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

作者：张丰婷; 杨菊花; 任金荟; 金坤

来源：计算机应用, 2021, 1-10.

• 集装箱吞吐量预测
• 样本熵
• 变分模态分解
• 核极限学习机
• 混合预测模型

针对港口集装箱吞吐量数据的复杂性特征，提出了基于优化变分模态和极限学习机的集装箱吞吐量短期混合预测模型。首先，离群点处理（HI）剔除原始时间序列中的异常值，预处理之后的序列通过优化的变分模态分解（OVMD）技术分解为多个特征明显的子模态。然后，为了提高预测效率，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。借助核极限学习机（KELM）中不同类型的核函数对不同特征序列的预测性能，分别用小波、高斯和线性核函数捕捉具有不同特征子模态的趋势。最后，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证研究，该方法的均方误差（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和相关系数（R2）为0.9944。通过与其他四种传统模型相比，算例表明提出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CEEMD和EEMD中容易出现的模态混叠问题以及ELM中存在的过拟合等缺陷，具有一定的实际应用潜力。

• 单位
  交通运输学院; 兰州交通大学; 中国铁路兰州局集团有限公司