摘 要：精確的港口貨物吞吐量預測對于港口的發展至關重要。本文提出了改進粒子群優化去尾均值多層感知機模型對上海港貨物吞吐量進行預測。選取了影響上海港貨物吞吐量的十個因素進行訓練，實驗結果表明該預測模型的預測性能明顯優于傳統MLP預測模型和基本的粒子群優化多層感知機模型。對該預測模型的誤差分析和收斂性分析表明該預測模型可靠。

　　關鍵詞：粒子群算法;去尾均值;多層感知機;港口吞吐量預測

　　1 引言(Introduction)

　　隨著“21世紀海上絲綢之路”倡議的實施，對港口的管理提出了更高的要求：準確地預測港口貨物吞吐量，為港口調度提供依據，避免港口出現貨物船舶的滯留，縮短交貨周期，提高客戶滿意度，使港口運營更高效。因此，準確地預測港口貨物吞吐量對港口發展至關重要。

　　目前，在港口貨物吞吐量預測方面，陳昌源等[1]通過優化灰色分析法對上海港集裝箱吞吐量進行了預測;黃榮富等[2]通過建立三次指數平滑法對港口吞吐量進行了預測;高嵩等[3，4]分別結合不同預測模型，建立組合預測模型并分別應用于天津港和寧波港的吞吐量預測;李廣儒等[5]將Elman神經網絡應用于寧波舟山港的貨物吞吐量預測;胡克滿等[6]運用灰色模型理論選取部分已知信息計算未知信息，結合人工神經網絡系統對模型進行優化，給出了基于灰色神經網絡的港口貨物吞吐量預測算法。

　　2 吞吐量影響因素分析(Analysis of influencing factors of port throughput)

　　由于港口吞吐量受到政治、經濟、文化、社會等因素的影響，各種因素相互作用導致上海港貨物吞吐量在時間維度上呈現非線性變化的特點，而人工神經網絡能夠擬合非線性映射，具有較強的自適應和自學習能力。但是人工神經網絡存在一些不足之處，它的初始權值和閾值都是隨機生成的，并且在訓練過程中容易陷入局部極小值，而用粒子群算法進行訓練能夠很好地解決人工神經網絡存在的這些問題。此外，人工神經網絡模型的功能往往依賴于網絡權重的組合相加，容易受到離群值的負面影響[7]，因此，本文采用一種改進粒子群(IPSO)優化的去尾均值多層感知機模型(Tr-MLP)對上海港的貨物吞吐量進行預測研究。

　　本文的創新點在于在多層感知機模型中增加了去尾均值，減少離群值的負面影響，并且使用IPSO模型訓練，使收斂速度更快，預測精度更高。

　　3 IPSO(Improved particle swarm optimization)

　　3.1 粒子群優化算法(PSO)模型

　　粒子群優化算法是通過模擬鳥群覓食行為而發展起來的一種基于群體協作的隨機搜索算法。該算法中每個粒子都可以看作搜索空間中的最優解，在移動與飛行的過程中，利用適應度函數求得適應度值，用適應度值評價當前解的優劣。每個粒子由位置、速度和適應度值三項特征值進行表示。PSO初始化為一群隨機粒子(隨機解)，然后通過迭代找到最優解，在每一次迭代中，粒子通過跟蹤兩個“極值”來更新自己。第一個就是粒子本身所找到的最優解，這個解叫作個體極值;另一個極值是整個種群找到的最優解，這個極值是全局極值。不斷調整飛行的速度和位置，以搜索到全局最優值。速度和位置更新公式如下[8]：

　　其中，m=1，2，…，M;j=1，2，…，N;vjm為第j個粒子在第m維的飛行速度;xjm為粒子的位置;和為非負的常數，稱為加速度因子;為介于[0，1]的隨機變量;為個體粒子經歷的自身最優位置;為種群粒子集合中各個粒子進行比較后所經歷的全局最優位置。

　　3.2 改進PSO

　　基礎的PSO模型中，固定的慣性權重會減弱全局尋優能力和減慢收斂速度，因此提出利用非線性變化慣性權重來提高PSO的性能。將進行如下優化：

　　推薦閱讀：軟件開發促進專業知識學習探討