港口疏运量预测方法及系统的制作方法
【技术领域】
[0001] 本发明涉及疏运量预测领域，更具体涉及一种港口疏运量预测方法及系统。
【背景技术】
[0002] 散杂货（包括散货和件杂货）作为国家重要的经济物资，在航运市场中占有十 分重要的地位，目前我国水运仍以散杂货为主。据2011年公路水路交通运输行业发展统 计公报显示：全国港口各形态货物吞吐量构成中，干散货占比为58. 3 %，液体散货占比为 9. 1%，件杂货占比为10. 1%，集装箱占比为17. 7%。与集装箱港口相比，散杂货港口具有 更加复杂的装卸工艺和更加广泛的作业货类，集装箱港口的专业化程度较高，货物的装卸 流程和方法都按照标准的规范进行，但是散杂货港口由于货物间形态差异较大，需要针对 不同货物选择不同的生产资源进行匹配。除了装卸工艺和作业货类的差异之外，散杂货在 堆存方式上也与集装箱有天壤之别。
[0003] 各类货物疏运量预测值是散杂货港口生产调度问题的重要依据和先决条件，将近 期疏运量较高的货物放置在码头前沿、月台等周转率要求高的堆场，可以有效提高港口优 势资源的利用率，降低转栈造成的损失，进而提高港口整体作业效率。不仅如此，在港口建 设规划（如泊位设计、机械设备配置等）之前，做准确的货物疏运量预测也是非常必要的。
[0004] 研究层面，国内学者中，大连海事大学张帅于2013年对锦州港吞吐量进行了预 测，得出了石油、煤炭、钢铁和粮食等主要散杂货类的年吞吐量数值，这种预测方法比较粗 略，对具体的生产实践无指导意义，不能作为港口生产调度的依据。北京交通大学宋昕基 于多项改进的BP神经网络对散杂货港口煤炭月疏运量进行预测，得到了有意义的结论，但 是，基于神经网络的预测方法普遍存在网络训练成本高、运算量大、无法保证收敛和泛化能 力差等缺陷。
【发明内容】
[0005] (一）要解决的技术问题
[0006] 本发明要解决的技术问题是如何以简单有效低成本的方式对港口各类货物的疏 运量进行精确的预测。
[0007](二）技术方案
[0008] 为了解决上述技术问题，本发明提供了一种港口疏运量预测方法，所述方法包括 以下步骤：
[0009] S1、获取港口特定货物的月疏运量以及所有与所述特定货物的月疏运量相关的相 关因素的数据；
[0010] S2、分析所有所述相关因素与所述月疏运量的相关性，并按照相关性从强到弱选 取对应的前N-1个所述相关因素；其中N-1为大于或等于1的整数；
[0011] S3、对所述月疏运量形成的序列进行累加，形成第一一阶累加生成序列，对所述步 骤S2选取得到的所述相关因素的数据形成的序列进行累加，形成若干个第二一阶累加生 成序列；
[0012] S4、选用支持向量机为预测主模型，选用径向基核函数作为支持向量机的核函数 径向基核函数；
[0013] S5、利用不确定知识粒子群优化算法对所述预测主模型的参数和所述径向基核函 数的参数进行优化；
[0014] S6、利用所述步骤S5得到的最优参数，以及所述第一一阶累加生成序列和所述若 干个第二一阶累加生成序列，对支持向量机进行训练，得到预测主模型；径向基核函数
[0015] S7、利用所述步骤S6得到的预测主模型对所述第一一阶累加生成序列进行预测， 得到货物月疏运量的预测结果；
[0016] S8、对所述步骤S7得到的预测结果进行累减计算得到校正后的预测结果。
[0017] 优选地，所述方法还包括以下步骤：
[0018] S9、根据所述步骤S8得到的校正后的预测结果与实际的月疏运量进行误差计算， 确定预测误差。
[0019] 优选地，所述步骤S1之后、S2之前所述方法还包括对所述月疏运量和所述相关因 素的数据进行预处理的步骤，其中所述预处理的步骤包括利用插值法填补缺失的所述月疏 运量和/或所述相关因素的数据。
[0020] 优选地，所述月疏运量形成的序列以及所述相关因素的数据形成的序列均按照采 样时间的先后形成。
[0021] 优选地，所述步骤S2中采用灰色关联分析方法分析所有所述相关因素与所述月 疏运量的相关性，具体包括以下步骤：
[0022] S21、确定第i个所述相关因素在采样点k对所述月疏运量的关联系数：
[0024] 式中，，㈨属于所述月疏运量序列，代表在采样点k的月疏运量，g气属于第 i个所述相关因素的数据序列，代表在采样点k的第i个所述相关因素的数据；P为分辨系 数；
[0025] S22、利用所述关联系数确定第i个所述相关因素对所述月疏运量的关联度：
[0027] 式中，η代表共有η个采样点；
[0028] S23、利用所述步骤S21和S22确定所有所述相关因素对所述月疏运量的关联度。
[0029] 优选地，所述步骤S3中利用灰色预测方法对所述月疏运量形成的序列以及所述 步骤S2选取得到的所述相关因素的数据形成的序列进行累加；并且累加后的所述第一一 阶累加生成序列以及第i个所述第二一阶累加生成序列分别为：
[0032]其中，
[0035] 式中，.〇)属于所述月疏运量序列，代表在采样点m的月疏运量，^f(w)属于第 i个所述相关因素的数据序列，代表在采样点m的第i个所述相关因素的数据。
[0036] 优选地，所述步骤S5中的所述径向基核函数为：
[0038] 式中，Xl代表第i个所述相关因素的数据，X代表所述月疏运量；〇为所述径向基 核函数的参数；
[0039] 所述步骤S5利用不确定知识粒子群优化算法对所述预测主模型的参数和所述径 向基核函数的参数进行优化，其中所述预测主模型的参数包括惩罚参数和敏感损失参数， 具体包括以下步骤：
[0040]S51、设定所述不确定知识粒子群优化算法的参数，包括种群规模popsize，最大进 化代数maxgen以及惯性权值因子ω;
[0041]S52、在搜索空间和飞行速度的上下界范围内随机产生初始粒子的位置及速度，并 计算初始适应度值，并根据初始适应度值确定粒子个体和粒子群全体的最优位置；
[0042]S53、利用所述惯性权值因子、所述步骤S52中得到的初始粒子的位置及速度、粒 子个体和粒子群全体的最优位置以及惯性权值因子ω更新粒子速度和位置：
[0045] 式中，< 和#分别为t+Ι时刻粒子个体i在第d维搜索空间中的速度和位置，沁 矛口 分别为t时刻粒子的速度和位置·，和凡rf分别为t时刻粒子个体和粒子群全彳本的最 优位置，CD为粒子不确定知识的边界；
[0046] li= rJ(rj+^+ra)
[0047] 12= r2/ (rj+^+ra)
[0048] l3= r3/ (ri+r2+r3)
[0049] C,, =limitsign(j\ -0.5) + //
[0050]r2,r3,r4为均匀分布在（0, 1)区间的随机数，limit为搜索空间边界到中心的 距离，为搜索空间中心；Cl，c2,c3采用预定值；
[0051]S54、计算更新速度和位置后的粒子的适应度值，若所述适应度值优于现有的个体 极值和群体极值，则更新对应粒子个体和粒子群全体的最优位置为当前粒子的位置；
[0052]S55,根据所述种群规模判断是否更新了当前代种群中的每一个粒子的速度和位 置，若是则执行步骤S56;否则跳转至步骤S53;
[0053]S56,判断是否达到了所述最大进化代数maxgen，若是，则执行步骤S57,否则进化 代数增加1，并跳转至步骤S53 ;
[0054]S57,停止运算，得到所述预测主模型和所述径向基核函数的最优参数值。
[0055] 优选地，所述步骤S8利用如下公式对所述步骤S7得到的预测结果进行累减计算 得到校正后的预测结果：
[0057] 式中，^轉代表校正后的第〇个采样点的预测结果，名?代表所述步骤S7得到 的第〇个采样点的预测结果，代表校正后的第k个采样点的预测结果，#⑷代表所 述步骤S7得到的第k个采样点的预测结果。
[0058] -种利用上述方法预测港口疏运量的系统，所述系统包括数据获取单元、相关因 素选取与降维单元、累加生成单元、预测模型选取单元、参数优化单元、预测主模型训练单 元、预测单元以及校正单元；