摘 要：精確的港口貨物吞吐量預測對于港口的發(fā)展至關重要。本文提出了改進粒子群優(yōu)化去尾均值多層感知機模型對上海港貨物吞吐量進行預測。選取了影響上海港貨物吞吐量的十個因素進行訓練，實驗結果表明該預測模型的預測性能明顯優(yōu)于傳統(tǒng)MLP預測模型和基本的粒子群優(yōu)化多層感知機模型。對該預測模型的誤差分析和收斂性分析表明該預測模型可靠。

　　關鍵詞：粒子群算法;去尾均值;多層感知機;港口吞吐量預測

　　1 引言(Introduction)

　　隨著“21世紀海上絲綢之路”戰(zhàn)略的實施，對港口的管理提出了更高的要求：準確地預測港口貨物吞吐量，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，使港口運營更高效。因此，準確地預測港口貨物吞吐量對港口發(fā)展至關重要。

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

　　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、文化、社會等因素的影響，各種因素相互作用導致上海港貨物吞吐量在時間維度上呈現(xiàn)非線性變化的特點，而人工神經(jīng)網(wǎng)絡能夠擬合非線性映射，具有較強的自適應和自學習能力。但是人工神經(jīng)網(wǎng)絡存在一些不足之處，它的初始權值和閾值都是隨機生成的，并且在訓練過程中容易陷入局部極小值，而用粒子群算法進行訓練能夠很好地解決人工神經(jīng)網(wǎng)絡存在的這些問題。此外，人工神經(jīng)網(wǎng)絡模型的功能往往依賴于網(wǎng)絡權重的組合相加，容易受到離群值的負面影響[7]，因此，本文采用一種改進粒子群(IPSO)優(yōu)化的去尾均值多層感知機模型(Tr-MLP)對上海港的貨物吞吐量進行預測研究。

　　本文的創(chuàng)新點在于在多層感知機模型中增加了去尾均值，減少離群值的負面影響，并且使用IPSO模型訓練，使收斂速度更快，預測精度更高。

　　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)作的隨機搜索算法。該算法中每個粒子都可以看作搜索空間中的最優(yōu)解，在移動與飛行的過程中，利用適應度函數(shù)求得適應度值，用適應度值評價當前解的優(yōu)劣。每個粒子由位置、速度和適應度值三項特征值進行表示。PSO初始化為一群隨機粒子(隨機解)，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“極值”來更新自己。第一個就是粒子本身所找到的最優(yōu)解，這個解叫作個體極值;另一個極值是整個種群找到的最優(yōu)解，這個極值是全局極值。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個粒子在第m維的飛行速度;xjm為粒子的位置;和為非負的常數(shù)，稱為加速度因子;為介于[0，1]的隨機變量;為個體粒子經(jīng)歷的自身最優(yōu)位置;為種群粒子集合中各個粒子進行比較后所經(jīng)歷的全局最優(yōu)位置。

　　3.2 改進PSO

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

　　推薦閱讀：軟件開發(fā)促進專業(yè)知識學習探討