[发明专利]内河船舶交通流预测方法

说明书

本发明公开了一种内河船舶交通流预测方法，涉及内河航运管理技术领域。本发明包括利用灰色理论建立GM(1，N)预测模型、建立GM‑BP预测模型、建立GM‑BP‑Markov模型对港口船舶交通流进行预测。本发明根据数据样本较小的特征，利用灰色理论建立GM(1，N)预测模型，在此基础上提出通过等维全息BP神经网络对GM(1，N)预测模型进行改进，建立GM‑BP预测模型，并将预测值与实际值比较，针对该模型对波动性较大的数据预测效果不够准确的特点，建立GM‑BP‑Markov模型对波动性较大的节点预测效果明显改善，该组合预测模型可对具有“少样本、非线性、波动性”特征的数据进行较为准确的预测。

技术领域

本发明属于内河航运管理技术领域，特别是涉及一种内河船舶交通流预测方法。

背景技术

随着经济的快速发展，内河的船舶流量也越来越大，航道拥堵现象日益严重；拥堵现象通常是由船舶数量超过内河航道原有的设计通航能力而产生，较多集中在船闸位置；船舶交通流预测可为内河航运的规划、调度提供依据。

交通流预测领域国内外学者已取得较为丰硕的研究成果。随着预测理论的更新、完善，出现了自回归预测、神经网络预测、支持向量机、卡尔曼滤波、组合预测等多种预测方法。学者们通过对各模型优缺点进行归纳总结，提出了不同的改进优化方法，并通过实例研究论证了各交通流模型的准确性。但是，随着环境条件不断地复杂化，单一预测方法和模型很难获得相对精确的预测结果，所有将不同预测方法相结合建立环境适应性强的组合预测模型成为研究热点。

现提供一种内河船舶交通流预测方法，通过对船舶交通流预测，为内河航运的规划提供更为准确的依据，以改善内河航运能力。

发明内容

本发明的目的在于提供一种内河船舶交通流预测方法，通过利用灰色理论建立GM(1，N)模型；通过引入BP神经网络建立GM-BP预测模型，以此改善对非线性数据的预测效果；为进一步完善GM-BP预测模型对具有波动性数据的预测，建立GM-BP-Markov组合预测模型，通过对船舶交通流预测的研究，为内河航运的提供更为准确的依据，以改善内河航运能力。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为内河船舶交通流预测方法，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。

进一步地，所述GM(1，N)预测模型的建立方法为：