第３９卷第１期 船海工程 Ｖｏ１．３９ Ｎｏ．１ ２０１０年２月 ＳＨＩＰ ＯＣＥＡＮ ＥＮＧＩＮＥＥＲＩＮＧ Ｆｅｂ．２０１０ 基于ＢＰ神经网络的船舶交通流量预测研究 田燕华，陈锦标 （上海海事大学商船学院，上海２００１３５） 摘要：在分析船舶交通流量特性的基础上，以船舶交通流量控制为最终目标，建立基于ＢＰ神经网络的 船舶交通流量预测模型，以长江口深水航道的交通流量数据作为训练样本，进行模 分析，预测结果与实测 加权数据进行对比表明，该模型对船舶交通量的预测是有效的。 关键词：水路运输；ＢＰ神经网络；船舶交通流量；预测 中图分类号：Ｕ６９４ 文献标志码：Ａ 文章编号：１６７１—７９５３（２０１０）０１—０１２２—０４ 随着长江口深水航道的建设，长江口不再“通 流量数据进行加权处理构成样本数据；ＢＰ神经网 而不畅”。深水航道建设使得通航船舶的吨位、航 络由输入层、隐层和输出层３层组成。 速和数量有了大幅度的增加。然而，船舶交通流 １．１加权交通量的引入 量迅速增加后水上交通事故频发，这就对航道规 模型的构建是为了实现对长江口深水航道未 划、设计和通航管理的相关部门提出了更高的要 来某１ ｄ各个时段上船舶交通量的预测。船舶流 求。 量是单位时间内通过某一通航水域断面的船舶数 基于ＢＰ神经网络中的三层前馈神经网络， 量［４］。考虑到船舶交通流的特点，不仅要考虑单 利用Ｍａｔｌａｂ编制程序，建立船舶交通流量预测模 位时间内通过的船舶数目，还需考虑船舶尺度与 型，并以加权的长江口深水航道的交通流量数据 吨位，才能更确切地反映水域或水道内船舶交通 作为训练样本，进行仿真模拟。 的规模和该水域或水道的重要程度Ｌ５］。因此，采 １ 预测模型 用加权的交通量预测方法，使得预测更科学。以 Ｌ一１６４ ｍ载重１２ ８００ ｔ船舶作为标准，Ｌ转换和 船舶交通流量受各种因素影响，是一个典型 Ｌ。转换的加权因素见表１。 的非线性系统。神经网络具有识别复杂非线性系 统的特性［１］。 表１ Ｌ转换和Ｌ 转换的加权因素 对于国内ＢＰ神经网络用于交通流量预测方 面的研究，已有基于改进的ＢＰ神经网络理论模 型的路面交通流量时序的预测算法ｌ２ ；基于灰色 理论和ＢＰ神经网络的交通流预测模型［３］。ＢＰ 神经网络主要还是用于公路交通流量预测的研 １．２输入、输出层设计 究，而用于船舶交通流量预测很少。 输入的神经元可以根据需要求解的问题和数 因此设计基于ＢＰ神经网络的交通流量预测 据确定。采集长江口深水航道２００６年某月的 模型，由数据处理单元和ＢＰ神经网络两部分构 ＶＴＳ交通流量数据见表２。 成。数据处理单元将实测的长江口深水航道交通 表２原始流量 时间段 原始数据 ００：００￣０１：００ ８ 收稿日期：２００９ ０３ ０６ ０１：００￣０２：００ ０ 修回日期：２００９—０８—０８ ０２：００￣０３：Ｏ０ ０ 基金项目：上海市重点学科建设项目（￥３ｏ６ｏ２）。 ０３：００￣０４：００ ０ 作者简介：田燕华（１９８５一），女，硕士生。 ０４：００￣０５：Ｏ０ １ 研究方向：智能运输系统的理论与研究。 ０５：００￣０６：Ｏ０ ３ Ｅ－ｍａｉｌ：ａｎｄｙｍａｒｔｔｉａｎ＠ｈｏｔｍａｉｌ．ＣＯＮ ０６：Ｏ０～０７：Ｏ０ １ ］２２ 基于ＢＰ神经网络的船舶交通流量预测研究——田燕华，陈锦标 续表２ 使用表１内Ｌ。转换的加权因素进行转换。 加权的交通流量数据见表３。分为的输入向 量和一维的目标向量，输出层为一维向量。 表３交通流量加权数据表 时问段 原始数据 Ｏ０：，）（］～Ｏ１：ＯＯ ２０ ４ ８ ４ ７ ０ ８ ２８ ２Ｏ ５ ６ ２９ ０ ０ １０ １２ １８ Ｏ１：００￣０２：ＯＯ ０ ７ １ １ ６ １４ １０ ０ ５ １０ ６ １０ １３ ５ ３６ １８ ９ ０２：００￣０３：Ｏ０ ０ ２ ３ Ｏ ０ １ １５ ２ｌ ｌ２ １４ ８ ２６ １ ２Ｏ ７ ９ ６ ０３：００￣０４：Ｏ０ ０ ２ ｌ Ｏ ４ １０ １１ １０ ９ １３ ２ ２５ ０ ２８ ３４ ２２ ４ ０４：００￣０５：Ｏ０ ｌ ７ １０ Ｏ ５ ２６ ２ ３ ０ ０ １９ ８ ７ １１ ２９ １８ ０ ０５：００￣０６：Ｏ０ ３ ４ １ １ ０ ９ ０ ２ ５ Ｏ ４ ０ ０ ０ １３ ２ ０ ０６：００￣０７：Ｏ０ ｌ ８ １９ ０ １８ ７ １ １１ ０ １２ １ ０ ８ ６ ４ ４ ０ ０７：００￣０８：Ｏ０ ４ ３ ５ １４ ２１ ０ ７ １３ ｌ ５ ０ ５ １０ ０ ０ ０ ０ ０８：００￣０９：Ｏ０ ３ ２ ２ｌ １４ １６ ２ ５ ３ ６ ５ ０ １２ ６ ６ １２ ２ ３ ０９：００￣１０：Ｏ０ １７ １９ ２０ １ ６ ３ １３ １５ ９ １７ １３ ４ ７ １２ ２ １ １４ １Ｏ １０：［）（］～ｌ１：ＯＯ １２ １１ １７ ３ １ ３ ６ ｌ７ ５ １８ １２ ７ ６ ４ ７ ２９ ０ ｌｌ：ＯＯ～１２：Ｏ０ １４ ３ ２４ ２ ２ Ｉ４ ２３ ２３ ０ ６２ ２ ６ １０ １０ ９ ２３ ９ １２：００￣１３：Ｏ０ ２０ ０ １７ ９ ８ １６ ３ ９ ０ ２３ １２ ５ ３ １１ ｌ ９ ２５ １３：００￣１４：Ｏ０ ２ ４ ３ ４ ５ ２７ ３１ ８ ０ １３ ２ ５ １４ １２ １５ ２０ １１ １４：００￣１５：Ｏ０ ８ ０ ８ ３ ３ ５ ９ １２ １０ １９ ４ ５ ８ ９ ５ １５ ４ １５：ＯＯ～ｌ６：Ｏ０ １ ３ １０ ４ ４ １８ １３ ７ ９ １ ５ １２ １６ ５ ５ ８ ｌＯ １６：００￣１７：Ｏ０ ５ ０ １０ ３ １ ２ ７ ３ ９ １ ０ ｌ ５ １９ １０ ５ ４ ｌ７：００￣１８：Ｏ０ ３ ３ １３ ７ ５ ５ ６ ９ １２ １ １ ０ １ １１ ５ ６ １３ １８：００￣１９：Ｏ０ ７ ７ ６ ０ ５ １０ ８ ２ ４ １４ ７ ０ ０ ０ ２ ７ １４ ｌ９：００￣２０：Ｏ０ ３ ８ ３ １５ １０ １４ ５ ０ ０ ５ ２１ ０ ０ １０ ５ １ ４ ２０：ＯＯ～２１：Ｏ０ １２ ０ ５ １３ ３１ ５ ２ １ｌ ５ １２ ５ ０ ４ ５ ６ １０ ８ ２１：Ｏ０～２２：ＯＯ １ １３ １６ ９ １３ ６ ３ ２ ８ １５ ５ ２ ３ １ ６ ９ ４ ２２：［）（］～２３：ＯＯ １５ １５ １６ ｌ ０ ７ ０ １３ ３５ １４ ０ ５ ２ ０ ７ １１ ０ ２３：００￣２４：ＯＯ ０ １５ ４ １ ４ ２ ０ １１ １９ １２ ８ ５ ３ ３ ７ １ ４ １．３隐层设计 隐层单元数目与问题的要求、输入／输出单元 的数目都有着直接的关系。隐层单元数目太多会 导致学习时间过长、误差不一定最佳，也会导致容 错性差、不能识别以前没有看到的样本。因此一 定存在一个最佳的隐层单元数。以下是选择最佳 隐层单元数Ｔ／ 的参考公式［６］。 ∑ ，ＦＯ ‘ ＞走 （１） 式中：志 样本数； 输入单元数， ／／ｉ——隐层单元数；如果 ＞” ，Ｃ ｉ 一０。 Ｔ／ 一 ＋以 （２） 式中： ——输出单元数； Ｅ１，１ｏ］之间的常数。 ／７］一ｌｏｇ２Ｔ／ （３） ＝＝＝２ｎ＋１ （４） 结合上述公式，考虑所建立的神经网络模型， 得出隐层神经元个数为４～１４个。可通过训练结 果中误差的大小来最终确定隐层单元个数。 １．４预测模型流程 ＢＰ神经网络预测模型运行流程见图１。 图１ ＢＰ神经网络预测模型运行流程图 ２仿真模拟与结果分析 ２．１仿真模拟 由于输入层为１６维的输入向量、１维的目标 向量，因此，设置输入层为１６个神经元，输出层为 １个神经元。隐含层的神经元数设为１３，传递函 １２３ 第１期 船海工程 第３９卷 数设为ｔａｎｓｉｇ，输出层的传递函数设为ｐｕｒｅｌｉｎ，训 练函数设为ｔｒａｉｎｂｒ，学习函数设为ｌｅａｒｎｇｄ，性能 函数设为ｒｏｓｅ。训练次数为６００次，精度为１Ｏ。 训练结果见图２和图３，两图中目标函数与训练 函数基本重合。 性能指标１ ８４２ ｘ １０ １０ 目标１ ０００ ｘ １０ 、１０ ～＼１０ 、、～～ ～一 、’ｌ圈——洲练Ｉ 。一一一一一一一一一一一、 ｉ、、一 ０ 丑 ０ 圆 Ｏ １０一 １０ １０一。 ２０ ３０ ４０ ５０ ６０ 训练期６７ 覃Ｊ ２ ２ ５ 图２训练函数为ｔｒａｉｎｂｒ时的训练结果图 ∞∞如∞ ×××× ０ Ｏ Ｏ Ｏ 时间段／ｈ 图３训练函数为ｔｒａｉｎｂｒ时的仿真结果图 根据误差大小（表４），可以看出，隐层神经元个 数为ｌ３，误差最小，网络的实际输出与期望输出最为 接近。因此，该ＢＰ网络的隐层神经元个数设为ｌ３。 表４网络训练误差分析表 阶层神经元个数 网络误差 ２４．５７２ ２１．５２６ ２Ｏ．８５５ ０．Ｏ１１ ２６．２３２ ０．Ｏ１２ ９．０７９ Ｏ．Ｏ１４ ０．００６ ９８０×１０ ５３０×１０ ２．２结果分析 从图３和图４可以看出，ＢＰ神经网络预测系 １２４ 统训练的误差较小，训练的速度快，预测性能好。 如果输入更多的训练样本，系统将得到更准确的 预测结果。将经过训练的模型对未来月份某日的 交通流量进行预测，总体预测效果较为理想。图 ５～７是其中某日的预测结果图。图５、图６目标 函数与训练函数基本重合。 误差分析 几 ｌｌ ＿＝ｊ ．．．ｎ ．．ｎ…．… ｎｌ ｎ１．ｎ．． ５ ＯＯ× ０ １ ０Ｏ× ０ １ ３ ５ ９ ４Ｈ —ｌｌ ｌ７ ｌ９ ２１ ２３ｌｕ ｝ ２ ＯＯ× Ｏ ｌ ｌ２ ５Ｏ× ０ Ｕ ３ ＯＯ× Ｏ 时间段／ｈ 图４训练函数为ｔｒａｉｎｂｒ时预测值的绝对误差图 性能指标４ ２０７ ｘ １０ 目标１ ０００ ｘ １０。‘ １０ ‘、～～～ ，～一、覃Ｊ丑 咖堪 、『１ Ｉ１：：： ｎ Ｉ ｌ一一、 、、 ・一洲练ｌ——圳绦ｆ 一 ｌＯ” 、、‘ 、 一 、 １０ 闰１０ １０ ４０ ６０ ８Ｏ １０Ｏ 洲练期１ｌ ６ 图５训练函数为ｔｒａｉｎｂｒ时的训练结果图 图６训练函数为ｔｒａｉｎｂｒ时的仿真结果图 图７训练函数为ｔｒａｉｎｂｒ时预测值的绝对误差图 基于ＢＰ神经网络的船舶交通流量预测研究——田燕华，陈锦标 另外，从两个误差图上也可以看出，在船舶交 节点数的选取，目前尚无理论的指导，只能根据经 通流量随机变化较大的时段，预测值的相对误差 验来选取。因此，应进一步研究ＢＰ神经网络预 也较大。分析认为主要有以下几个原因： 测方法的机理和拓宽这一方法在交通领域的应用 １）训练的样本数量少。 范围，在应用中不断完善该方法。 ２）所考虑的输入因素还有不完善和不全面 的地方。 参考文献 ３）人工读取数据造成的误差不可忽视。 ［１］许玮珑，马林才，王巍．基于ＢＰ神经网络在交通流 ３ 结束语 量预测中的应用［Ｊ］．交通与安全，２００５（１１）：４２—４６． ［２］王宏杰，林良明，颜国正．基于改进ＢＰ网交通流动态 应用实测的加权交通流量数据对基于ＢＰ神 时序预测算法的研究［Ｊ］．交通与计算机，２００１，３ 经网络的船舶交通流量预测模型进行了检验，从 （１９）：１１－１４． 验证的结果表明设计的模型是有效的，该方法是 ［３］陈纲，王健．基于灰色理论和ＢＰ神经网络的交 可行的。与实测的加权交通流量数据对比，根据 通流预测模型［【）］．哈尔滨：哈尔滨工业大学，２００６． ［４２刘明俊，艾万政，程志友．苏通大桥桥区水域船舶通航 图５得出其标准误差（均方误差）为０．００８ １ ，预 能力研究ｌ＿Ｊ］．船海工程，２００６（４）：８０ ８２． 测精度较高，为船舶交通流量的预测提 了新方 ［５］吴兆麟，朱军．海上交通工程［Ｍ］．２版．大连：大连 法。 海事大学出版社，２００４． ＢＰ神经网络是一个非线性优化问题，因此不 ［６］周春光．计算智能：人工神经网络・模糊系统・进化 可避免地存在局部极小值问题；对于网络中间层 计算［Ｍ］．２版．长春：吉林大学出版社，２００５． Ｖｅｓｓｅｌ Ｔｒａｆｆｉｃ Ｆｌｏｗ Ｐｒｅｄｉｃｔｉｏｎ Ｂａｓｅｄ ｏｎ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ＴＩＡＮ Ｙａｎ－ｈｕａ，ＣＨＥＮ Ｊｉｎ－ｂｉａｏ （Ｃｏｌｌｅｇｅ ｏｆ Ｍｅｒｃｈａｎｔ Ｓｈｉｐ，Ｓｈａｎｇｈａｉ Ｍａｒｉｔｉｍｅ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００１３５，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ ｏｎ ｔｈｅ ｓｔｕｄｙ ｏｆ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｖｅｓｓｅｌ ｔｒａｆｆｉｃ ｆｌｏｗ，ｔａｋｉｎｇ ｔｈｅ ｖｅｓｓｅ１ ｔｒａｆｆｉｃ ｆｌｏｗ ｃｏｎｔｒｏｌ ａｓ ｔｈｅ ｕｌｔｉｍａｔｅ ｇｏａｌ，ｔｈｅ ｖｅｓｓｅｌ ｔｒａｆｆｉｃ ｆｌｏｗ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｔｈｅ ＢＰ（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗａｓ ｓｅｔｕｐ． Ｔａｋｉｎｇ ｔｈｅ Ｙａｎｇｔｚｅ ｅｓｔｕａｒｙ ｄｅｅｐｗａｔｅｒ ｃｈａｎｎｅｌ＇ｓ ｔｒａｆｆｉｃ ｆｌｏｗ ｄａｔａ ａｓ ｔｒａｉｎｉｎｇ ｓａｍｐｌｅｓ，ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ａｎａｌｙｓｉｓ ｗａｓ ｃａｒｒｉｅｄ ｏｕｔ．Ｃｏｍｐａｒｉｎｇ ｗｉｔｈ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｄａｔａ ａｎｄ ｔｈｅ ｍｅａｓｕｒｅｄ ｄａｔａ ｗｅｉｇｈｔｅｄ，ｉｔ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｍｏｄｅｌ ｉｓ ｖａｌｉｄ ｆｏｒ ｔｈｅ ｐｒｅ ｄｉｃｔｉｏｎ ｏｆ ｖｅｓｓｅｌ ｔｒａｆｆｉｃ ｆｌｏｗ． Ｋｅｙ ｗｏｒｄｓ：ｗａｔｅｒｗａｙ ｔｒａｎｓｐｏｒｔａｔｉｏｎ；ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｖｅｓｓｅｌ ｔｒａｆｆｉｃ ｆｌｏｗ；ｆｏｒｅｃａｓｔ １２５
