朱庆辉 勾翔宇

摘 要：针对港口集装箱吞吐量预测精度不高的问题，采用小波函数作为隐含层传递函数改进BP神经网络进而建立小波神经网络，并对2008-2017年上海港的每月集装箱吞吐量数据按照前三个月预测后一个月的方式构建出训练数据和预测数据，同时与BP神经网络在同样数据情况下的预测精度进行比较分析。结果表明：小波神经网络的预测误差明显小于BP神经网络，其预测性能更好。

关键词：海港;集装箱吞吐量;小波神经网络;BP神经网络;预测

中图分类号：U691            文献标识码：A            文章编号：1006—7973（2019）06-0025-03

贸易全球化的日益加深促使海上運输朝着船舶大型化、集装箱化方向发展。因此，港口集装箱吞吐量也就成为衡量港口综合能力的重要指标之一，其合理且精确的预测能够为港口的进一步发展和规划提供数据支持。

目前，港口集装箱吞吐量的预测方法主要集中于指数平滑法[1]、灰色预测法[2]、 ARIMA模型[3]、组合预测[4]以及BP神经网络方法[5]等方法。这些方法虽然都取得了较为良好的预测效果，但是同样也存在一定的局限性。其中，指数平滑法由于对于波动较大的数据的适应性较差，使得其难以有效利用历史数据;在应用灰色预测法时，该方法容易出现快速递增或衰减，不适合长期的数据预测;ARIMA模型对于预测数据同样要求稳定性，其本质上只适合于线性预测;组合预测方法的关键在于不同预测方法之间权重的确定，准确的权重确定直接关系到预测结果的精度;而BP神经网络方法在预测时容易陷入局部最小化，其收敛速度也较为缓慢，但是神经网络方法的非线性拟合能力极强，如果能够对神经网络进行有效地优化，就能够实现更高精度的预测。因此，针对BP神经网络存在的问题，本文拟采用小波函数替换BP神经网络的隐含层传递函数构建小波神经网络，进而实现集装箱吞吐量预测。小波神经网络能够避免BP神经网络在结构设计上的盲目性，其学习能力更强，收敛速度更快，而且由于小波理论的全尺度分析，该网络能够实现全局和局部的最优解。

小波神经网络目前在短时交通流量预测[6]、瓦斯浓度预测[7]、交通事故预测[8]、GPS可降水量预测[9]以及风电功率预测[10]中都取得了良好的预测效果。本文将小波神经网络首次应用于港口集装箱吞吐量预测，并利用上海港的数据进行验证，同时与BP神经网络的预测结果进行对比分析。最终的实验结果表明：与BP神经网络相比，小波神经网络在港口集装箱吞吐量预测方面具有更大优势，其预测误差更小，精度更高。

1  小波神经网络

小波神经网络的结构与BP神经网络基本一致，主要分为三层，分别是输入层、隐含层和输出层。二者的区别主要在于隐含层的传递函数，小波神经网络将BP神经网络中常用的logsig函数或tansig函数替换为小波函数。小波神经网络的基本结构如图1所示。

2  港口集装箱吞吐量预测

2.1  预测模型的建立

为建立小波神经网络的训练与预测数据集，本文收集整理了2008-2017年上海港的每月集装箱吞吐量数据，并对120个月的时间序列数据按照前三个预测后一个月的方式进行重新构建得到117组数据。以2015年上海港的月度集装箱吞吐量数据为例，原始的集装箱吞吐量数据如表1所示，重构的数据样式如表2所示。其中，前111组数据作为小波神经网络的训练数据集，后6组数据即2017年7月至12月的数据作为预测数据。

同时，根据集装箱吞吐量数据的时间特性以及多次的实验尝试，确定小波神经网络的隐含层节点数为3个。因此，完整的小波神经网络结构为输入层3个节点，隐含层3个节点，输出层1个节点。

2.2  预测结果与分析

在完成小波神经网络的结构等的建立后，本文利用MATLAB软件对该网络进行仿真实现。同时，利用上海港的111组集装箱吞吐量数据进行小波神经网络的训练，再将训练好的神经网络模型对上海港2017年7月至12月的集装箱吞吐量进行预测，最后计算得到6组数据的预测误差。为体现小波神经网络预测性能，在相同的训练与预测数据集情况下，本文又利用BP神经网络进行集装箱吞吐量的预测并与小波神经网络进行对比。两种神经网络的预测结果以及港口集装箱吞吐量的实际值如图2所示，具体的预测值、实际值以及预测误差百分比如表3所示。

从图2中可以看出，与BP神经网络相比，小波神经网络在进行港口集装箱吞吐量预测时的预测结果明显与实际吞吐量值更接近，表明小波神经网络的预测性能更优。分析表3可知，BP神经网络和小波神经网络都能得到良好的港口集装箱吞吐量预测值。其中，BP神经网络的预测误差最大不超过10%，最小可达到5%以内，而小波神经网络的预测误差最大不超过8%，最小甚至能够达到1%以内。而且，相同月份的预测值中，小波神经网络的预测误差普遍小于BP神经网络的预测误差。综上，小波神经网络的预测性能明显优于BP神经网络，其预测误差更小，精度更高。

3  结语

为提高港口集装箱吞吐量预测的精度，本文引入了小波神经网络并应用于上海港集装箱吞吐量预测。本文首先将上海港历年的月度集装箱吞吐量数据重构并建立神经网络的训练与预测数据集，然后利用MATLAB软件进行仿真实现网络的训练及预测，同时与BP神经网络的预测结果进行对比分析。实验及分析结果表明：与BP神经网络相比，小波神经网络在港口集装箱吞吐量预测方面性能更强，具有更高的预测精度，能够为港口的未来规划发展提供服务。

参考文献：

[1]陶春柳，陆宗斌.基于三次指数平滑法的苏州港吞吐量预测[J].中国水运（下半月），2010，10（07）：66-67+97.

[2]杨金花，杨艺.基于灰色模型的上海港集装箱吞吐量预测[J].上海海事大学学报，2014，35（02）：28-32.

[3]孔琳琳，刘澜，许文秀，等.基于时间序列分析的港口集装箱吞吐量预测分析[J].森林工程，2016，32（05）：106-110.

[4]柳艳娇，肖青.组合模型在港口集装箱吞吐量预测中的应用[J].大连海事大学学报，2006（03）：26-28.

[5]刘长俭，张庆年.基于时间序列BP神经网络的集装箱吞吐量动态预测[J].水运工程，2007（01）：4-7+11.

[6]赵道利，谷伟豪，冯亚平.基于小波神经网络的短时交通流量预测[J].微型机与应用，2017，36（23）：80-83.

[7]章万静，郑先彬，赵陇，等.基于WNN算法改进的瓦斯短时预测与仿真[J].现代电子技术，2018，41（23）：58-61.

[8]潘慧慧，高鹏，周松林，等.基于小波神经网络的交通事故的预测[J].洛阳理工学院学报（自然科学版），2018，28（04）：53-57.

[9]谢劭峰，苏永柠，王新桥，等.基于遗传小波神经网络的GPS可降水量预测[J].中国科技论文，2018，13（09）：1041-1044.

[10]杨世秦，孙驷洲.基于遗传优化的小波神经网络风电功率预测[J].安徽工程大学学报，2018，33（01）：27-33+46.