论文总字数：16606字

摘 要

在国家提出的“一带一路”倡议下以及长江经济带高质量发展建设等重大国家重点发展规划下，我国航运业不断发展前进，水上交通运输量也显著增加，这使得水域通航环境愈发复杂化。为效缓解交通拥堵，对繁忙水域的船舶交通流量进行准确的动态管理和有效把控，船舶交通流量的预测就显得尤为重要。以构建具有更高精度的交通流预测模型为目标，本文的主要研究内容如下：

1.小波函数，或称其为小波变换或者是小波分析，其是由多分辨分析发展而来的。小波函数用复数的表达式来还原原函数，其中每一个表达式都是经过平滑后在不同的分辨率下的分解结果，它能够充分突出反映问题在各个尺度下的变化特征。

2.本文通过一维小波分析工具将交通流数据分解为趋势项以及干扰项，其中的干扰项项可以理解为决定交通流量的多种因素中与时间关联较弱的因素，这些干扰项具有较强的随机性和较差的数学正则性，因此在预测过程中的预测难度较高并且对预测精度也具有一定影响。而趋势项则代表了影响交通流量的因素中与时间关联较强的因素，体现出较强的长周期特性。

3.神经网络是一种试图以机器模拟神经连接的算法，它在适应环境方面和适应条件以及影响因素的改变方面表现十分突出，所以具有较好的灵活性和自适应性。本文使用基于LSTM的时间序列预测作为对交通流量的预测工具。

本文对比了直接使用LSTM时间序列预测的结果，以及先进行小波分解再进行时间序列预测的结果，发现将训练数据分解为有限个高、低频分量，获得了在稳定性和规律性上表现优良的分数据组，在一定程度上降低了LSTM预测的难度和干扰，从而对预测整体的精度进行了优化。实验表明，该方案能够准确，高效的应用于对船舶交通流的预测中。

关键词：LSTM；小波分析；船舶交通流；神经网络；时间序列预测

目录

第1章 绪论 1

1.1研究背景和意义 1

1.2国内外研究现状 1

1.2.1船舶交通流量影响因素研究现状 2

1.2.2船舶交通流量预测研究现状 2

1.3研究方法及内容 3

1.3.1基于小波分解的船舶交通流序列分解 3

1.3.2基于LSTM深度学习框架的时间序列预测 4

1.3.3 基于小波分解-LSTM的组合预测框架 5

1.4研究目标 5

第2章 交通流量预测研究 7

2.1交通流量的特点 7

2.1.1交通流量的随机性 7

2.1.2交通流量的周期性 7

2.2交通流量预测的主要方法 7

2.2.1多元线性回归预测模型 7

2.2.2人工神经网络预测 8

2.2.3支持向量机法 9

2.3交通流量预测评价指标 10

（1）平均绝对误差（MAE,mean absolute error) 10

（2）平均相对误差（MRE,mean relative error) 10

（3）均方误差（MSE，mean square error) 10

第3章 小波分析 11

3.1小波分析原理 11

3.2常用小波函数 11

3.2.1哈尔（haar)小波 11

3.2.2Morlet小波 11

3.2.3Daubechies(dbn)小波 11

3.3小波分解处理 12

3.4本章小结 14

第4章 基于LSTM的时间序列预测研究 15

4.1神经网络预测方法 15

4.2 LSTM神经网络分析 15

4.3本章小结 17

第5章 实验结果分析研究 18

5.1改进的船舶交通流量预测模型 18

5.1.1对照组 18

5.1.2实验组 19

5.2实验结果及分析 19

5.3本章小结 21

第6章 总结 22

参考文献 23

第1章 绪论

1.1研究背景和意义

在国家提出的“一带一路”倡议下以及长江经济带高质量发展建设等重大国家重点发展规划下，我国航运业不断前进，“交通强国”、“海洋强国”的发展建设目标更是被明确写进了十九大报告中^[1][2]。同时，由于水上运输作承担了绝大多数的对外贸易运输量，而当前我国各港口货运量明显增大，水上交通运输量也显著增加，使得水域通航环境复杂化，这势必对海事部门实施交通组织，进行水上交通动态监管带来巨大压力^[3][4]。

为得以有效缓解交通拥堵，对繁忙水域的船舶交通流量进行准确的动态管理和有效把控，那么船舶交通流量的预测显得尤为重要，船舶交通流量的预测也是统计学预测研究在水上交通运输工程学科领域中的一项重大应用^[5]。

其中，船舶交通流量的长期预测可以为港口未来发展规划、航道尺度的维护提供数据样本，也可为海事部门科学合理规划水域布局、航道内布置导助航设施以及制定合理有序的调度方案等提供基础性数据依据；船舶交通流量的短期预测能够实时监控辖区水域内船舶交通状况，可以对水上交通运行状态进行动态管理与把控，为水域通航安全保障提供有效的帮助。因此，更需要加强区域内船舶交通流量统计与预测分析，采用更为稳定的预测模型获取更多精准可靠的数据样本，以便于有关部门可以科学规划水域布局，实时把握水域内交通发展态势，并能根据具体情况不断调整应对策略以缓解水上交通压力。

目前，针对船舶交通流量的预测研究中多以长期预测为主，要想做到对区域内船舶数量以及对辖区内交通状况进行实时监控，对船舶交通流量实行预测显得尤为重要。

传播交通流量预测的研究很大程度上是借鉴参考道路短时交通流预测的相关研究，国内外专家学者一直致力于通过利用不同预测方法构建相关预测模型对道路重点区间、路段进行预测分析，以期可构建更合适的预测模型来提高预测精度，使得预测结果更可靠。研究结果表明，机器学习方法因具备自学习能力强的特性相比较于传统的预测方法，其输出的预测结果精度更高。因此，本论文将以长短期记忆网络（ LSTM）深度学习框架为基础，对研究水域内船舶交通流进行有效预测，为海事部门提供科学合理的数据样本作为保障水域安全的重要参考依据，更有助于海事部门施行有效的水上交通动态监管，提升海事管理能力。

1.2国内外研究现状

关于船舶交通流量的预测价值，吴兆麟、朱军在《海上交通工程》中指出船舶交通流量定义的同时，也指出其大小可直接反应水域交通规模和繁忙程度，并在一定程度上反应了该水域的船舶交通的拥挤和危险程度^[7]，因此通过建立合适的预测模型，可对水域内未来的船舶交通流量的发展趋势有一个直观把握。目前，针对船舶交通流量的研究主要从影响因素分析和改善预测方法以提高预测性能两个方面进行研究，国内外专家学者针对以上研究方向做了大量研究与分析。

1.2.1船舶交通流量影响因素研究现状

目前，已经有专家学者针对船舶交通流量的影响因素做了大量研究，研究表明船舶交通流量是社会经济、技术发展水平对交通需求的具体表现形式，其大小与多方面的因素有关。王东和熊锡龙通过分析当地经济发展、货运量以及港口发展三个方面与船舶交通流量之间的相关性，进而确定影响船舶交通流量的主要因素^{[8] [9]}。刘敬贤^[10]等人以天津港为例，通过分析不同类型的船舶交通量的发展趋势，指出影响船舶交通量的因素表现各异，作用形式复杂，使得船舶交通量的预测呈现出较大的复杂性与非线性的特点。LIU^[11]等人在文中指出影响船舶交通流量的因素具有不确定性、非线性、复杂度高以及相互依赖性等特点。目前的研究中，影响船舶交通流量的因素分为通航环境、服务管理和社会经济三个方面，为更好的揭示影响船舶交通流量因素的影响机制，在文章中提出了一种基于解释模型的层次模型以及依赖加权和量化指标来分析的耦合模型。Ming-Wei Li^[12]等人提出船舶交通流量的预测是一个复杂的非线性动态过程，分析得出船舶交通流量受国内生产总值、人均国民生产总值、进出口总额、旅客吞吐量等多种因素影响。为保证预测模型精度，利用KPCA算法对船舶交通流量多种影响因素进行分析，确定最终预测模型的输入向量。

1.2.2船舶交通流量预测研究现状

请支付后下载全文，论文总字数：16606字