摘 要：为了精准预测港口货物吞吐量，文章研究了改进粒子群算法支持向量机模型。引入自适应惯性权重以及最优粒子扰动决策，来优化支持向量机中的惩罚参数 C 和核函数参数 g。基于 1978—2020 年烟台港吐吞量进行实证分析，对比改进支持向量机模型和原本支持向量机模型的平均相对误差，预测效果优于 SVM 模型，因此为港口货物吞吐量提供技术支持。
关键词：核函数；支持向量机；改进粒子群算法；烟台港
DOI:10.19850/j.cnki.2096-4706.2022.03.036
基金项目：山东省交通运输厅科技计划项目（2020B91）；山东交通学院 2021 年研究生科技创新项目（2021YK02）
中图分类号：TP18 文献标志码：A 文章编号：2096-4706（2022）03-0133-05
Cargo Throughput Prediction of Yantai Port Based on Improved Particle Warm Optimization Support Vector Machine
QIN Qi, ZHOU Zhaoxin, HAN Yang, WANG Shipeng, MA Xushi
(School of Navigation and Shipping, ShanDong JiaoTong University, Weihai 264200, China)
Abstract: In order to accurately predict the cargo throughput of a port, this paper studies the improved Particle Swarm Optimization (PSO) support vector machine model. Adaptive Inertia Weight and optimal particle perturbation decision are introduced to optimize the penalty parameter C and kernel function parameter g in the support vector machine. This paper makes an empirical analysis based on Yantai Port throughput from 1978 to 2020, comparing the average relative error between the improved support vector machine model and the original support vector machine model, the forecasting effect is better than that of SVM model, therefore it provides the technical support for the port cargo throughput.
Keywords: kernel function; support vector machine; improved Particle Swarm Optimization; Yantai port
参考文献：
[1] 贾大山，徐迪，蔡鹏 .2020 年沿海港口发展回顾与 2021年展望 [J]. 中国港口，2021（S1）：1-13.
[2] 李慧 . 基于 Holt-Winters 算法的长江干线货物吞吐量分析及预测 [J]. 中国水运，2021（4）：29-32.
[3] 李香晖.通道建设“提速”港口吞吐“增量” [N].钦州日报，2021-11-01（2）.
[4] 孔琳琳，刘澜，许文秀，等 . 基于时间序列分析的港口集装箱吞吐量预测分析 [J]. 森林工程，2016，32（5）：106-110.
[5] DELURGOIO S A. Forecasting Principles and Applications ［M］.Boston：Irwin/McGraw － Hill，1998.
[6] 占祖桂.基于BP神经网络的香港离岸人民币汇率预测 [J].吉林金融研究，2018（8）：44-46.
[7] 马广慧，马豆豆，邵秀丽 . 基于遗传 BP 神经网络的三七价格预测 [J]. 天津师范大学学报（自然科学版），2017，37（6）：76-80.
[8] DONG B，CAO C，LEE S E. Applying support vector machines to predict building energy consumption in tropical region [J].Energy and Buildings，2005，37（5）：545-553.
[9] 居锦武 . 基于 LS-SVM 的养殖水体氨氮含量分析模型的优化 [J]. 大连海洋大学学报，2016，31（4）：444-448.
[10] 赵合胜 . 基于灰色预测和 SVM 的茶叶烘焙温湿度预测[J]. 西安文理学院学报（自然科学版），2018，21（5）：64-67
[11] DU P，WANG J Z，YANG W D，etal. Container throughput forecasting using a novel hybrid learning method with error correction strategy [J/OL].Knowledge-Based Systems，2019，182：[2021-12-02]. https://www.sciencedirect.com/science/article/abs/pii/S0950705119303284.
[12] MO L L，XIE L，JIANG X Y.et al. GMDH-based hybrid model for container throughput forecasting：Selective combination forecasting in nonlinear subseries [J].Applied Soft Computing，2018，62：478-490.
[13] 陈锦文，兰培真 . 改进型 BP 神经网络的港口吞吐量预测[J]. 集美大学学报（自然科学版），2019，24（5）：352-357.
[14] 张雷雨，杨毅 . 基于 PCA-SVM 的港口集装箱吞吐量预测模型研究 [J]. 江苏商论，2019（5）：33-38.
[15] 刘路民根 . 支持向量机径向基核参数优化研究 [J]. 科学技术创新，2018（26）：48-49.
[16] 余国刚，冯琪，徐粉 . 张家港永嘉集装箱码头集装箱吞吐量组合预测 [J]. 物流技术，2017，36（4）：103-107.
[17] 杜刚，刘娅楠 . 季节性变动影响下的上海港集装箱吞吐量预测 [J]. 华东师范大学学报（自然科学版），2015（1）：234-239.
[18] 张绪进，母德伟，韩涛 . 改进的灰色预测模型在过坝货运量预测中的应用 [J]. 水运工程，2009（6）：4-7.
[19] 王慧，吴茜茜 . 空间自回归模型中系数变量及误差项的贝叶斯估计 [J]. 合肥工业大学学报（自然科学版），2021，44（9）：1291-1296
[20] LIM S，KIM S J. PARK YOUNGJAE，et al. A deep learning-based time series model with missing value handling techniques to predict various types of liquid cargo traffic [J/OL].Expert Systems With Applications，2021，184：[2021-12-02]. https://www.sciencedirect.com/science/article/pii/S0957417421009404.
[21] 陈 旭， 李 典， 张利华， 等 . 基于改进支持向量机（SVM）模型的荆州港吞吐量预测 [J]. 水运工程，2020（3）：38-42.
[22] SCHÖLKOPF B，SMOLA A J. Learning with Kernels：Support Vector Machines，Regularization，Optimization and Beyond [M].[S.I.]：The MIT Press，2001.
[23] 马秋芳 . 改进 PSO 优化的 BP 神经网络短时交通流预测[J]. 计算机仿真，2019，36（4）：94-98+323.
[24] 林权，何正东，仓伟，等 . 一种基于复合储能的自适应权重粒子群算法研究 [J]. 机电信息，2021（28）：8-9+13.
[25] YAN L，WANG H，WANG H，et al. An improved OS-ELM based Real-time prognostic method towards singularity perturbation phenomenon [J/OL].Measurement，2021，182：[2021-12-02].https://www.sciencedirect.com/science/article/abs/pii/S0263224121006424?via%3Dihub.
作者简介：秦圻（1996—），男，汉族，江苏如皋人，硕士研究生在读，研究方向：航运科学与技术。