摘要
为优化船舶交通流量预测方法,构建基于群智能优化算法与反向传播神经网络(BPNN)相结合的GA-PSO-BPNN组合预测模型。遗传算法(GA)全局自适应探索能力强、粒子群算法(PSO)收敛速度快,而BPNN训练速度慢并且容易陷入局部极小值无法得到全局最优解,因此先通过PSO算法对目标搜索空间进行迭代寻优,再将优化得到的新粒子群转化为染色体,并使用GA算法对其进行复制、交叉、变异的遗传操作,迭代求解得到最优值,以此作为最佳初始阈值和权值再输入到BPNN进行预测。为验证所构建模型的可行性和预测精度,以舟山某航道历史船舶交通流量数据为实例,同时与其他3种预测模型进行对比实验。结果显示:与GA-BPNN模型、PSO-BPNN模型、传统BPNN模型的预测结果相比,GA-PSO-BPNN模型的平均绝对百分比误差(MAPE)为9.468%,预测精度达到90.532%,优于其他3种预测模型。
出处
《水运管理》
2023年第7期1-5,共5页
Shipping Management
基金
国家自然科学基金(51709235)
浙江省省属高校基本科研业务项目(2021JZ008)
舟山市科技局一般项目(2019C21026)。
