基于集合经验模态分解和差分进化算法优化BP神经网络的船舶交通流预测

作     者：肖进丽 李晓磊 XIAO Jin-li;LI Xiao-lei

作者机构：武汉理工大学航运学院武汉430063 湖北省内河航运技术重点实验室武汉430063 

出 版 物：《大连海事大学学报》 (Journal of Dalian Maritime University)

年 卷 期：2018年第44卷第3期

页      面：9-14页

学科分类：0711[理学-系统科学] 081505[工学-港口、海岸及近海工程] 07[理学] 08[工学] 0815[工学-水利工程] 071102[理学-系统分析与集成] 

基　　金：湖北省自然科学基金面上项目(2015CFB282) 

主　　题：船舶交通流 集合经验模态分解(EEMD) 差分进化算法(DE) BP神经网络(BPNN) 组合预测 

摘      要：针对船舶交通流时间序列的非线性和非平稳性特点,设计一种结合集合经验模态分解(ensemble empirical mode decomposition,EEMD)和差分进化算法优化BP神经网络(back propagation neural network optimized with differential evolution algorithm,DEBPNN)的船舶交通流组合预测模型(EEMD-DEBPNN).首先,利用EEMD算法降低船舶交通流时间序列的非平稳性;然后,对EEMD分解后获得的各非线性分量采用DEBPNN模型(先采用DE算法对BPNN的初始权值和阈值进行预寻优,再利用预寻优获得的初始权值和阈值训练BP神经网络得到最优的权值和阈值)进行预测;最后,再将各分量预测值进行叠加即得到最终预测结果.基于长江某港口航道船舶月交通流数据,将该组合模型与BPNN、DEBPNN模型进行实例对比分析.结果表明,EEMD-DEBPNN较DEBPNN、BPNN模型的预测精度更高.