基于ARIMA融合神经网络的船舶交通流量预测研究

基于 ARIMA融合神经网络的船舶交通流量预测研究

王浩楠 刘岩 刘旭

浙江海洋大学 船舶与海运学院 浙江省舟山市 316000

摘要

近年来，水运总量突飞猛进，造就了我国沿海及长江流域等地的各条“黄金水道”，为我国的经济、社会发展做出了重要贡献。但同时，水运量的增加使水上交通事故频发，造成了巨大的损失，这对水道的设计、规划和船舶通航资源管理的优化配置提出了更高的要求。本文基于差分整合移动平均自回归模型进行船舶流量预测的研究，将不同的融合特征神经网络模型进行分析探究船舶交通流量的预测。

关键词：ARIMA神经网络 船舶交通 流量预测

一、ARIMA神经网络基本概念

差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)，又称为移动平均自回归模型，是时间序列预测常用的分析方法之一。

ARIMA模型实质上是自回归移动平均模型(ARMA)的拓展，由自回归模型(AR)与滑动平均模型(MA)组合而成，常用于非平稳时间序列的预测。

自回归模型(Autoregressive Model, AR)

（5）

其中 表示当前值, 为常数项, 为误差项， 表示当前值与前p阶有关。自回归模型是利用自身数据来进行预测的一种模型，它的训练数据集和测试数据集是一样的。该模型只适用于预测与自身历史情况相关的问题。^[1]

二、神经网络的传播流量预测

“21世纪海上丝绸之路”的提出，为中国的航运经济提供了新一轮的发展动力，相应地，沿海港口以及内河航道的船舶交通流量必然会随之快速增长，而船舶流量的增长会加剧现有沿海港口及内河航道的航运负担，导致水上事故。这就需要有关部门制定更合理的航道规划方案，采用更有效的通航管理方法以及保持良好的通航环境。而这一切都有赖于船舶交通流量的准确预测，为有关部门采取应对措施提供准确可靠的数据支持。[1]

图1 神经网络流量预测流程图

船舶流量预测指定性预测和定量预测。[2]船舶流量的预测主要受客观环境和算法模型影响，抛开客观因素，算法将是解决预测精度不高的主要因素。船舶流量的预测具有时变、不确定、非线性特征，神经网络模型具有很强的非线性预测能力和泛化能力。[4]本文在选取ARIMA融合神经网络模型时，引入数据融合机制，其预测原理结构如图1所示。

三、数据融合的船舶算法分析及其结论

图2 流量预测模型分析图

单纯用BP神经网络算法获取的预测值必定存在较大的误差，降低甚至消除这些误差对提高预测精度具有十分重要的意义。通过一种数据融合优化手段，将ARIMA融合神经网络预测获取的初步预测结果进一步优化，数据融合神经网络算法在传统BP神经网络算法的基础上引入数据融合思想，用ARIMA融合神经网络进行100次仿真，将每次预测结果与平均预测结果作差比较，删除一些误差较大的预测结果；然后将剩余的预测结果经过数据加权平均融合获取一条较优的曲线；接着对较优曲线进一步优化，采用数据融合管理机制，以预测结果的残差所占总体误差的大小来设定门限，剔除门限之外的点值，并以线性插补的方法填充剔除点；最后对较优点值进行平滑优化，获得一条高精度的预测曲线。

本文在理论分析及实验结果的基础上以算法的方差大小来判断算法的稳定性，以平均绝对误差(MAE)、平均绝对百分误差(MAPE)、均方根误差(RMSE)、均方根误差比(RMSEP)来衡量两种算法的预测精度的有效性。数据融合BP神经网络算法预测结果的方差明显小于传统的BP神经网络预测算法预测结果的方差，从而说明数据融合BP算法的稳定性更优越。上述数据融合BP预测算法引入了数据融合处理机制，使得算法在预测精度不断提高的同时，有效地提高了算法的抗干扰能力，即使在预测过程中有较大预测误差与测量误差的影响，这些预测值也会在多次估计剔除异常数据的处理下被删除，较好地降低了预测误差对预测精度的影响，使ARIMA融合神经网络具有较好的稳定性，从而增强了系统的鲁棒性。

经过数据融合的ARIMA融合神经网络预测算法，在传统BP神经网络预测算法的基础上引入数据融合优化处理机制，有效提高了船舶交通流量的预测精度，合理改善了算法的稳定性，而且智能地调整了数据融合预测权值系数的比例关系。此外，结合门限偏差值的设定剔除偏差较大轨迹点，并进行线性插补剔除的点，最后将曲线值进行平滑处理，获取最优的预测结果。该算法能够较好地实现船舶交通流量的高精度预测，同时有效提高了算法的稳定性，与传统的BP神经网络预测算法相比，其独特的数据融合算法较好地实现了曲线点值偏移量的数据融合优化匹配管理，有效地提高了预测精度，并具有计算复杂度低、稳定性强、适用范围广等优点。

参考文献

[1]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.

[2]蒋良孝，李超群.基于BP神经网络的函数逼近方法及MATLAB实现[J].微型机与应用，2004，23(1)：52-53.

[3]李晓峰，徐玖平，王荫清，等.BP人工神经网络自适应学习算法的建立及其应用[J].系统工程理论与实践，2004，24(5)：1-8.