | 一种基于改进的EEMD-IndRNN船舶流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222826A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
CN111415008A (zh) * | 2020-03-17 | 2020-07-14 | 上海海事大学 | 一种基于vmd-foa-grnn的船舶流量预测方法 |
CN111897851A (zh) * | 2020-07-01 | 2020-11-06 | 中国建设银行股份有限公司 | 异常数据的确定方法、装置、电子设备及可读存储介质 |
CN112666483A (zh) * | 2020-12-29 | 2021-04-16 | 长沙理工大学 | 一种改进arma的锂电池剩余寿命预测方法 |
CN112684284A (zh) * | 2020-11-30 | 2021-04-20 | 西安理工大学 | 将注意力机制与深度学习融合的电压暂降扰动源定位方法 |
CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN116155623A (zh) * | 2023-04-17 | 2023-05-23 | 湖南大学 | 一种基于电网频率特征嵌入的数字音频加密方法及*** |
-
2019
- 2019-06-11 CN CN201910502153.9A patent/CN110222826A/zh not_active Withdrawn
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008726A (zh) * | 2019-10-28 | 2020-04-14 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
CN111008726B (zh) * | 2019-10-28 | 2023-08-29 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
CN111241466A (zh) * | 2020-01-15 | 2020-06-05 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
CN111241466B (zh) * | 2020-01-15 | 2023-10-03 | 上海海事大学 | 一种基于深度学习的船舶流量预测方法 |
CN111415008B (zh) * | 2020-03-17 | 2023-03-24 | 上海海事大学 | 一种基于vmd-foa-grnn的船舶流量预测方法 |
CN111415008A (zh) * | 2020-03-17 | 2020-07-14 | 上海海事大学 | 一种基于vmd-foa-grnn的船舶流量预测方法 |
CN111897851A (zh) * | 2020-07-01 | 2020-11-06 | 中国建设银行股份有限公司 | 异常数据的确定方法、装置、电子设备及可读存储介质 |
CN112684284A (zh) * | 2020-11-30 | 2021-04-20 | 西安理工大学 | 将注意力机制与深度学习融合的电压暂降扰动源定位方法 |
CN112666483B (zh) * | 2020-12-29 | 2022-06-21 | 长沙理工大学 | 一种改进arma的锂电池剩余寿命预测方法 |
CN112666483A (zh) * | 2020-12-29 | 2021-04-16 | 长沙理工大学 | 一种改进arma的锂电池剩余寿命预测方法 |
CN113487855B (zh) * | 2021-05-25 | 2022-12-20 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN113487855A (zh) * | 2021-05-25 | 2021-10-08 | 浙江工业大学 | 一种基于emd-gan神经网络结构的交通流预测方法 |
CN116155623A (zh) * | 2023-04-17 | 2023-05-23 | 湖南大学 | 一种基于电网频率特征嵌入的数字音频加密方法及*** |
CN116155623B (zh) * | 2023-04-17 | 2023-08-15 | 湖南大学 | 一种基于电网频率特征嵌入的数字音频加密方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222826A (zh) | 一种基于改进的EEMD-IndRNN船舶流量预测方法 | |
CN110163433A (zh) | 一种船舶流量预测方法 | |
Hilborn | The state of the art in stock assessment: where we are and where we are going | |
CN110472627A (zh) | 一种端到端的sar图像识别方法、装置及存储介质 | |
CN113392961B (zh) | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 | |
CN111324990A (zh) | 基于多层长短期记忆神经网络模型的孔隙度预测方法 | |
Jing et al. | AENN: A generative adversarial neural network for weather radar echo extrapolation | |
CN109034034A (zh) | 一种基于强化学习算法优化卷积神经网络的静脉识别方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估***和方法 | |
CN110853656B (zh) | 基于改进神经网络的音频篡改识别方法 | |
CN106919980A (zh) | 一种基于神经节分化的增量式目标识别*** | |
CN109063759A (zh) | 一种应用于图片多属性预测的神经网络结构搜索方法 | |
CN108229750A (zh) | 一种股票收益率预测方法 | |
CN113298186A (zh) | 融合流模型对抗生成网络和聚类算法的网络异常流量检测方法 | |
Gimblett et al. | Autonomous rule generation and assessment for complex spatial modeling | |
CN109460874A (zh) | 一种基于深度学习的有义波高预测方法 | |
Ultsch et al. | Self-organizing feature maps predicting sea levels | |
CN113222234A (zh) | 基于集成模态分解的用气需求预测方法及其*** | |
Braik et al. | Particle swarm optimisation enhancement approach for improving image quality | |
CN111832787B (zh) | 教师风格预测模型的训练方法及计算机存储介质 | |
CN108921701A (zh) | 一种基于edm算法和bp神经网络的股票指数期货价格预测方法 | |
Xie et al. | Data augmentation and deep neural network classification based on ship radiated noise | |
CN115345207A (zh) | 一种自适应的多气象要素预测方法 | |
Li et al. | A short-term wind power forecasting method based on NWP wind speed fluctuation division and clustering | |
CN114722893A (zh) | 模型生成方法、图像标注方法、装置以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190910 |
|
WW01 | Invention patent application withdrawn after publication |