论船舶交通流量及几种预测方法

朱凌 付震 崔华鑫

摘要 ： 船舶交通流是指连续运行的海上船舶等交通工具的总和，对其进行定量描述的参数有船舶交通流方向、船舶交通流量、船舶交通流密度、船舶交通流宽度、船舶交通流速度等。本文主要对船舶交通流量及其预测方法进行简单介绍.，并分析这几种方法特性，以便对船舶交通流提出较为系统的预测方法，更好的为船舶交通规划和调度管理提供依据。

关键词： 船舶交通流量；影响因素；预测方法

1 船舶交通流量

船舶交通流量是船舶交通流的一个反映尺度，是指单位时间（年/月/日/小时）内通过水域中的某一地点的所有的船舶艘数，船舶交通流量越大，该水域对应地点的交通规模就越大，也就越繁忙，并且在一定程度上船舶交通流量的大小能反映其所在水域交通的是否有序与拥堵状况.船舶交通量的调查研究是船舶交通规划中的重要组成部分，只有掌握了实时的交通流量数据信息，才能更准确地对未来的交通流量进行预测，为船舶交通规划设计与调度管理提供实时的更准确有效的依据。

船舶交通流量的统计通常按时均值、日均值、月均值、高峰时交通量、年最大小时交通量、年最大日交通量等，其中前三者分别表示时间段内小时、日、月的平均交通流量，后三者分别表示全天各小时交通量中最大的1个小时的交通流量、1年内各小时交通量中最大1个小时交通量、1年内各日交通流量中最大的1个日交通量.后面所用数据均为日到达量统计。

2 船舶交通流量预测及其影响因素

船舶交通流量的预测具有提前的（预测性）、总是有误差的（非实际观测性）、在空间上可扩张与缩小的（选择性）等特点，它是一种可测性增量的研究，是一种艺术性色彩很浓的研究，同时，它的预测与水运经济有关，又不完全属于经济预测，它是一种有条件的微观预测。船舶交通流量具有惯性原则、类推原则、相关性原则、概推断原则等，它的预测一般有直觉法、因果法、外推法等基本方法。

船舶交通流量的大小与多方面的因素有关，如社会经济发展水平、研究的交通流所处地域、当地的物产、货运市场等，其影响因素又有内因与外因之分。内因即船舶个体特征，包括船舶种类、船舶尺度、船舶吨级、船舶操纵性能等；外因包括港口腹地经济发展水平、港口泊位因素、航道条件、锚地条件、航行规定及管理要求、水域分布、自然条件、导助航设施等。此外，船舶交通流量还与船舶平均泊港时间、等待时间有关。经济发展水平又体现在多个方面，如 GDP、第一产业、第二产业、第三产业的发展，外贸进出口额、全社会固定资产投资额、沿海港口建设投资等。港口泊位因素体现在港口服务水平、港口功能及布局（包括港口碼头布置、航道布置及锚地设置）、码头泊位平均长度等.货物运输量体现在水路货物运输量、水路货物周转量等。

3 船舶交通流量预测方法

船舶交通流量的预测方法为一般的统计预测方法，有定性与定量预测两个方面，定性预测主要依靠经验判断，预测精度不高，实际研究中一般采用定量预测方法.定量预测方法主要有结合多种定性方法或多种定量方法或定性与定量方法的组合预测模型、多种智能方法融合的船舶交通流系统、基于 BP神经网络或广义神经网络的船舶交通流预测、支持向量机算法的预测、灰色模型的自适应交通流预测、基于误差绝对值加权和最小预测组合法以及模糊法预测等。

3.1 回归分析法

回归分析法是根据事物的因果关系对变量的一种预测方法。因果关系普遍存在，在操作中，根据统计资料求得因果关系的相关系数，相关系数越大，因果关系越密切。通过相关系数就可确定回归方程，预测今后事物发展的趋势。

在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间的回归关系函数表达式（称回归方程式）。回归分析法种类繁多，当研究的因果关系只涉及因变量和一个自变量时，叫做一元回归分析：当研究的因果关系涉及因变量和两个或两个以上自变量时，叫做多元回归分析。此外，回归分析中，又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的，分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法，遇到非线性回归问题可以借助数学手段化为线性回归问题处理。按所含变量的属性划分，有数量回归和非数量（虚变量）回归。

回归分析法预测变量的选取及数据的选取会极大地影响预测的准确性，且对数据来源的正确可靠性要求很高，只有来源正确可靠的数据才能保证分析预测的可靠正确性。

3.2 组合预测模型

组合预测方法是将几种定性方法或几种定量分析方法或定性与定量方法结合起来共同来研究某个问题的预测方法，有等权组合与不等权组合两种方式，它的主要优点是综合考虑了难以定量的政治、政策以及人为因素，再分别利用定性预测与一种或多种定量预测方法得到预测结果，最终整合为组合预测结果，从而提高了其实用性及可行性，且好的组合模型能提高其预测精度，但该模型计算量大，且必须经过事先的多次组合验证才能确定模型，理论并不完善，并不能保证船舶交通流量特点符合其误差要求。在此基础上综合多元线性回归与灰色预测方法了建立了变权组合预测模型，“变权”使模型显得更具科学合理性，但同时对于组合方法的选择随意性很大，筛选过程较粗略，对于单项模型的筛选同时会增加预测工作量。

3.3 支持向量机法

支持向量机（SVM）是 Corinna Cortes 和 Vapnik8 等于1995 年首先提出的，它在解决小样本数据、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他问题研究中。该方法能根据有限的样本观测信息在模型的复杂性与自学习能力之间寻求最佳的模型与数据关系，从而获得更好的预测分析结果.其基本思想是将目标问题归结为一个凸规划问题，再通过非线性变换（定义适当的核函数）来进行求解，适用于较短期预测，对数据的真实性要求高、精度不高且有一定的不稳定性。

3.4 神经网络预测法

神经网络理论上可以逼近任意非线性系统，适用于船舶交通流量的中期或短期预测，存在网络拓扑结构难以确定、容易陷入局部极小点、收敛速度慢等问题；样本对模型的预测效果有着关键性的影响，在小样本情况下预测效果常常不够理想，在样本足够多的状况下，用神经网络模型进行预测，预测精度可以达到要求。神经网络有许多不同的类型，应用较多的是BP神经网络与RBF神经网络。

4 总结

这些预测船舶交通流量的定量方法可以较为准确的预测船舶交通流量，将多种方法综合应用才能克服单一方法存在的局限性，才能更好的综合各个方法的优点。实现精确采集海上船舶交通流数据，对于提高船舶交通规划水平和实现港口船舶调度提供更好的理论依据。

参考文献

[1]吕靖，方祥麟.船舶交通量的组合系统预测模型与方法[J].大连海事大学学报，1996，22（2）：33-35.

[2]刘敬贤，刘振东，周锋.基于广义回归神经网络的船舶交通量预测模型[J].中国航海，2011，34（2）：74-77.

[3]田燕华，陈锦标.基于BP 神经网络的船舶交通流量预测研究[J].航海工程，2010，39（1）：122-125.

[4]冯宏祥，肖英杰，孔凡邨.基于支持向量机的船舶交通流量预测模型[J].中国航海，2011，34（4）：62-67.

[5]郑友银，徐志京.基于灰色自回归模型的船舶流量预测方法[J].航海工程，2011，40（1）：122-125.