[发明专利]内河船舶交通流预测方法

权利要求书

1.一种内河船舶交通流预测方法，其特征在于，包括以下步骤：

S011：获取原始船舶流量数据，设原始数据序列为：n表示该序列中数据个数；

S012：将原始船舶流量数据按灰色理论建立GM(1，N)预测模型；

S013：将GM(1，N)模型的残差序列E(k)转换形式后作为等维全息BP神经网络的输入数据，交通流实际值为输出数据，建立GM-BP模型，并获得相应的残差序列E′(k)；

S014：状态划分：以y*(k)＝e′(k)作为Markov状态划分的基准线，将残差序列E′(k)划分为n个状态；

S015：确定状态转移概率：其中，Mi是状态为i的残差个数，Mij(m)是状态为i经过m步转移到状态为j的残差个数；

S016：确立状态转移概率矩阵：Markov一步转移概率矩阵为：

则m步转移概率矩阵为P(m)＝[P(1)]^m；

S017：若预测残差最有可能下一时刻从k状态转向t状态，则在一步转移矩阵中，MaxP_kj(1)＝P_kt(1)；若在P(1)中k行出现转移概率相同的情况，则需要第二步或第n步状态转移概率矩阵；

S018：由此可以得出GM-BP-Markov组合预测模型的相关数据。

2.根据权利要求1所述的一种内河船舶交通流预测方法，其特征在于，所述GM(1，N)预测模型的建立方法为：

与相关的特征序列为：

…

通过对的累加弱化数据的波动性，得到新的数据序列其中，

再生成的紧邻均值序列其中，则GM(1，N)模型的基本形式为：

其微分方程为：

其中，a为发展系数，bi为驱动系数，为驱动项，令

β＝(a，b₁，b₂，...，b_N)^T；

由最小二乘估计参数得β＝(β^Tβ)^-1β^TY，GM(1，N)模型的时间相应式可近似为：

累减还原式为：

预测值为：

3.根据权利要求1所述的一种内河船舶交通流预测方法，其特征在于，所述GM(1，N)模型的残差序列E(k)为：

4.根据权利要求1所述的一种内河船舶交通流预测方法，其特征在于，所述等维全息BP神经网络包括输入层、隐含层、输出层；所述输入层、输出层均为一层，所述隐含层为一层或多层。

5.根据权利要求1所述的一种内河船舶交通流预测方法，其特征在于，所述步骤S013中残差序列E(k)转换形式为等维全息BP神经网络的输入数据、交通流实际值为输出数据，具体为：将E(k)＝(e₁，e₂，...，e_n)转换成(e₁，e₂，e₃)，(e₂，e₃，e₄)，…，(e_n-3，e_n-2，e_n)形式的序列作为等维全息BP神经网络的输入数据；(e₄，e₅，…，e_n)为等维全息BP神经网络的输出数据。

6.根据权利要求1所述的一种内河船舶交通流预测方法，其特征在于：

所述的残差序列为：E′(k)＝(e′₄，e′₅，…，e′n)；

所述GM-BP模型对应预测值为：

7.根据权利要求1所述的一种内河船舶交通流预测方法，其特征在于，所述步骤S018中GM-BP-Markov组合预测模型的相关数据为：

GM-BP-Markov模型预测值：

GM-BP-Markov模型残差检验：

残差值：

相对残差：

平均相对残差：

模型精确度：