摘 要：精確的港口貨物吞吐量預(yù)測(cè)對(duì)于港口的發(fā)展至關(guān)重要。本文提出了改進(jìn)粒子群優(yōu)化去尾均值多層感知機(jī)模型對(duì)上海港貨物吞吐量進(jìn)行預(yù)測(cè)。選取了影響上海港貨物吞吐量的十個(gè)因素進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果表明該預(yù)測(cè)模型的預(yù)測(cè)性能明顯優(yōu)于傳統(tǒng)MLP預(yù)測(cè)模型和基本的粒子群優(yōu)化多層感知機(jī)模型。對(duì)該預(yù)測(cè)模型的誤差分析和收斂性分析表明該預(yù)測(cè)模型可靠。

　　關(guān)鍵詞：粒子群算法;去尾均值;多層感知機(jī);港口吞吐量預(yù)測(cè)

　　1 引言(Introduction)

　　隨著“21世紀(jì)海上絲綢之路”戰(zhàn)略的實(shí)施，對(duì)港口的管理提出了更高的要求：準(zhǔn)確地預(yù)測(cè)港口貨物吞吐量，為港口調(diào)度提供依據(jù)，避免港口出現(xiàn)貨物船舶的滯留，縮短交貨周期，提高客戶滿意度，使港口運(yùn)營(yíng)更高效。因此，準(zhǔn)確地預(yù)測(cè)港口貨物吞吐量對(duì)港口發(fā)展至關(guān)重要。

　　目前，在港口貨物吞吐量預(yù)測(cè)方面，陳昌源等[1]通過優(yōu)化灰色分析法對(duì)上海港集裝箱吞吐量進(jìn)行了預(yù)測(cè);黃榮富等[2]通過建立三次指數(shù)平滑法對(duì)港口吞吐量進(jìn)行了預(yù)測(cè);高嵩等[3，4]分別結(jié)合不同預(yù)測(cè)模型，建立組合預(yù)測(cè)模型并分別應(yīng)用于天津港和寧波港的吞吐量預(yù)測(cè);李廣儒等[5]將Elman神經(jīng)網(wǎng)絡(luò)應(yīng)用于寧波舟山港的貨物吞吐量預(yù)測(cè);胡克滿等[6]運(yùn)用灰色模型理論選取部分已知信息計(jì)算未知信息，結(jié)合人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)模型進(jìn)行優(yōu)化，給出了基于灰色神經(jīng)網(wǎng)絡(luò)的港口貨物吞吐量預(yù)測(cè)算法。

　　2 吞吐量影響因素分析(Analysis of influencing factors of port throughput)

　　由于港口吞吐量受到政治、經(jīng)濟(jì)、文化、社會(huì)等因素的影響，各種因素相互作用導(dǎo)致上海港貨物吞吐量在時(shí)間維度上呈現(xiàn)非線性變化的特點(diǎn)，而人工神經(jīng)網(wǎng)絡(luò)能夠擬合非線性映射，具有較強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力。但是人工神經(jīng)網(wǎng)絡(luò)存在一些不足之處，它的初始權(quán)值和閾值都是隨機(jī)生成的，并且在訓(xùn)練過程中容易陷入局部極小值，而用粒子群算法進(jìn)行訓(xùn)練能夠很好地解決人工神經(jīng)網(wǎng)絡(luò)存在的這些問題。此外，人工神經(jīng)網(wǎng)絡(luò)模型的功能往往依賴于網(wǎng)絡(luò)權(quán)重的組合相加，容易受到離群值的負(fù)面影響[7]，因此，本文采用一種改進(jìn)粒子群(IPSO)優(yōu)化的去尾均值多層感知機(jī)模型(Tr-MLP)對(duì)上海港的貨物吞吐量進(jìn)行預(yù)測(cè)研究。

　　本文的創(chuàng)新點(diǎn)在于在多層感知機(jī)模型中增加了去尾均值，減少離群值的負(fù)面影響，并且使用IPSO模型訓(xùn)練，使收斂速度更快，預(yù)測(cè)精度更高。

　　3 IPSO(Improved particle swarm optimization)

　　3.1 粒子群優(yōu)化算法(PSO)模型

　　粒子群優(yōu)化算法是通過模擬鳥群覓食行為而發(fā)展起來的一種基于群體協(xié)作的隨機(jī)搜索算法。該算法中每個(gè)粒子都可以看作搜索空間中的最優(yōu)解，在移動(dòng)與飛行的過程中，利用適應(yīng)度函數(shù)求得適應(yīng)度值，用適應(yīng)度值評(píng)價(jià)當(dāng)前解的優(yōu)劣。每個(gè)粒子由位置、速度和適應(yīng)度值三項(xiàng)特征值進(jìn)行表示。PSO初始化為一群隨機(jī)粒子(隨機(jī)解)，然后通過迭代找到最優(yōu)解，在每一次迭代中，粒子通過跟蹤兩個(gè)“極值”來更新自己。第一個(gè)就是粒子本身所找到的最優(yōu)解，這個(gè)解叫作個(gè)體極值;另一個(gè)極值是整個(gè)種群找到的最優(yōu)解，這個(gè)極值是全局極值。不斷調(diào)整飛行的速度和位置，以搜索到全局最優(yōu)值。速度和位置更新公式如下[8]：

　　其中，m=1，2，…，M;j=1，2，…，N;vjm為第j個(gè)粒子在第m維的飛行速度;xjm為粒子的位置;和為非負(fù)的常數(shù)，稱為加速度因子;為介于[0，1]的隨機(jī)變量;為個(gè)體粒子經(jīng)歷的自身最優(yōu)位置;為種群粒子集合中各個(gè)粒子進(jìn)行比較后所經(jīng)歷的全局最優(yōu)位置。

　　3.2 改進(jìn)PSO

　　基礎(chǔ)的PSO模型中，固定的慣性權(quán)重會(huì)減弱全局尋優(yōu)能力和減慢收斂速度，因此提出利用非線性變化慣性權(quán)重來提高PSO的性能。將進(jìn)行如下優(yōu)化：

　　推薦閱讀：軟件開發(fā)促進(jìn)專業(yè)知識(shí)學(xué)習(xí)探討