GA optimize ELM'ye dayalı gemi trafik akışının tahmin modeli
Cui Xiangpeng, Huang Hongqiong
(Bilgi Mühendisliği Okulu, Şangay Denizcilik Üniversitesi, Şangay 201306)
: Gemi trafik akış tahmininin verimliliğini ve doğruluğunu artırmak için gemi akış tahmininde birden çok etkileyen faktör, doğrusal olmama ve rastlantısallık sorunları analiz edilir ve bir ELM (Extreme Learning Machine) tahmin modeli oluşturulur. Aynı zamanda, aşırı öğrenme makinesi algoritmasının girdi ağırlık matrisinden ve gizli katman sapma rasgeleliğinden etkilenmesini önlemek için algoritma, aşırı öğrenme makinesinin girdi ağırlık matrisini ve gizli katman sapmasını optimize etmek için GA (genetik algoritma) kullanır ve GA- ELM gemi trafik akış tahmin modeli. Şangay Yangshan Limanı gemi akışı kullanılarak model analiz edilmiş ve model MATLAB simülasyonu ile tahmin edilmiştir GA-ELM modeli saf BP modeli ve ELM modeli ile karşılaştırılarak analiz edilmiştir.Sonuçlar GA-ELM modelinin daha yüksek performansa sahip olduğunu göstermektedir. Gemi trafik akışını nispeten doğru ve verimli bir şekilde tahmin edebilen tahmin doğruluğu ve verimliliği.
: Gemi trafik akışı; genetik algoritma; aşırı öğrenme makinesi; tahmin
: TP391.9 Belge tanımlama kodu: ADII: 10.19358 / j.issn.1674-7720.2017.09.005
Alıntı biçimi : Cui Xiangpeng, Huang Hongqiong. GA tarafından optimize edilmiş ELM J 'ye dayalı gemi trafiği akışı tahmin modeli. Mikrobilgisayar ve Uygulama, 2017,36 (9): 15-17,21.
0 Önsöz
Son yıllarda, sosyal ekonominin ve dış ticaretin hızla gelişmesiyle birlikte, çeşitli sularda gemi akışı artmaya devam etmiş, bu da seyir sularında sık sık gemi trafik kazalarına neden olmuş, bu da sadece büyük ekonomik kayıplara değil, aynı zamanda can kayıplarına da neden olmuştur. Bu nedenle, seyir sularında gemi akış tahminlerinin doğruluğunu ve verimliliğini artırmak özellikle önemlidir. Aynı zamanda, tahminin doğruluğu ve verimliliği, su yolunun planlanması ve tasarımı ile gemi seyrüsefer yönetimi için güçlü bir temel sağlar. Şu anda, gemi akış tahmini için yerli ve yabancı araştırma yöntemleri, destek vektör makine tahmini [1], regresyon analizi [2], gri analiz [3] ve diğer yöntemleri içerir, ancak bu tahmin yöntemlerinin tahmin verimliliğini ve doğruluğunu karşılaması zordur.
Zayıf genelleme yeteneği, yavaş eğitim hızı ve düşük tahmin doğruluğu gibi mevcut tahmin yöntemlerinin eksikliklerini hedefleyen bu makale, yeni bir gemi trafik akış tahmin modelini, yani genetik algoritmayı ilk kez birleştiren GA-ELM tahmin modelini benimser. (GA) Ekstrem öğrenme makinesinin (ELM) optimize edilmiş yöntemi, gemi trafiği akış tahmini için kullanılır. Genetik algoritma, biyolojik dünyanın evrim yasasına göre geliştirilmiş iyi bir rastgele arama yeteneğine sahiptir; ve aşırı öğrenme makinesi (ELM) algoritması, benzersiz optimum çözümü, hızlı öğrenme hızını ve iyi genelleme performansını elde etme avantajlarına sahiptir. İkisini birleştirerek, giriş katmanı ile ELM'nin gizli katmanı arasındaki bağlantı ağırlığını ve gizli katman nöronlarının eşiğini optimize etmek için GA kullanılarak, gemi trafik akışını tahmin etme amacına ulaşılır.
1 Extreme Learning Machine (ELM)
Nanyang Teknoloji Üniversitesi'nde doçent olan Huang Guangbin, 2004'te Extreme Learning Machine (ELM) algoritmasını önerdi. ELM, gelişmiş bir ileri beslemeli sinir ağı (SLFN) öğrenme algoritmasıdır. Geleneksel ile karşılaştırıldığında
SLFN ve ELM, hızlı eğitim hızına sahiptir, küresel olarak benzersiz optimal çözümü elde eder ve iyi genelleme yeteneğine sahiptir [4]. Ayrıca yetersiz örnek verisi olması durumunda ELM'nin tahmin sonuçları da iyidir.Giriş katmanı, gizli katman ve çıktı katmanı olmak üzere üç bölümden oluşan yapısı Şekil 1'de gösterilmiştir.
Genellikle wij (i = 1, ..., l, j = 1, ..., n) giriş katmanı ile gizli katman arasındaki bağlantı ağırlığı olarak ayarlanır; bk (k = 1, ..., l) gizli katman nörondur Eşik; jk (j = 1,, l, k = 1,, m) gizli katman ile çıktı katmanı arasındaki bağlantı ağırlığıdır; wij, giriş katmanı ve j'inci gizli katmandaki i-inci nöronu temsil eder Her bir nöronun bağlantı ağırlığı; jk, gizli katmandaki j. Nöronun ve çıktı katmanındaki k. Nöronun bağlantı ağırlığını temsil eder. Eğitim setinin girdi matrisi X ve çıktı matrisi Y olsun
X = x1, x2,, xn T, Y = y1, y2,, ym T (1)
Gizli katman nöronunun aktivasyon işlevinin Sigmoid olduğunu ve ifadesinin şöyle olduğunu varsayalım:
Formülde j = 1,2, ..., n;
wi = [wi1wi2 wim]. Denklem (4), H = T 'olarak ifade edilebilir, burada T', T'nin transpoze matrisidir. Sinir ağının gizli katmanının H matrisi:
Gizli katmandaki nöron sayısı eğitim setindeki örnek sayısına eşit olduğunda, w ve b'yi ayarlayarak, tek gizli katmanlı ileri beslemeli sinir ağı (Tek Gizli Katmanlı İleri Beslemeli Sinir Ağı, SLFNN) eğitim örneğine hatasız yaklaşabilir [5] ,hangisi:
Formülde j = 1,2, ..., m. Bununla birlikte, eğitim seti X'teki örnek sayısı büyük olduğunda, gizli katman nöronlarının sayısı genellikle K'dir. < n, SLFN'nin eğitim hatası keyfi olarak tahmin edilebilir [5] > 0, yani:
Seçilen uyarma fonksiyonu g (x) sonsuz derecede türevlenebilir olduğunda, w ve b'yi alın, en küçük kare çözümü elde etmek için formül (8) ile by değeri elde edilebilir, yani:
minH T (8)
Çözümler şunları yapmalıdır:
= H + T (9)
Bunlar arasında H +, gizli katman çıktı matrisi H'nin Moore-Penrose tersidir.
2 GA-ELM tahmin modelinin oluşturulması
Genetik optimizasyon algoritması, biyolojik dünyanın evrim yasasına göre geliştirilmiş rastgele bir arama yöntemidir ve doğasında bulunan örtük paralellik, pratiklik ve global optimizasyon yeteneği açısından büyük avantajlara sahiptir.
ELM modelinin gizli katmanının girdi ağırlıkları ve sapmaları rastgele verildiği için, bazı gizli katman düğümlerinin başarısız olmasına neden olan bazı rastgele 0 set değerleri olabilir. Bu nedenle, bu makale, genetik algoritma seçimi, çaprazlama ve mutasyon işlemleri yoluyla optimum başlangıç ağırlıkları ve eşikleri elde eden ve ardından optimum ELM modelini elde eden girdi ağırlıklarını ve sapmalarını optimize etmek için genetik algoritmayı kullanır. Şekil 2, GA-ELM modelinin akış şemasıdır.Eğitim adımları aşağıdaki gibidir:
(1) Uygunluk işlevini, k popülasyonu sayısını ve evrim sayısını p ayarlayın. Bu kağıt, uygunluk işlevi olarak test seti örnek verilerinin ortalama kare hatasını seçer. Uygunluk işlevi değeri ne kadar küçükse, model o kadar doğru olur.
(2) Popülasyonu belirtin. Nüfus sayısı k genellikle 20-40'a ayarlanır. Bireyin uzunluğu, gizli katman girdi ağırlık matrisi ve sapma vektöründen oluşur, yani D = L (n + 1), burada L, gizli katman düğümlerinin sayısıdır ve n, giriş katmanı nöronlarının sayısıdır, yani giriş vektörünün boyutudur.
Q = [a11, a12,, a1L, a21, a22,, a2L, aL1, aL2,, aLL, b1, b2,, bL], burada Q popülasyondaki 'inci kişiyi temsil eder, 1 k, aij ve bj [-1,1] aralığında rastgele seçilir.
(3) En iyi uygunluk işlevini en iyi yerel olarak çözün. en iyi başlangıç değeri
10. ve 'nin başlangıç değeri 0'dır. Eğitim verileri normalize edilerek modele getirilir ve sırayla her bireyin uygunluk işlevi elde edilir Döngü = k olduğunda sona erer ve best'in değeri çözülür [6].
(4) Küresel olarak en iyi uygunluk işlevini çözün. Optimal uygunluk işlevi her seferinde çözüldükten sonra, popülasyon çapraz geçiş ve mutasyon ile optimize edilir ve evrimsel cebir test edilir. p'den küçük veya p'ye eşit olduğunda, değeri başlangıçta 0'dır ve p'den büyük olana kadar adım (3) döndürülür. Hesaplamayı durdurun, yani elde edilen best optimal uygunluk fonksiyonudur ve optimize edilmiş ELM modeli karşılık gelen parametrelere göre elde edilebilir.
3 Deneysel simülasyon ve analiz
3.1 Deneysel veriler ve ayarlar
Yangshan Deepwater Limanı'ndan geçen yukarıda belirtilen gemiler araştırma nesneleridir.Şangay Yangshan Limanı istatistiklerine göre 10 Nisan 2016 - 16 Temmuz 2016 tarihleri arasındaki gemi akış verileri tahmin verileri olarak seçilmiştir. İlk 60 günün verileri tahmin verisi olarak, son 37 günün verileri ise test verisi olarak kullanılmıştır. Bir tahmin modeli oluşturmak için doğal faktörler, ortalama gemi tonajı, lojistik maliyet, iş endeksi ve Şangay ekonomik endeksi dahil olmak üzere beş faktör seçildi. Tahmin hatasını azaltmak için örnek veriler formül (10) [7] 'ye göre normalleştirilir.
Simülasyon deneyinde, GA'yı gerçekleştirmek ve en iyi GAELM gemi akış tahmin modelini oluşturmak için MATLAB'daki Sheffield araç kutusu kullanılır. GA'nın parametreleri şu şekilde ayarlanır: popülasyon boyutu 20, maksimum genetik üretim sayısı 100, geçiş olasılığı 0.75, mutasyon olasılığı 0.02 ve üretim aralığı 0.95'tir.
3.2 Deneysel simülasyon etkisi ve analizi
Deneyin etkilerini karşılaştırmak için bu makale, BP, ELM ve GA-ELM olmak üzere üç algoritmanın MAE, MAPE, RMSE ve simülasyon zamanını kaydeder. Pt gerçek ölçülen değer olsun, tahmin edilen değer t olsun, n toplam gözlem dizisi sayısıdır ve tahmini göstergeler aşağıdaki gibidir [8]:
Bu üç modelin performansı karşılaştırılmış ve sonuçlar Tablo 1'de gösterilmiştir. Ek olarak, simülasyon deneyleri ve karşılaştırmalar sırasıyla BP sinir ağı, ELM modeli ve GA-ELM modeli üzerinde gerçekleştirilmiş ve simülasyon sonuçları Şekil 3 ila 5'de gösterilmiştir.
Tablo 1 ve Şekil 3 ila 5'ten, hem BP sinir ağının hem de ELM modelinin karşılık gelen tahmin sonuçlarını elde ettiği, ancak tahminin doğruluğunun GA_ELM modeli kadar iyi olmadığı görülebilir. BP sinir ağının örnek sayısı konusunda yüksek gereksinimleri olduğundan, ELM'de bu iki algoritmanın tahmininin doğruluğunu etkileyen aşırı uyan fenomenler ve rastgele atama problemleri olacaktır. GA, daha iyi global optimizasyon yeteneklerine sahiptir. GA, ELM modelinin rastgele atama problemini optimum çözümü elde etmek için optimize etmek için kullanılır ve elde edilen tahmin hatası küçülür.
GA-ELM tahmin modelinin ortalama mutlak hata, ortalama mutlak yüzde hatası, kök ortalama kare hatası ve simülasyon süresinin BP modeli ve ELM modelinden önemli ölçüde daha az olduğu Tablo 1'den görülebilir. Bu nedenle GA-ELM modeli, tahmin doğruluğu ve verimliliği açısından BP modeli ve ELM modelinden daha iyi avantajlara sahiptir.
4. Sonuç
Bu yazıda, genetik algoritma ile optimize edilmiş aşırı öğrenme makinesi modeli, akış tahminine ilk kez uygulanmıştır.Ga algoritması prensibine göre, ELM tahmin modelinin parametrelerinin seçimi, rasgeleliğin model tahminin doğruluğu üzerindeki etkisini önlemek ve tahmin doğruluğunu iyileştirmek için optimize edilmiştir. .
Gemi trafik akışını tahmin etmek için GA-ELM'yi kullanın ve tahmin etkisini BP modeli ve ELM modeli ile karşılaştırın. Sonuçlar, GA-ELM'nin daha iyi genelleme kabiliyetine ve iyi stabiliteye sahip olduğunu ve tahmin sonuçlarının gerçek gemi trafiği akışıyla tutarlı olduğunu göstermektedir. Gemi trafik akışını doğru ve verimli bir şekilde tahmin ederek gemi trafiği akış tahmini için yeni bir yol sağlar. yöntem.
Referanslar
1 Feng Hongxiang, Xiao Yingjie, Kong Fancun Destek vektör makinesine dayalı gemi trafik akışı tahmin modeli J. Çin Navigasyonu, 2011,34 (4): 62-66.
[2] Wang Dong, Xiong Xilong Etkileyen faktörlerin analizine dayalı gemi trafiği akış tahmini için çok değişkenli doğrusal regresyon modeli J Ship Gemi ve Okyanus Mühendisliği, 2010, 39 (3): 178-180.
3 Li Jun, Xu Zhijing, Tang Beibei. GA Optimizasyonuna Dayalı Gri Sinir Ağı Gemisi Trafik Akışı Tahmin Yöntemi Üzerine Araştırma J. Gemi ve Okyanus Mühendisliği, 2013, 42 (5): 135-137.
4 HUANG G B, ZHU Q Y, SIEW C K. Aşırı öğrenme makinesi: teori ve uygulamalar J. Neurocomputing, 2006, 70 (13): 489-501.
5 HUANG G B, ZHU Q Y, SIEW C K. Extreme öğrenme makinesi: ileri beslemeli sinir ağlarının yeni bir öğrenme planı J. Uluslararası Sinir Ağları Ortak Konferansı Bildirileri, 2004, 2 (2): 985-990.
[6] Wang Xinmin, Li Tianzheng, Zhang Qinli.Ga-ELM J 'ye dayalı çamur boru hattı taşımacılığı için kritik akış hızının tahmin modeli üzerine araştırma. Çin İş Güvenliği Bilimi ve Teknolojisi, 2015 (8): 101-105.
[7] Niu Haodong, Huang Hongqiong. FOA optimize GRNN J 'ye dayalı gemi trafik akış tahmin modeli. Mikrobilgisayar ve Uygulama, 2016, 35 (12): 81-83.
[8] Lang Maoxiang. Tahmin teorisi ve yöntemleri M. Beijing: Tsinghua University Press, 2011.
