基于小波神經網絡的上海港集裝箱吞吐量預測

朱慶輝 勾翔宇

摘 要：針對港口集裝箱吞吐量預測精度不高的問題，采用小波函數作為隱含層傳遞函數改進BP神經網絡進而建立小波神經網絡，并對2008-2017年上海港的每月集裝箱吞吐量數據按照前三個月預測后一個月的方式構建出訓練數據和預測數據，同時與BP神經網絡在同樣數據情況下的預測精度進行比較分析。結果表明：小波神經網絡的預測誤差明顯小于BP神經網絡，其預測性能更好。

關鍵詞：海港;集裝箱吞吐量;小波神經網絡;BP神經網絡;預測

中圖分類號：U691 ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ?文章編號：1006—7973（2019）06-0025-03

貿易全球化的日益加深促使海上運輸朝著船舶大型化、集裝箱化方向發展。因此，港口集裝箱吞吐量也就成為衡量港口綜合能力的重要指標之一，其合理且精確的預測能夠為港口的進一步發展和規劃提供數據支持。

目前，港口集裝箱吞吐量的預測方法主要集中于指數平滑法[1]、灰色預測法[2]、 ARIMA模型[3]、組合預測[4]以及BP神經網絡方法[5]等方法。這些方法雖然都取得了較為良好的預測效果，但是同樣也存在一定的局限性。其中，指數平滑法由于對于波動較大的數據的適應性較差，使得其難以有效利用歷史數據;在應用灰色預測法時，該方法容易出現快速遞增或衰減，不適合長期的數據預測;ARIMA模型對于預測數據同樣要求穩定性，其本質上只適合于線性預測;組合預測方法的關鍵在于不同預測方法之間權重的確定，準確的權重確定直接關系到預測結果的精度;而BP神經網絡方法在預測時容易陷入局部最小化，其收斂速度也較為緩慢，但是神經網絡方法的非線性擬合能力極強，如果能夠對神經網絡進行有效地優化，就能夠實現更高精度的預測。因此，針對BP神經網絡存在的問題，本文擬采用小波函數替換BP神經網絡的隱含層傳遞函數構建小波神經網絡，進而實現集裝箱吞吐量預測。小波神經網絡能夠避免BP神經網絡在結構設計上的盲目性，其學習能力更強，收斂速度更快，而且由于小波理論的全尺度分析，該網絡能夠實現全局和局部的最優解。

小波神經網絡目前在短時交通流量預測[6]、瓦斯濃度預測[7]、交通事故預測[8]、GPS可降水量預測[9]以及風電功率預測[10]中都取得了良好的預測效果。本文將小波神經網絡首次應用于港口集裝箱吞吐量預測，并利用上海港的數據進行驗證，同時與BP神經網絡的預測結果進行對比分析。最終的實驗結果表明：與BP神經網絡相比，小波神經網絡在港口集裝箱吞吐量預測方面具有更大優勢，其預測誤差更小，精度更高。

1 ?小波神經網絡

小波神經網絡的結構與BP神經網絡基本一致，主要分為三層，分別是輸入層、隱含層和輸出層。二者的區別主要在于隱含層的傳遞函數，小波神經網絡將BP神經網絡中常用的logsig函數或tansig函數替換為小波函數。小波神經網絡的基本結構如圖1所示。

2 ?港口集裝箱吞吐量預測

2.1 ?預測模型的建立

為建立小波神經網絡的訓練與預測數據集，本文收集整理了2008-2017年上海港的每月集裝箱吞吐量數據，并對120個月的時間序列數據按照前三個預測后一個月的方式進行重新構建得到117組數據。以2015年上海港的月度集裝箱吞吐量數據為例，原始的集裝箱吞吐量數據如表1所示，重構的數據樣式如表2所示。其中，前111組數據作為小波神經網絡的訓練數據集，后6組數據即2017年7月至12月的數據作為預測數據。

同時，根據集裝箱吞吐量數據的時間特性以及多次的實驗嘗試，確定小波神經網絡的隱含層節點數為3個。因此，完整的小波神經網絡結構為輸入層3個節點，隱含層3個節點，輸出層1個節點。

2.2 ?預測結果與分析

在完成小波神經網絡的結構等的建立后，本文利用MATLAB軟件對該網絡進行仿真實現。同時，利用上海港的111組集裝箱吞吐量數據進行小波神經網絡的訓練，再將訓練好的神經網絡模型對上海港2017年7月至12月的集裝箱吞吐量進行預測，最后計算得到6組數據的預測誤差。為體現小波神經網絡預測性能，在相同的訓練與預測數據集情況下，本文又利用BP神經網絡進行集裝箱吞吐量的預測并與小波神經網絡進行對比。兩種神經網絡的預測結果以及港口集裝箱吞吐量的實際值如圖2所示，具體的預測值、實際值以及預測誤差百分比如表3所示。

從圖2中可以看出，與BP神經網絡相比，小波神經網絡在進行港口集裝箱吞吐量預測時的預測結果明顯與實際吞吐量值更接近，表明小波神經網絡的預測性能更優。分析表3可知，BP神經網絡和小波神經網絡都能得到良好的港口集裝箱吞吐量預測值。其中，BP神經網絡的預測誤差最大不超過10%，最小可達到5%以內，而小波神經網絡的預測誤差最大不超過8%，最小甚至能夠達到1%以內。而且，相同月份的預測值中，小波神經網絡的預測誤差普遍小于BP神經網絡的預測誤差。綜上，小波神經網絡的預測性能明顯優于BP神經網絡，其預測誤差更小，精度更高。

3 ?結語

為提高港口集裝箱吞吐量預測的精度，本文引入了小波神經網絡并應用于上海港集裝箱吞吐量預測。本文首先將上海港歷年的月度集裝箱吞吐量數據重構并建立神經網絡的訓練與預測數據集，然后利用MATLAB軟件進行仿真實現網絡的訓練及預測，同時與BP神經網絡的預測結果進行對比分析。實驗及分析結果表明：與BP神經網絡相比，小波神經網絡在港口集裝箱吞吐量預測方面性能更強，具有更高的預測精度，能夠為港口的未來規劃發展提供服務。

參考文獻：

[1]陶春柳，陸宗斌.基于三次指數平滑法的蘇州港吞吐量預測[J].中國水運（下半月），2010，10（07）：66-67+97.

[2]楊金花，楊藝.基于灰色模型的上海港集裝箱吞吐量預測[J].上海海事大學學報，2014，35（02）：28-32.

[3]孔琳琳，劉瀾，許文秀，等.基于時間序列分析的港口集裝箱吞吐量預測分析[J].森林工程，2016，32（05）：106-110.

[4]柳艷嬌，肖青.組合模型在港口集裝箱吞吐量預測中的應用[J].大連海事大學學報，2006（03）：26-28.

[5]劉長儉，張慶年.基于時間序列BP神經網絡的集裝箱吞吐量動態預測[J].水運工程，2007（01）：4-7+11.

[6]趙道利，谷偉豪，馮亞平.基于小波神經網絡的短時交通流量預測[J].微型機與應用，2017，36（23）：80-83.

[7]章萬靜，鄭先彬，趙隴，等.基于WNN算法改進的瓦斯短時預測與仿真[J].現代電子技術，2018，41（23）：58-61.

[8]潘慧慧，高鵬，周松林，等.基于小波神經網絡的交通事故的預測[J].洛陽理工學院學報（自然科學版），2018，28（04）：53-57.

[9]謝劭峰，蘇永檸，王新橋，等.基于遺傳小波神經網絡的GPS可降水量預測[J].中國科技論文，2018，13（09）：1041-1044.

[10]楊世秦，孫駟洲.基于遺傳優化的小波神經網絡風電功率預測[J].安徽工程大學學報，2018，33（01）：27-33+46.