基于EEMD-PE-LSTM的短时船舶交通流量预测与航道交通状态可视化

摘要：

为满足准确、快速预测短时船舶交通流量的需求,提出一种基于集合经验模态分解(EEMD)和排列熵(PE)优化长短时记忆(LSTM)神经网络的短时船舶交通流量预测模型.预测过程分为三个阶段:首先,利用EEMD算法降低短时船舶交通流量的非平稳性影响;然后,利用PE算法对EEMD分解的时间序列分量进行相空间重构,大幅缩短预测模型的运算时间;最后,将重构后的高低频分量和残差导入LSTM模型进行预测,预测值叠加后即可得到最终预测结果.通过采集的青岛港主航道连续366天共4392组船舶交通流量数据验证了模型的有效性.结果表明,本文EEMD-PE-LSTM模型的综合评价值最高,相比LSTM模型及EEMD-LSTM模型分别提升了 167％、226％,能够更为精准迅速地反映未来短时船舶交通流量的变化情况.此外,为更直观地呈现船舶交通状态的动态转换过程,简化人工识别难度,利用K均值聚类算法对预测结果进行聚类,实现了航道交通状态的可视化,有效降低了 一线船舶交通管理人员的工作负荷.

关键词：短时船舶交通流量预测、集合经验模态分解(EE-MD)、排列熵(PE)、长短时记忆神经网络(LSTM)、航道交通状态可视化

所属期刊栏目：49

分类号：U618;U691.3(航道工程)

资助基金：国家重点研发计划;国家自然科学基金;中央高校基本科研业务费专项资金资助项目;中央高校基本科研业务费专项资金资助项目

在线出版日期：2023-07-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：58-68