CN111415008B - 一种基于vmd-foa-grnn的船舶流量预测方法 - Google Patents

一种基于vmd-foa-grnn的船舶流量预测方法 Download PDF

Info

Publication number
CN111415008B
CN111415008B CN202010187526.0A CN202010187526A CN111415008B CN 111415008 B CN111415008 B CN 111415008B CN 202010187526 A CN202010187526 A CN 202010187526A CN 111415008 B CN111415008 B CN 111415008B
Authority
CN
China
Prior art keywords
flow data
ship flow
grnn
ship
vmd
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.)
Active
Application number
CN202010187526.0A
Other languages
English (en)
Other versions
CN111415008A (zh
Inventor
汪夏萌
黄洪琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202010187526.0A priority Critical patent/CN111415008B/zh
Publication of CN111415008A publication Critical patent/CN111415008A/zh
Application granted granted Critical
Publication of CN111415008B publication Critical patent/CN111415008B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Neurology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于VMD‑FOA‑GRNN的船舶流量预测方法，包括以下步骤：步骤1：对船舶流量数据进行预处理；步骤2：将预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；步骤3：对未突变的船舶流量数据进行VMD，产生一系列具有不同频率尺度的IMF，即获得分解后的船舶流量数据；步骤4：基于FOA构建GRNN，对分解后的船舶流量数据进行预测，获得预测值；步骤5：基于味道浓度判定函数，将预测值与真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。此发明解决了现有预测方法的预测精度不高、不具有普遍适用性的问题，基于变分模态分解、果蝇优化的广义回归神经网络，提高了船舶流量的预测精度，解决了复杂非线性时间的时间序列预测普遍适用性的问题，提升了稳定性。

Description

一种基于VMD-FOA-GRNN的船舶流量预测方法
技术领域
本发明涉及时间序列技术领域，具体涉及一种基于变分模态分解-果蝇优化算法-广义回归神经网络(Variational Mode Decomposition-Fruit Fly OptimizationAlgorithm-General Regression Neural Network,VMD-FOA-GRNN)的船舶流量预测方法。
背景技术
船舶交通流量预测的研究目的和意义在于拓宽了水运交通管理领域的理论，为水运交通管理部门为提供技术理论支持。
在前期的交通流量预测的研究中，一种是根据分析船舶交通流量数据的影响因素来整理分类带入方法，但此种方法的局限性在于船舶交通流量是一个复杂的非线性系统，其影响因素宏观上包括水域所在的自然环境、航运市场状况、世界经济和国家政策等，微观上包括港口规划、航道水深及尺度、分道通航制、交通管理的实施、船舶类型及吨位等，其中很多因素难以量化处理，更何况人为主观的因素的选取可能会对预测的精度造成影响。
目前，常用的预测船舶交通流量的方法主要有灰色模型、回归分析、神经网络、支持向量机等等。就船舶交通流量预测这一领域而言，无论国内外，前期大都采用某种较单一的预测时间序列的方法，随着研究的深入，还有实际生活中对精度、稳定性、普遍适用性等要求的不断提高，渐渐发展为与其他算法结合或者进行组合预测。
发明内容
本发明的目的是提供一种基于VMD-FOA-GRNN的船舶流量预测方法。此方法旨在解决现有预测方法的预测精度不高、不具有普遍适用性的问题，基于变分模态分解、果蝇优化的广义回归神经网络，提高船舶流量的预测精度，解决复杂非线性时间的时间序列预测普遍适用性的问题，提升稳定性。
为达到上述目的，本发明提供了一种基于VMD-FOA-GRNN的船舶流量预测方法，包括以下步骤：
步骤1：对船舶流量数据进行预处理，获得预处理后的船舶流量数据；
步骤2：将预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；
步骤3：对未突变的船舶流量数据进行变分模态分解，获得分解后的船舶流量数据；
步骤4：基于果蝇优化算法，构建广义回归神经网络，对分解后的船舶流量数据进行预测，获得船舶流量数据的预测值；
步骤5：基于味道浓度判定函数，将预测值与船舶流量数据的真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。
最优选的，突变检验包括以下步骤：
步骤2.1：将预处理后的船舶流量数据进行M-K(Manner-Kendall)突变检验，获得M-K突变检验的UF曲线图和UB曲线图；
步骤2.2：判定UF曲线和UB曲线在设定阈值的范围内是否存在第一交点；若不存在第一交点，则预处理后的船舶流量数据为未突变的船舶流量数据；
步骤2.3：若存在第一交点，则对M-K突变检验的UF曲线和UB曲线进行滑动t检验，判定UF曲线和UB曲线在滑动t检验中是否存在第二交点；
步骤2.4：若存在第一交点且不存在第二交点，则预处理后的船舶流量数据为未突变的船舶流量数据；若存在第一交点且存在第二交点，则预处理后的船舶流量数据为突变的船舶流量数据。
最优选的，变分模态分解VMD包括以下步骤：
步骤3.1：将未突变的船舶流量数据X(t)分解为一系列有限k个带宽模态函数{uk}(t),k＝1,2,3...K，且满足：
Figure BDA0002414720600000021
其中，t为时间；
步骤3.2：基于Hibert变换计算，对每个模态函数{uk}(t)进行解析计算，获得每个模态函数的解析信号；
步骤3.3：根据每个模态函数{uk}(t)的解析信号，对每个模态函数{uk}(t)进行优化分解，获得优化分解后的模态函数；
步骤3.4：在所述优化分解后的模态函数中引入惩罚因子和拉格朗日乘数λ(t)，获得非约束性优化模态函数L({uk},{wk},λ)；
步骤3.5：对非约束性优化模态函数L({uk},{wk},λ)，采用傅里叶变换进行交替更新，获得k个本征模函数
Figure BDA0002414720600000031
即为分解后的船舶流量数据。
最优选的，优化分解满足：
Figure BDA0002414720600000032
其中，wk为所述每个模态函数的模式中心；δ(t)为冲击函数；i和j为虚数单位。
最优选的，非约束性优化模态函数L({uk},{wk},λ)满足：
Figure BDA0002414720600000033
其中，a为平衡参数；f(t)为被分解的信号。
最优选的，k个本征模函数
Figure BDA0002414720600000034
满足：
Figure BDA0002414720600000035
其中，w为随机频率；
Figure BDA0002414720600000036
为f(t)的傅里叶变换。/>
最优选的，预测包括以下步骤：
步骤4.1：对k个本征模函数
Figure BDA0002414720600000037
进行滚动分组，获得分组后的k组本征模函数IMF；
步骤4.2：基于果蝇优化算法，获得分组后的每组的本征模函数的最佳光滑因子Ω；
步骤4.3：根据每组的最佳光滑因子Ω，分别构建k组广义回归神经网络；
步骤4.4：将分组后的k组本征模函数IMF，分别在k组GRNN中进行预测计算，分别获得k组本征模函数的预测值
Figure BDA0002414720600000038
步骤4.5：将k组的本征模函数的预测值
Figure BDA0002414720600000039
进行叠加，获得船舶流量数据的预测值R，且满足：
Figure BDA00024147206000000310
最优选的，预测计算还包括以下步骤：
步骤4.4.1：将分组后的每组的本征模函数输入每组GRNN输入层，进行输入层计算，获得分组后的每组的本征模函数中第i个训练样本xi的因变量qi；第i个训练样本的因变量qi满足：
Figure BDA0002414720600000041
Figure BDA0002414720600000042
d(y,yi)＝[y-yi]2
其中，n为分组后的每组的本征模函数中的训练样本的容量；xi为分组后的每组的本征模函数中的第i个训练样本；yi为训练样本对应的期望输出；σ为高斯函数的宽度系数；p为训练样本x的维数；
步骤4.4.2：神经元个数与训练样本列的个数i相等，将第i个训练样本的因变量qi输入每组GRNN的模式层，计算出分组后的每组的本征模函数中第i个神经元的输出Pi，且满足：
Figure BDA0002414720600000043
步骤4.4.3：将第i个神经元的输出Pi输入每组GRNN的加和层进行计算，获得分组后的每组的本征模函数中分母神经元SD和分子神经元SN，且分别满足：
Figure BDA0002414720600000044
Figure BDA0002414720600000045
步骤4.4.4：将分母神经元SD和分子神经元SN输入每组GRNN的输出层，获得每组本征模函数的预测值
Figure BDA0002414720600000046
且满足：
Figure BDA0002414720600000047
最优选的，平均绝对百分比为MAPE，且满足：
Figure BDA0002414720600000048
其中，rt为船舶流量数据的真实值；Rt为船舶流量数据的预测值。
最优选的，预处理是通过对船舶流量数据采用统计方法，进行补全和替换处理。
运用此发明，解决了现有预测方法的预测精度不高、不具有普遍适用性的问题，基于变分模态分解、果蝇优化的广义回归神经网络，提高了船舶流量的预测精度，解决了复杂非线性时间的时间序列预测普遍适用性的问题，提升了稳定性。
相对于现有技术，本发明具有以下有益效果：
1、本发明对船舶流量数据进行滚动分组处理，利用数据本身来反映流量自身规律，从而无需考虑其他各种影响因素，有效避免了多因素的选取。
2、本发明采用非递归、变分模态分解处理原信号，相对于经验模态分解EMD及集合经验模态分解EEMD采用递归方法求解模式，变分模态而对测量噪声具有更好的鲁棒性。设置合适参数下，VMD分解的模态函数个数也小于EEMD，从而降低建模复杂度。
3、本发明采用广义回归神经网络GRNN，仅设置一个平滑参数，避免了一般神经网络需反复训练网络参数的不足，更合适的找到平滑参数值。
4、本发明采用原理简单、适用范围广、收敛速度较快的FOA寻找GRNN网络的最佳光滑因子，从而快速高效的构建神经网络模型；这种分解重构的方法适用性强，且能大幅度降低直接预测非平稳序列的误差，稳定性好，且达到很好的预测效果。
附图说明
图1为本发明提供的基于VMD-FOA-GRNN船舶流量预测方法流程图；
图2为本发明提供的GRNN中预测计算结构示意图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。
本发明提供了一种基于VMD-FOA-GRNN的船舶流量预测方法，如图1所示，包括以下步骤：
步骤1：对船舶流量数据进行预处理，获得预处理后的船舶流量数据；其中，船舶流量数据由于各种因素的影响，存在丢失或者异常等情况，预处理是通过对船舶流量数据采用统计方法，进行补全和替换处理。
在本实施例中，统计方法为均值、加权均值或中位数的方法。
步骤2：将预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；其中，突变检验包括以下步骤：
步骤2.1：将预处理后的船舶流量数据进行M-K(Manner-Kendall)突变检验，获得M-K突变检验的UF曲线图和UB曲线图；
步骤2.2：判定UF曲线和UB曲线在设定阈值的范围内是否存在第一交点；若不存在第一交点，则预处理后的船舶流量数据为未突变的船舶流量数据；
步骤2.3：若存在第一交点，则对M-K突变检验的UF曲线和UB曲线进行滑动t检验，判定UF曲线和UB曲线在滑动t检验中是否存在第二交点；
步骤2.4：若存在第一交点且不存在第二交点，则预处理后的船舶流量数据为未突变的船舶流量数据；若存在第一交点且存在第二交点，则预处理后的船舶流量数据为突变的船舶流量数据。
其中，在本实施例中，设定阈值为0.05；第一交点有多个，第二交点为突变点。
步骤3：对未突变的船舶流量数据进行变分模态分解VMD，获得分解后的船舶流量数据。
VMD模型依据未突变的船舶流量数据中序列数据的特点逐级进行线性化和平稳化处理，在处理非线性、非平稳数据上有很大的优势。
其中，变分模态分解VMD包括以下步骤：
步骤3.1：将未突变的船舶流量数据X(t)分解为一系列有限k个带宽模态函数{uk}(t),k＝1,2,3...K，且满足：
Figure BDA0002414720600000061
其中，t为时间；
步骤3.2：基于希尔伯特(Hibert)变换计算，对每个模态函数{uk}(t)进行解析计算，获得每个模态函数的解析信号；
步骤3.3：根据每个模态函数{uk}(t)的解析信号，对每个模态函数{uk}(t)进行优化分解，获得优化分解后的模态函数；
其中，优化分解满足：
Figure BDA0002414720600000071
其中，wk为每个模态函数{uk}(t)的模式中心；δ(t)为冲击函数；i和j为虚数单位。
步骤3.4：在优化分解后的模态函数中引入惩罚因子和保证约束条件严格性的拉格朗日乘数λ(t)，获得非约束性优化模态函数L({uk},{wk},λ)；
其中，非约束性优化模态函数L({uk},{wk},λ)满足：
Figure BDA0002414720600000072
其中，a为平衡参数，确保解析信号重构的精度要求；f(t)为被分解的信号。
步骤3.5：对非约束性优化模态函数L({uk},{wk},λ)，采用傅里叶变换得到频域，进行un+1 k、wn+1 k和λn+1交替更新非约束性优化模态函数L({uk},{wk},λ)的鞍点，获得k个本征模函数
Figure BDA0002414720600000073
即为分解后的船舶流量数据。
其中，k个本征模函数
Figure BDA0002414720600000074
满足：
Figure BDA0002414720600000075
其中，w为随机频率；
Figure BDA0002414720600000076
为f(t)的傅里叶变换。
步骤4：基于果蝇优化算法FOA，构建广义回归神经网络GRNN，对分解后的船舶流量数据进行预测，获得船舶流量数据的预测值R；其中，预测包括以下步骤：
步骤4.1：对k个本征模函数
Figure BDA0002414720600000077
进行滚动分组，获得分组后的k组本征模函数；
步骤4.2：基于果蝇优化算法FOA，获得分组后的每组的本征模函数的最佳光滑因子Ω；
步骤4.3：根据每组的最佳光滑因子Ω，分别构建k组广义回归神经网络GRNN；
步骤4.4：将分组后的k组本征模函数IMF，分别在k组广义回归神经网络GRNN中进行预测计算，分别获得k组本征模函数的预测值
Figure BDA0002414720600000085
其中，如图2所示，预测计算还包括以下步骤：
步骤4.4.1：将分组后的每组的本征模函数输入每组广义回归神经网络GRNN输入层，进行输入层计算，获得分组后的每组的本征模函数中第i个训练样本xi的因变量qi；根据Parzen窗(又称核密度估计，是概率论中用来估计未知概率密度函数的非参数方法之一)，第i个训练样本的因变量qi满足：
Figure BDA0002414720600000081
Figure BDA0002414720600000082
d(y,yi)＝[y-yi]2
其中，n为分组后的每组的本征模函数中的训练样本的容量；xi为分组后的每组的本征模函数中的第i个训练样本；yi为训练样本对应的期望输出；σ为高斯函数的宽度系数；p为训练样本x的维数；
步骤4.4.2：神经元个数与训练样本列的个数i相等，即一个神经元对应一个相应的训练样本i，将第i个训练样本的因变量qi输入每组广义回归神经网络GRNN的模式层，计算出分组后的每组的本征模函数中第i个神经元的输出Pi，且满足：
Figure BDA0002414720600000083
步骤4.4.3：将第i个神经元的输出Pi输入每组广义回归神经网络GRNN的加和层进行计算，获得分组后的每组的本征模函数中分母神经元SD和分子神经元SN，且分别满足：
Figure BDA0002414720600000084
Figure BDA0002414720600000091
步骤4.4.4：将分母神经元SD和分子神经元SN输入每组广义回归神经网络GRNN的输出层，获得每组本征模函数的预测值
Figure BDA0002414720600000092
且满足：
Figure BDA0002414720600000093
步骤4.5：将k组的本征模函数的预测值
Figure BDA0002414720600000094
进行叠加，获得船舶流量数据的预测值R，且满足：
Figure BDA0002414720600000095
步骤5：基于味道浓度判定函数，将船舶流量数据的预测值R与船舶流量数据的真实值rt进行误差分析，获得平均绝对百分比MAPE，完成船舶流量数据的预测。
其中，平均绝对百分比为MAPE，且满足：
Figure BDA0002414720600000096
其中，rt为船舶流量数据的真实值；Rt为船舶流量数据的预测值。
本发明的工作原理：
对船舶流量数据进行预处理，获得预处理后的船舶流量数据；将预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；对未突变的船舶流量数据进行变分模态分解，获得分解后的船舶流量数据；基于果蝇优化算法，构建广义回归神经网络，对分解后的船舶流量数据进行预测，获得船舶流量数据的预测值；基于味道浓度判定函数，将预测值与船舶流量数据的真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。
综上所述，本发明一种基于VMD-FOA-GRNN的船舶流量预测方法，解决了现有预测方法的预测精度不高、不具有普遍适用性的问题，基于变分模态分解、果蝇优化的广义回归神经网络，提高了船舶流量的预测精度，解决了复杂非线性时间的时间序列预测普遍适用性的问题，提升了稳定性。
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 (10)

1.一种基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，包括以下步骤：
步骤1：对船舶流量数据进行预处理，获得预处理后的船舶流量数据；
步骤2：将所述预处理后的船舶流量数据进行突变检验，选取出未突变的船舶流量数据；
步骤3：对所述未突变的船舶流量数据进行变分模态分解，获得分解后的船舶流量数据；
步骤4：基于果蝇优化算法，构建广义回归神经网络，对所述分解后的船舶流量数据进行预测，获得船舶流量数据的预测值；
步骤5：基于味道浓度判定函数，将所述预测值与船舶流量数据的真实值进行误差分析，获得平均绝对百分比，完成船舶流量数据的预测。
2.如权利要求1所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述突变检验包括以下步骤：
步骤2.1：将所述预处理后的船舶流量数据进行M-K(Manner-Kendall)突变检验，获得M-K突变检验的UF曲线图和UB曲线图；
步骤2.2：判定所述UF曲线和UB曲线在设定阈值的范围内是否存在第一交点；若不存在第一交点，则所述预处理后的船舶流量数据为未突变的船舶流量数据；
步骤2.3：若存在第一交点，则对所述M-K突变检验的UF曲线和UB曲线进行滑动t检验，判定所述UF曲线和UB曲线在所述滑动t检验中是否存在第二交点；
步骤2.4：若存在第一交点且不存在第二交点，则所述预处理后的船舶流量数据为未突变的船舶流量数据；若存在第一交点且存在第二交点，则所述预处理后的船舶流量数据为突变的船舶流量数据。
3.如权利要求1所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述变分模态分解VMD包括以下步骤：
步骤3.1：将所述未突变的船舶流量数据X(t)分解为一系列有限k个带宽模态函数{uk}(t),k＝1,2,3...K，且满足：
Figure FDA0002414720590000021
其中，t为时间；
步骤3.2：基于Hibert变换计算，对每个模态函数{uk}(t)进行解析计算，获得所述每个模态函数的解析信号；
步骤3.3：根据所述每个模态函数{uk}(t)的解析信号，对所述每个模态函数{uk}(t)进行优化分解，获得优化分解后的模态函数；
步骤3.4：在所述优化分解后的模态函数中引入惩罚因子和拉格朗日乘数λ(t)，获得非约束性优化模态函数L({uk},{wk},λ)；
步骤3.5：对所述非约束性优化模态函数L({uk},{wk},λ)，采用傅里叶变换进行交替更新，获得k个本征模函数
Figure FDA0002414720590000022
即为分解后的船舶流量数据。
4.如权利要求3所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述优化分解满足：
Figure FDA0002414720590000023
其中，wk为所述每个模态函数的模式中心；δ(t)为冲击函数；i和j为虚数单位。
5.如权利要求3所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述非约束性优化模态函数L({uk},{wk},λ)满足：
Figure FDA0002414720590000024
其中，a为平衡参数；f(t)为被分解的信号。
6.如权利要求3所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述k个本征模函数
Figure FDA0002414720590000025
满足：
Figure FDA0002414720590000026
其中，w为随机频率；
Figure FDA0002414720590000027
为f(t)的傅里叶变换。
7.如权利要求1所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述预测包括以下步骤：
步骤4.1：对所述k个本征模函数
Figure FDA0002414720590000031
进行滚动分组，获得分组后的k组本征模函数IMF；
步骤4.2：基于果蝇优化算法，获得分组后的每组的本征模函数的最佳光滑因子Ω；
步骤4.3：根据每组的所述最佳光滑因子Ω，分别构建k组广义回归神经网络；
步骤4.4：将所述分组后的k组本征模函数IMF，分别在k组GRNN中进行预测计算，分别获得k组本征模函数的预测值
Figure FDA0002414720590000032
步骤4.5：将k组的本征模函数的预测值
Figure FDA0002414720590000033
进行叠加，获得所述船舶流量数据的预测值R，且满足：
Figure FDA0002414720590000034
8.如权利要求7所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述预测计算还包括以下步骤：
步骤4.4.1：将所述分组后的每组的本征模函数IMF输入每组GRNN输入层，进行输入层计算，获得所述分组后的每组的本征模函数中第i个训练样本xi的因变量qi；所述第i个训练样本的因变量qi满足：
Figure FDA0002414720590000035
Figure FDA0002414720590000036
其中，n为所述分组后的每组的本征模函数中的训练样本的容量；xi为所述分组后的每组的本征模函数中的第i个训练样本；yi为训练样本对应的期望输出；σ为高斯函数的宽度系数；p为训练样本x的维数；
步骤4.4.2：神经元个数与训练样本列的个数i相等，将所述第i个训练样本的因变量qi输入每组GRNN的模式层，计算出所述分组后的每组的本征模函数中第i个神经元的输出Pi，且满足：
Figure FDA0002414720590000041
步骤4.4.3：将所述第i个神经元的输出Pi输入每组GRNN的加和层进行计算，获得所述分组后的每组的本征模函数中分母神经元SD和分子神经元SN，且分别满足：
Figure FDA0002414720590000042
Figure FDA0002414720590000043
步骤4.4.4：将所述分母神经元SD和分子神经元SN输入每组GRNN的输出层，获得每组本征模函数的预测值
Figure FDA0002414720590000044
且满足：
Figure FDA0002414720590000045
9.如权利要求1所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述平均绝对百分比为MAPE，且满足：
Figure FDA0002414720590000046
其中，rt为船舶流量数据的真实值；Rt为船舶流量数据的预测值。
10.如权利要求1所述的基于VMD-FOA-GRNN的船舶流量预测方法，其特征在于，所述预处理是通过对所述船舶流量数据采用统计方法，进行补全和替换处理。
CN202010187526.0A 2020-03-17 2020-03-17 一种基于vmd-foa-grnn的船舶流量预测方法 Active CN111415008B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010187526.0A CN111415008B (zh) 2020-03-17 2020-03-17 一种基于vmd-foa-grnn的船舶流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010187526.0A CN111415008B (zh) 2020-03-17 2020-03-17 一种基于vmd-foa-grnn的船舶流量预测方法

Publications (2)

Publication Number Publication Date
CN111415008A CN111415008A (zh) 2020-07-14
CN111415008B true CN111415008B (zh) 2023-03-24

Family

ID=71491296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010187526.0A Active CN111415008B (zh) 2020-03-17 2020-03-17 一种基于vmd-foa-grnn的船舶流量预测方法

Country Status (1)

Country Link
CN (1) CN111415008B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966804A (zh) * 2021-02-03 2021-06-15 西安建筑科技大学 基于平衡算法优化grnn神经网络预测泡沫铜吸声系数的方法及系统
CN113159405B (zh) * 2021-04-14 2022-03-29 西南交通大学 一种基于改进缎蓝园丁鸟算法优化lssvr的风电功率预测方法
CN113112075B (zh) * 2021-04-14 2022-04-05 哈尔滨工程大学 一种基于vmd和narx的内燃机噪声预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104578178A (zh) * 2014-12-30 2015-04-29 北京赛思亿电气科技有限公司 轴带发电系统与柴油发电机并联发电功率调节方法
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN110163433A (zh) * 2019-05-21 2019-08-23 上海海事大学 一种船舶流量预测方法
CN110222826A (zh) * 2019-06-11 2019-09-10 上海海事大学 一种基于改进的EEMD-IndRNN船舶流量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN104578178A (zh) * 2014-12-30 2015-04-29 北京赛思亿电气科技有限公司 轴带发电系统与柴油发电机并联发电功率调节方法
CN110163433A (zh) * 2019-05-21 2019-08-23 上海海事大学 一种船舶流量预测方法
CN110222826A (zh) * 2019-06-11 2019-09-10 上海海事大学 一种基于改进的EEMD-IndRNN船舶流量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于FOA优化GRNN的船舶交通流预测模型;钮浩东等;《微型机与应用》;20160706(第12期);全文 *
船舶光柴储交流微电网系统小信号的稳定性研究;王国玲等;《船舶工程》;20180225(第02期);全文 *

Also Published As

Publication number Publication date
CN111415008A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111415008B (zh) 一种基于vmd-foa-grnn的船舶流量预测方法
CN112036084B (zh) 一种相似产品寿命迁移筛选方法和系统
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
Huang et al. Effect of multi-scale decomposition on performance of neural networks in short-term traffic flow prediction
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
CN108491931B (zh) 一种基于机器学习提高无损检测精度的方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN113780420B (zh) 基于gru-gcn的变压器油中溶解气体浓度预测方法
CN113822499B (zh) 一种基于模型融合的列车备件损耗预测方法
CN114565124A (zh) 一种基于改进图卷积神经网络的船舶交通流预测方法
CN110555570A (zh) 矿井受限空间灾害气体浓度智能预测方法及装置
Ma Tourism demand forecasting based on grey model and BP neural network
CN113361690A (zh) 水质预测模型训练、水质预测方法、装置、设备及介质
CN116008404A (zh) 基于激光超声的供热管道损伤识别与风险评估方法及系统
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115221793A (zh) 一种隧道围岩变形预测方法及装置
CN115422687A (zh) 一种滚动轴承的寿命预测方法
CN111967308A (zh) 一种在线路面不平度辨识方法及系统
CN117077870B (zh) 一种基于人工智能的水资源数字化管理方法
CN117370766A (zh) 一种基于深度学习的卫星任务规划方案评估方法
CN109632942B (zh) 一种基于集成学习的管道缺陷尺寸的反演方法
Bidyuk et al. An Approach to Identifying and Filling Data Gaps in Machine Learning Procedures
CN117216844A (zh) 一种桥梁结构损伤检测方法、系统和存储介质
CN112215421A (zh) 一种基于生成对抗网络的深度学习水质指标预测方法
CN111062118B (zh) 一种基于神经网络预测分层的多层软测量建模系统及方法

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
GR01 Patent grant
GR01 Patent grant