融合预训练的港口吞吐量LSTM预测模型

作者：张聪; 许浩然; 詹炜; 黄岚^*

来源：科学技术与工程, 2023, 23(32): 13910-13916.

• 深度学习
• 港口吞吐量
• 时序预测
• 长短时记忆神经网络(LSTM)

港口吞吐量时序变化数据量较小且变化快，传统长短时记忆(long short term memory, LSTM)神经网络在此类数据上易出现过拟合，导致模型预测性能不佳。针对此问题，提出融合预训练与LSTM时序模型，通过预训练捕获任务领域的全局信息，再用LSTM模型精确描述各个港口的吞吐量变化规律，以提升模型对全部港口吞吐量预测的准确性。以天津港等15个中大型港口过去21年的月吞吐量为实验数据，以BP(back propagation)、自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA)、传统LSTM等预测模型和目前流行的图神经网络(graph nerual network, GNN)-LSTM模型为比较基准进行仿真实验。结果表明：所提出的融合预训练的LSTM模型能有效解决LSTM神经网络的过拟合问题，整体预测准确率高于所有基准模型。与传统LSTM模型相比，基于预训练的LSTM的MAE指标平均降低45.2%,最多降低80.0%。

• 单位
  长江大学