在編制港口總體規(guī)劃過程中,港口吞吐量的預測對于提出規(guī)劃方案至關(guān)重要,支持向量機(SVM)方法是港口吞吐量預測較為常見和有效的預測方法。針對港口吞吐量預測影響因素復雜的問題,以荊州港總體規(guī)劃為實例,研究分析了影響港口吞吐量的主要指標因素。在采用SVM預測方法的基礎(chǔ)上,運用遺傳算法(GA)、網(wǎng)格搜索算法(GS)對SVM模型主要參數(shù)進行優(yōu)化改進,GA-SVM和GS-SVM模型預測結(jié)果都是在支持向量機預測方法的基礎(chǔ)上,采用遺傳算法和GS方法對支持向量機模型的主要參數(shù)進行優(yōu)化和改進,并用MSE和R2檢驗了遺傳支持向量機和GS支持向量機模型的預測結(jié)果。改進后的SVM模型是在當前研究成果基礎(chǔ)上提出的一種新港口吞吐量預測方法,可將該模型在港口總體規(guī)劃工作中進行推廣應(yīng)用。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1 SVM回歸模型的構(gòu)建流程

本文針對荊州港內(nèi)河港口的特點以及影響因素，選用SVM回歸模型預測未來5a的港口吞吐量增長趨勢。在模型構(gòu)建和分析過程中，采取GA、GS等尋優(yōu)算法，對預測模型的參數(shù)進行尋優(yōu)，再次將尋優(yōu)后的參數(shù)值代入回歸模型的研究方法。算法及預測分析的流程見圖1。2.2.1數(shù)據(jù)歸一化處理

圖2 荊州港歷年港口吞吐量增長趨勢

式中:Xi為樣本數(shù)據(jù);Xmin為樣本數(shù)據(jù)中的最小值;Xmax為樣本數(shù)據(jù)中的最大值。2.2.2優(yōu)化算法參數(shù)設(shè)置

圖3 遺傳算法參數(shù)尋優(yōu)過程

在網(wǎng)格搜索法中，采用3折交叉驗證的方式，參數(shù)c、g取值在[2-8,28],c、g的進步大小設(shè)定為0.5，經(jīng)過計算機迭代計算，輸出的3D結(jié)果見圖4。圖4網(wǎng)格搜索法參數(shù)尋優(yōu)過程

圖4 網(wǎng)格搜索法參數(shù)尋優(yōu)過程

圖3遺傳算法參數(shù)尋優(yōu)過程2.2.3模型訓練與驗證

本文編號：4055949