CN111709578A - 一种短时船舶交通流预测方法、装置及存储介质 - Google Patents

一种短时船舶交通流预测方法、装置及存储介质 Download PDF

Info

Publication number
CN111709578A
CN111709578A CN202010553824.7A CN202010553824A CN111709578A CN 111709578 A CN111709578 A CN 111709578A CN 202010553824 A CN202010553824 A CN 202010553824A CN 111709578 A CN111709578 A CN 111709578A
Authority
CN
China
Prior art keywords
particle
particles
particle swarm
population
short
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.)
Pending
Application number
CN202010553824.7A
Other languages
English (en)
Inventor
秦鹏飞
陈均豪
程云龙
涂波
杨基层
刘轶华
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 CN202010553824.7A priority Critical patent/CN111709578A/zh
Publication of CN111709578A publication Critical patent/CN111709578A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Ocean & Marine Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种短时船舶交通流预测方法，(1)采集船舶交通流数据，对群密度粒子群算法的参数进行初始化；(2)随机产生粒子群中的粒子位置及速度；(3)设置粒子群的适应度函数(4)计算粒子的增长量，正值时随机产生相同数目的粒子加入粒子群；否则计算各个粒子的适应值，删除适应度最小的相应数目的粒子；(5)采用PSO算法进行粒子群位置和速度的更新，并且更新个体最优点和全局最优点；(6)获取最优的SVR参数组合；(7)基于最优的SVR参数组合对短时船舶流量进行预测。因此能够克服传统的粒子群算法在进化后期收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化的缺点，可以有效的提高预测的精度。

Description

一种短时船舶交通流预测方法、装置及存储介质
技术领域
本发明涉及船舶流量预测技术领域，尤其涉及一种短时船舶交通流预测方法、装置及存储介质。
背景技术
近些年来，随着经济的发展和对外贸易的进一步发展，通航水域的船舶数量也在大幅度的增加，所以船舶流量也在逐步增加。但是这也给管理者带来了巨大的挑战。因此，为了提高管理水平和避免航道的堵塞，对船舶流量进行科学、准确的预测是非常的重要，并且有着巨大的现实意义。
目前，在船舶交通流量预测方面用到的方法主要有线性回归分析法、神经网络、自回归积分移动平均模型(ARIMA)、卡尔曼滤波模型等。这些方法对于交通数据的处理能力很强，而且预测的精度也很高，得到了广泛的应用。但是，神经网络虽然可以近似于任何程度的复杂性，而且不需要事先了解问题的解决，但是却需要大量的样本数据，并且会陷入局部最优解，当要研究短时船舶流量，而且泛化能力较差。时间序列预测模型不能反映预测序列的其他相关因素，得到的预测系列容易受到相关因素的影响。卡尔曼滤波模型随着滤波步数的增加，预测精度会出现下降的情况。
在针对小样本的学习方面，支持向量机(SVM)拥有更好的性能。所有的支持向量都是SVM训练的结果，而且最终的决策函数是由支持向量决定的，计算的复杂性与输入变量的维数无关，取决于支持向量的个数。算法可最终转化为凸优化问题,因次可以保证得到的结果是全局最优解。SVR就是支持向量机回归的简写，是支持向量机在回归问题中的拓展，要实现的目标是：让所有样本点逼近超平面，使得样本点与超平面的总偏差达到最小。在一个SVR 模型中，对精度影响最大的三个参数为：损失系数ε、惩罚系数C和核函数中σ2。所以想要建立预测最高的SVR模型，获得最优的参数组合就变得十分关键。
通常，SVR模型的参数选择还是凭着经验来选取，因此，得到的结果往往不是最优解。除此之外，常用的方法还有基于穷举思想的网格搜索法，这种方法的缺点是十分的耗时，因此这两种方法都无法得到最优的参数组合。
使用群智能优化算法可以有效地解决最优化问题，而且也得到了广泛的应用。粒子群算法在SVR模型的寻优方面也得到了广泛的应用，但是传统的粒子群算法存在着固有的缺点：在进化后期收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化。
发明内容
本发明的目的在于克服现有技术之缺陷，提供了一种短时船舶交通流预测方法、装置及存储介质，旨在能够克服传统的粒子群算法在进化后期收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化的缺点，可以有效的提高预测的精度。
本发明是这样实现的：
本发明提供一种短时船舶交通流预测方法，所述方法包括：
(1)采集船舶交通流数据集并进行处理，并且对群密度粒子群算法的参数进行初始化；
(2)随机产生粒子群中的粒子位置及速度；
(3)设置粒子群的适应度函数，以及对个体最优点和全局最优点进行初始化；
(4)计算粒子的增长量，如果为正值，则随机产生相同数目的粒子加入粒子群；如果为负值，计算各个粒子的适应值，并且删除适应度最小的相应数目的粒子；
(5)采用PSO算法进行粒子群位置和速度的更新，并且更新个体最优点和全局最优点，当更新的次数等于预先设置的迭代次数时，停止对粒子群的位置和速度进行更新；
(6)在预先设置的迭代次数时得到目标SVR参数组合即为最优的SVR参数组合；
(7)基于最优的SVR参数组合对短时船舶流量进行预测。
一种实现方式中，所述对群密度粒子群算法的参数进行初始化的步骤，包括：
对产生粒子的种群的个数k，每一个种群中的粒子数目Nk，加速系数ci，随机系数ri，惯性权重w，环境负荷量Qk以及种群的个体增长率m进行初始化。
一种实现方式中，在所述随机产生粒子群中的粒子位置及速度的步骤中，粒子位置的表达为：
Figure BDA0002543513010000031
粒子速度的表达为：
Figure BDA0002543513010000032
其中，其中ranij的取值范围是[0,1]，i表示为一个粒子群中的粒子数目， j代表该粒子群的维度。
一种实现方式中，所述计算适应度的函数具体表达为：
Figure BDA0002543513010000033
其中，R2为适应度函数，yi表示样本的观察值，
Figure BDA0002543513010000034
表示样本的平均值，
Figure BDA0002543513010000035
表示样本的预测值，n表示样本的个数
一种实现方式中，所述计算粒子的增长量所采用的具体公式表达为：
Figure BDA0002543513010000041
其中，k表示种群的总个数，i和j分别表示种群Pi和种群Pj，Qi和Ni分别表示种群i的环境负荷量和种群数目，Nj表示种群j的种群数据， ai，j称为竞争系数，mi表示种群Pi的个体增长率；其中ai，j称为竞争系数，是种群Pj对于种群Pi的竞争作用。
如果
Figure BDA0002543513010000042
则随机的产生
Figure BDA0002543513010000043
个粒子加入到粒子群Ni中；
如果
Figure BDA0002543513010000044
则计算粒子群Ni中的适应度值，并且删除适应度值最小的
Figure BDA0002543513010000045
个粒子。
一种实现方式中，所述采用PSO算法进行粒子群位置和速度的更新，并且更新个体最优点和全局最优点的具体公式表达为：
Figure BDA0002543513010000046
Figure BDA0002543513010000047
Figure 100002_1
Figure BDA0002543513010000049
其中，j表示粒子，i表示粒子的特征维度，
Figure BDA00025435130100000410
表示粒子j的第i个特征维度在t时刻的速度，
Figure BDA00025435130100000411
表示粒子j的第i个特征维度在t时刻的位置，
Figure BDA00025435130100000412
表示粒子j的第i个特征维度在t+1时刻的速度，
Figure BDA00025435130100000413
表示粒子j的第i个特征维度在t+1时刻的位置，c1、c2均表示加速系数，r1、r2 均表示随机系数，w是惯性权重，
Figure BDA00025435130100000414
表示粒子j在t时刻第i个特征的个体最优值的位置，
Figure BDA00025435130100000415
该粒子群在t时刻第i个特征的全局最优值的位置，该粒子群的个数为k。
此外本发明还公开了一种短时船舶交通流预测装置，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，
所述存储器，用于存储短时船舶交通流预测程序；
所述处理器，用于执行所述短时船舶交通流预测程序，以实现任一项所述的短时船舶交通流预测步骤。
以及，公开了一种计算机存储介质，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行任一项所述的短时船舶交通流预测步骤。
应用本发明的短时船舶交通流预测方法，具有以下有益效果：本发明中所述的设置一定的迭代次数，得到最优的SVR参数组合，进行短时船舶流量的预测。具体的内容是：经过固定的迭代次数进行迭代后，输出的全局最优值即为最优的SVR参数值，进行短时的船舶交通流量预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的短时船舶交通流预测方法的一种流程示意图；
图2为本发明实施例提供的短时船舶交通流预测方法一种具体应用示意图。
图3为本发明实施例提供的短时船舶交通流预测方法的另一种具体应用示意图。
图4为本发明实施例提供的短时船舶交通流预测方法的再一种具体应用示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
参见图1和图2，本发明实施例提供本发明的目的是解决粒子群算法在进化后期收敛速度明显变慢,以及算法收敛到一定精度时,算法无法继续优化，从而不能得到最优的SVR参数的缺点。针对上述缺点，提出了一种基于种群密度的粒子群算法优化支持向量机回归，得到最优的参数组合来提高对短时船舶流量的预测精度。
(1)采集船舶交通流数据集并进行处理，并且对群密度粒子群算法的参数进行初始化；
(2)随机产生粒子群中的粒子位置及速度，设置适应度函数，以及对个体最优点和全局最优点进行初始化。
(3)计算粒子的增长量，如果为正值，则随机产生相同数目的粒子加入粒子群；如果为负值，计算各个粒子的适应值，并且删除适应度最小的相应数目的粒子；
(4)采用PSO算法进行粒子群位置和速度的更新，并且更新个体最优点和全局最优点。
(5)采用PSO算法进行粒子群位置和速度的更新，并且更新个体最优点和全局最优点，当更新的次数等于预先设置的迭代次数时，停止对粒子群的位置和速度进行更新；
(6)在预先设置的迭代次数时得到目标SVR参数组合即为最优的SVR参数组合；
(7)基于最优的SVR参数组合对短时船舶流量进行预测。
本发明中所述的对群密度粒子群算法的参数进行初始化，具体的内容为设置以下参数值：产生粒子的种群的个数k，每一个种群中的粒子数目Nk，加速系数ci，随机系数ri，惯性权重w。环境负荷量Qk，种群的个体增长率m。
本发明中所述的随机产生粒子群中的粒子位置及速度，设置适应度函数，以及对个体最优点和全局最优点进行初始化的具体的表达式为：
Figure BDA0002543513010000071
Figure BDA0002543513010000072
其中randij的取值范围是[0,1]，粒子的位置X用一个三维数组来表示，i 表示为一个粒子群中的粒子数目，j代表该粒子群的维度，具体到SVR参数中，粒子群的每一维度分别为SVR中的三个参数，损失系数ε、惩罚系数G 和核函数中的σ2。粒子群的速度V也用一个三维数组来表示。适应度函数为 f(x)，x即为粒子群中粒子的位置。将个体最优值
Figure BDA0002543513010000073
和全局最优值
Figure BDA0002543513010000074
初始化为0。
其中，适应度函数的具体表达为：
Figure BDA0002543513010000081
其中，R2为适应度函数，yi表示样本的观察值，
Figure BDA0002543513010000082
表示样本的平均值，
Figure BDA0002543513010000083
表示样本的预测值，n表示样本的个数。
本发明中所述计算粒子的增长量，如果为正值，则随机产生相同数目的粒子加入粒子群；如果为负值，计算各个粒子的适应值，并且删除适应度最小的相应数目的粒子。具体的表达式为：
Figure BDA0002543513010000084
其中ai，j称为竞争系数，是种群Pj对于种群Pi的竞争作用。
如果
Figure BDA0002543513010000085
则随机的产生
Figure BDA0002543513010000086
个粒子加入到粒子群Ni中；
如果
Figure BDA0002543513010000087
则计算粒子群Ni中的适应度值，并且删除适应度值最小的
Figure BDA0002543513010000088
个粒子。
本发明中所述采用PSO算法进行粒子群位置和速度的更新，并且更新个体最优点和全局最优点具体的表达式：
Figure BDA0002543513010000089
Figure 2
Figure BDA00025435130100000812
其中，j表示粒子，i表示粒子的特征维度，
Figure 3
表示粒子j的第i个特征维度在t时刻的速度，
Figure BDA00025435130100000814
表示粒子j的第i个特征维度在t时刻的位置，
Figure BDA0002543513010000091
表示粒子j的第i个特征维度在t+1时刻的速度，
Figure BDA0002543513010000092
表示粒子j的第i个特征维度在t+1时刻的位置，c1、c2均表示加速系数，r1、r2 均表示随机系数，w是惯性权重，
Figure BDA0002543513010000093
表示粒子j在t时刻第i个特征的个体最优值的位置，
Figure BDA0002543513010000094
该粒子群在t时刻第i个特征的全局最优值的位置，该粒子群的个数为k。
本发明中所述的设置一定的迭代次数，得到最优的SVR参数组合，进行短时船舶流量的预测。具体的内容是：经过固定的迭代次数进行迭代后，输出的全局最优值即为最优的SVR参数值，进行短时的船舶交通流量预测。
以下通过特定的实例说明本发明的实施方式，如图3和图4，本领域技术人员可由本说明书所叙述的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
实例以某段航道断面的交通流量作为实验数据，选取一天24小时的船舶流量作为实验的数据集，选取2018-07-06、2018-07-11、2018-07-16、 2018-07-21、2018-07-23、2018-07-24、2018-07-25、2018-07-26的24×8 个小时的船舶流量共192个数据点作为训练样本，利用历史的船舶流量来预测未来的3天的船舶流量，以2018-07-28到2018-07-30三天的船舶流量作为测试样本。对下一时刻的流量qi(t+1)进行预测，首先要选择前当前时刻qi(t)和之前的同时刻的流量,作为模型的输入，即以 {qi(t)，qi(t-1)，qi(t-2)...qi(t-n)}作为训练集。适应度函数选择的是R2(决定系数)，该值越大，说明模型的拟合优度越大，更能反映数据的变化，越可靠。
实例中的初始参数值如表1和表2所示，基于种群密度的PSO的参数值与PSO的参数值相同。
表1 SVR初始参数值
参数 初始值
惩罚系数C [1,100]
损失系数ε [0.001,0.1]
核函数系数σ<sup>2</sup> [0.0001,0.1]
表2基于种群密度的PSO初始参数值
参数 初始值
粒子群个数K 3
单个粒子群粒子数N<sub>I</sub> 30
增长率r<sub>i</sub> 0.2
惯性权重w 0.8
加速系数c<sub>1</sub>，c<sub>2</sub> 2
环境负荷量Q<sub>i</sub> 40
竞争系数a<sub>i，j</sub> 各粒子群平均适应度比值
最大迭代次数max_iter 50
为了比较3个模型(基于网格搜寻的SVR预测模型、基于PSO的SVR预测模型和基于种群密度的PSO-SVR预测模型)的预测结果，选取的评价指标是MSE(均方误差)和MAE(平均绝对误差)。计算公式分别是：
Figure BDA0002543513010000101
Figure BDA0002543513010000111
其中，yi为真实值，
Figure BDA0002543513010000112
为预测值，n代表测试样本的个数。MSE(均方误差) 和MAE(平均绝对误差)的值越小，说明预测的精度越高。
表3
Figure BDA0002543513010000113
从表2中可以得到，基于种群密度的PSO-SVR预测模型与基于PSO-SVR 预测模型的预测精度虽然相差不大，但是还是有所提高。明显优于基于网格搜寻的SVR模型，证明了基于种群密度的PSO-SVR的短时船舶流量预测方法的可行性与科学性。
此外本发明还公开了一种短时船舶交通流预测装置，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，
所述存储器，用于存储短时船舶交通流预测程序；
所述处理器，用于执行所述短时船舶交通流预测程序，以实现任一项所述的短时船舶交通流预测步骤。
以及，公开了一种计算机存储介质，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行任一项所述的短时船舶交通流预测步骤。
上述实施例仅例示性说明发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (8)

1.一种短时船舶交通流预测方法，其特征在于，所述方法包括：
(1)采集船舶交通流数据集并进行处理，并且对群密度粒子群算法的参数进行初始化；
(2)随机产生粒子群中的粒子位置及速度；
(3)设置粒子群的适应度函数，以及对个体最优点和全局最优点进行初始化；
(4)计算粒子的增长量，如果为正值，则随机产生相同数目的粒子加入粒子群；如果为负值，计算各个粒子的适应值，并且删除适应度最小的相应数目的粒子；
(5)采用PSO算法进行粒子群位置和速度的更新，并且更新个体最优点和全局最优点，当更新的次数等于预先设置的迭代次数时，停止对粒子群的位置和速度进行更新；
(6)在预先设置的迭代次数时得到目标SVR参数组合即为最优的SVR参数组合；
(7)基于最优的SVR参数组合对短时船舶流量进行预测。
2.根据权利要求1所述的方法，其特征在于，所述对群密度粒子群算法的参数进行初始化的步骤，包括：
对产生粒子的种群的个数，每一个种群中的粒子数目，加速系数，随机系数，惯性权重，环境负荷量以及种群的个体增长率进行初始化。
3.根据权利要求1或2所述的方法，其特征在于，在所述随机产生粒子群中的粒子位置及速度的步骤中，粒子位置的表达为：
Figure FDA0002543512000000011
粒子速度的表达为：
Figure FDA0002543512000000012
其中，其中randij的取值范围是[0,1]，i表示为一个粒子群中的粒子数目，j代表该粒子群的维度。
4.根据权利要求3所述的方法，其特征在于，所述计算适应度的函数具体表达为：
Figure FDA0002543512000000021
其中，R2为适应度函数，yi表示样本的观察值，
Figure FDA0002543512000000022
表示样本的平均值，
Figure FDA0002543512000000023
表示样本的预测值，n表示样本的个数。
5.根据权利要求4所述的方法，其特征在于，所述计算粒子的增长量所采用的具体公式表达为：
Figure FDA0002543512000000024
其中，k表示种群的总个数，i和j分别表示种群Pi和种群Pj，Qi和Ni分别表示种群i的环境负荷量和种群数目，Nj表示种群j的种群数据，ai，j称为竞争系数，mi表示种群Pi的个体增长率；
如果
Figure FDA0002543512000000025
则随机的产生
Figure FDA0002543512000000026
个粒子加入到粒子群Ni中；
如果
Figure FDA0002543512000000027
则计算粒子群Ni中的适应度值，并且删除适应度值最小的
Figure FDA0002543512000000028
个粒子。
6.根据权利要求5所述的方法，其特征在于，所述采用PSO算法进行粒子群位置和速度的更新，并且更新个体最优点和全局最优点的具体公式表达为：
Figure FDA0002543512000000029
Figure FDA00025435120000000210
Figure 1
Figure FDA0002543512000000032
其中，j表示粒子，i表示粒子的特征维度，
Figure FDA0002543512000000033
表示粒子j的第i个特征维度在t时刻的速度，
Figure FDA0002543512000000034
表示粒子j的第i个特征维度在t时刻的位置，
Figure FDA0002543512000000035
表示粒子j的第i个特征维度在t+1时刻的速度，
Figure FDA0002543512000000036
表示粒子j的第i个特征维度在t+1时刻的位置，c1、c2均表示加速系数，r1、r2均表示随机系数，w是惯性权重，
Figure FDA0002543512000000037
表示粒子j在t时刻第i个特征的个体最优值的位置，
Figure FDA0002543512000000038
该粒子群在t时刻第i个特征的全局最优值的位置，该粒子群的个数为k。
7.一种短时船舶交通流预测装置，其特征在于，所述装置包括处理器、以及通过通信总线与所述处理器连接的存储器；其中，
所述存储器，用于存储短时船舶交通流预测程序；
所述处理器，用于执行所述短时船舶交通流预测程序，以实现如权利要求1至6中任一项所述的短时船舶交通流预测步骤。
8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以使所述一个或者多个处理器执行如权利要求1至6中任一项所述的短时船舶交通流预测步骤。
CN202010553824.7A 2020-06-17 2020-06-17 一种短时船舶交通流预测方法、装置及存储介质 Pending CN111709578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010553824.7A CN111709578A (zh) 2020-06-17 2020-06-17 一种短时船舶交通流预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010553824.7A CN111709578A (zh) 2020-06-17 2020-06-17 一种短时船舶交通流预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN111709578A true CN111709578A (zh) 2020-09-25

Family

ID=72540872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010553824.7A Pending CN111709578A (zh) 2020-06-17 2020-06-17 一种短时船舶交通流预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111709578A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435056A (zh) * 2021-07-08 2021-09-24 上海交通大学 基于svr与pso的盾构利用率预测与操作参数优化方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435056A (zh) * 2021-07-08 2021-09-24 上海交通大学 基于svr与pso的盾构利用率预测与操作参数优化方法及系统

Similar Documents

Publication Publication Date Title
CN112329934A (zh) 一种基于改进麻雀搜索算法的rbf神经网络优化算法
CN111709524A (zh) 一种基于改进gwo算法的rbf神经网络优化方法
CN107944648B (zh) 一种大型船舶航速油耗率预测方法
CN112232493A (zh) 一种基于改进鲸鱼算法的rbf神经网络优化方法
CN115511177A (zh) 基于ingo-swgmn混合模型的超短期风速预测方法
CN111768028B (zh) 一种基于深度强化学习的gwlf模型参数调节方法
CN113469426A (zh) 基于改进bp神经网络的光伏输出功率预测方法及系统
CN113240068A (zh) 一种基于改进蚁狮算法的rbf神经网络优化方法
CN113361785A (zh) 配电网短期负荷预测方法、装置、终端及存储介质
CN108983180A (zh) 一种群智能高精度的雷达海杂波预报系统
CN112215412B (zh) 溶解氧预测方法及装置
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
Li et al. Wind power prediction based on PSO-Kalman
CN116454863A (zh) 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法
CN114708479A (zh) 一种基于图结构和特征的自适应防御方法
CN111709578A (zh) 一种短时船舶交通流预测方法、装置及存储介质
CN113850438A (zh) 公共建筑能耗预测方法、系统、设备及介质
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN115994481A (zh) 基于多组合的船舶运动姿态预测方法
CN115496133A (zh) 基于自适应在线学习的密度数据流聚类方法
CN115344927A (zh) 基于工程历史数据的高拱坝施工仿真参数动态更新方法
Liu et al. A review of learning algorithm for radius basis function neural network
CN114995106A (zh) 基于改进小波神经网络的pid自整定方法、装置和设备
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法
CN113743018A (zh) 基于eemd-foa-grnn的时间序列预测方法

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