10.11772/j.issn.1001-9081.2021050816
基于优化变分模态分解和核极限学习机的集装箱吞吐量预测
针对港口集装箱吞吐量数据的复杂性特征,提出基于优化变分模态分解(OVMD)和核极限学习机(KELM)的集装箱吞吐量短期混合预测模型.首先,用汉佩尔辨识法(HI)剔除原始时间序列中的异常值,并把预处理之后的序列通过OVMD分解为多个特征明显的子模态.然后,为提高预测效率,将分解后的子模态按照样本熵(SE)值的大小分成高频低幅、中频中幅和低频高幅三类;同时,借助KELM中携带的小波、高斯和线性核函数捕捉具有不同特征子模态的趋势.最后,把所有子模态的预测结果线性相加得到最终的预测结果.以深圳港的月度集装箱吞吐量数据为样本进行实验,所提模型的平均绝对误差(MAE)达到0.9149,平均绝对百分比误差(MAPE)达到0.199%,均方根误差(RMSE)达到7.8860,决定系数(R2)为0.9944.与四种对比模型相比,所提出的模型在预测精度和效率上都具有一定的优势,同时克服了传统互补集成经验模态分解(CEEMD)和集成经验模态分解(EEMD)中容易出现的模态混叠问题以及极限学习机(ELM)中存在过拟合等问题,具有一定的实际应用潜力.
集装箱吞吐量预测、样本熵、变分模态分解、核极限学习机、分解集成预测模型
42
U691.71(水路运输技术管理)
甘肃省自然科学基金资助项目;甘肃省教育厅双一流科研重点项目
2022-08-30(万方平台首次上网日期,不代表论文的发表时间)
共10页
2333-2342