本发明属于运输物流管理和港口运营规划领域，具体涉及基于进化型季节趋势分解的自适应港口货物吞吐量预测方法。
背景技术：
1、港口货物吞吐量是指一定时期内通过港口进出的货物总量，它是衡量港口运营效率和处理能力的重要指标。该指标的准确预测对于港口规划和日常管理极为重要，直接关联到资源的高效分配、运营调度的优化以及供应链的整体协同等多个方面。然而，港口货物吞吐量受全球贸易流动性、经济活动水平、政策变动及突发性事件等多种因素的影响，可能产生大幅度波动。因此，准确预测港口货物吞吐量面临着诸多挑战。
2、目前，已有多种方法被用于预测港口货物吞吐量，主要包括：基于神经网络的预测模型：某些研究者已经开发了基于反向传播神经网络的模型，利用经济指标如外贸进出口总量、产业产值等作为输入，尝试捕捉货物吞吐量的动态变化。时间序列分析方法：其他研究者则侧重于使用时间序列分析技术，例如elman神经网络，这些模型能够处理动态信息，尝试从历史数据中识别出模式和趋势。
3、尽管这些方法在某些情况下表现良好，但它们通常存在以下几个不足：复杂数据处理能力不足：现有方法往往难以有效处理包含大量噪声和非线性特征的复杂数据，尤其是在数据量大和环境快速变化的场景中。长期趋势和周期性因素考虑不足：许多模型未能充分考虑港口货物吞吐量数据中存在的长期趋势和周期性变化，这限制了预测的准确性和可靠性。对不确定性因素的处理不足：港口货物吞吐量受多种外部因素影响，包括经济波动、政策变动及其他突发事件，现有技术未能有效应对这些不确定性因素，导致预测结果的偏差。
技术实现思路
1、本发明的目的是针对现有技术的缺陷，提供基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，目的是减少港口货物吞吐量预测的误差，进而提高预测准确度和整体规划效率，解决港口运营效率和港口货物吞吐量预测问题。
2、为实现上述目的，本发明具体提供如下技术方案：基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，该方法采用以下步骤完成港口货物吞吐量的预测：
3、s1：数据收集和处理：收集历史港口货物吞吐量数据，吞吐量数据具体包括时间序列数据、贸易流量；对数据进行清洗、标准化和预处理，预处理具体采用归一化处理，归一化处理的计算公式为：
4、
5、其中，y(xi)代表在时间点xi的原始数据值，ymin和ymax分别代表数据集中的最小值和最大值，y(xi)normalized为归一化处理的结果；
6、s2：模型构建：使用进化型季节趋势分解算法，将港口货物吞吐量yx分解为季节项sx、趋势项tx和残差项ix；
7、s3：算法优化：利用改进的粒子群算法对前馈神经网络的权重和偏置进行优化，对残差项进行深入分析，通过变异和寻优策略，不断迭代寻找最优解，减少预测误差并提高了预测的稳定性；
8、s4：动态权重调整：引入动态权重调整机制，根据数据驱动自适应地调整各组成部分的权重，优化最终的预测模型。
9、s5：结果评估和验证：使用均方误差、平均绝对误差和平均绝对百分比误差评价指标，对模型的预测结果进行评估。
10、作为本发明的一种优选技术方案，步骤s2中所述进化型季节趋势分解算法具体为一种基于loess的季节趋势分解算法，其算法流程具体包括以下步骤，其中，loess代表局部加权回归：
11、s2-1：原始序列分解：使用loess算法对原始时间序列yx进行分解，具体计算公式为：
12、yx＝sx+tx+ix,x＝1,2,3,…,n (3)
13、其中，sx代表季节分量，tx代表趋势分量，ix代表不规则分量；
14、s2-2：局部回归拟合：在计算局部拟合曲线f(x)时，以信号点x为中心，选择最接近x的p个点的集合并根据每个点与x之间的距离为它们分配一个局部权重vi(x)，其计算公式为：
15、
16、
17、
18、其中，p<n，w是一个三次权重函数对相邻数据集进行线性加权，λp(x)代表距离缩放参数，用于调整点之间的距离影响如何转化为权重，缩放x到最远点xi的距离；
19、s2-3：迭代更新与鲁棒性权重：分解过程是利用loess通过内环循环和外环循环对序列进行平滑处理，分解出季节分量和趋势分量，并在内环循环中不断更新迭代，在迭代的过程中，根据估算的残差分量形成鲁棒性权重εt，其计算公式如下：
20、
21、
22、σ＝6median(|ix|) (9)
23、其中，b(b)一个阈值函数，用于计算鲁棒性权重εx；σ为标准差的估计值，6median代表聚类算法，通过调整鲁棒性权重，可以有效地减少异常值对结果的干扰。
24、作为本发明的一种优选技术方案，步骤s3中所述算法优化采用高斯差分变异和多尺度莱维飞行策略改进的混沌粒子群算法优化前馈神经网络，其算法优化的具体步骤包括：s3-1：使用logistics映射初始化种群分布；s3-2：提出多尺度莱维飞行策略对粒子位置进行更新；s3-3：使用高斯差分变异策略对粒子位置进行概率变异。
25、作为本发明的一种优选技术方案，步骤s3-1中所述的logistics映射初始化种群分布的映射公式为：
26、xi+1＝chaos*xi*(1-xi) (10)
27、其中，xi是当前迭代步骤中的logistics映射值；xi+1是下一个迭代步骤的logistics映射值；chaos是混沌系数，当chaos取不同值时，logistics映射有着丰富的动态行为，其中，使用logistics映射初始化种群的公式为：
28、posi,j＝lbj+(ubx-lbj)×logisticsi,j (11)
29、其中，posi,j是第i个粒子在第j个维度上的初始位置，lbj和ubj分别是搜索空间的下界和上界向量。
30、作为本发明的一种优选技术方案，步骤s3-2中所述的多尺度莱维飞行策略对粒子位置进行更新的计算过程为：
31、生成一个[0,1]区间内服从均匀分布的随机数δ，如果δ<0.5，粒子位置更新公式为：
32、
33、
34、其中，表示粒子i在下个时间步t+1的速度向量，ω为惯性权重，c1和c2为加速因子，r1和r2为[0,1]范围内的随机数，pbesti是粒子i在搜索过程中的最优值，是粒子i在时间t的位置，gbest是所有粒子在搜索过程中的最优值；如果δ>0.5，则使用多尺度莱维飞行策略更新粒子位置，具体使用mantegna算法来模拟，mantegna算法的数学表示为：
35、
36、
37、
38、
39、
40、其中，s为步长，μi和vi为正态分布，β代表稳定分布的指数参数，取常数1.5，使用多尺度莱维飞行策略对粒子位置更新，γ为伽玛函数，更新计算公式为：
41、
42、
43、其中，λ是多尺度缩放因子，fi是步长控制因子，t为总迭代次数，t为当前迭代次数。
44、作为本发明的一种优选技术方案，步骤s3-3中所述的使用高斯差分变异策略对粒子位置进行概率变异的高斯分布函数公式为：
45、
46、其中，x是随机变量的取值，μ是分布的均值，σ是分布的标准差，高斯差分变异首先计算当前个体与全局最优解gbest的差异向量，然后加入高斯分布的随机扰动项来生成变异后的粒子位置mutantpos，具体更新计算公式为：
47、mutantpos＝pos(i,:)+gaussian·(gbest-pos(i,:)) (22)
48、其中，gaussian代表随机扰动项，mutantpos代表变异后的粒子位置，pos(i,:)表示第i个粒子的位置向量。
49、作为本发明的一种优选技术方案，步骤s4中所述的自适应动态权重调整具体采用了一种加权融合模块，该加权融合模块通过以下步骤完成所述预测结果的加权合并：
50、s4-1：季节分量sx采用移动平均进一步处理以减少随机噪声，具体计算公式为：
51、sx＝avgpool(padding(s)) (23)
52、其中，avgpool代表平均池化，padding代表填充操作；
53、s4-2：趋势分量tx通过三次多项式进行非线性拟合来获得合适的趋势曲线，具体计算公式为：
54、tx＝at3+bt2+ct+d (24)
55、其中，a、b、c、d代表多项式的系数，t代表输入数据；
56、s4-3：残差分量ix采用glpso-fnn进行预测，其中，glpso-fnn代表使用高斯差分变异和莱维飞行策略改进的混沌粒子群算法优化的前馈神经网络；
57、s4-4：对三个分量子序列进行自适应加权融合成最终的港口货物吞吐量预测结果，具体计算公式为：
58、yx＝wssx+wttx+wiix (25)
59、
60、
61、
62、
63、
64、
65、
66、
67、其中，yx代表吞吐量预测结果，代表实际值，f是损失函数，ws、wt和wi代表权重参数，初始化为1，n是样本数量，τ是误差反馈调整系数，et-1是前一步的误差，e是误差集合，用于规范化误差，η是学习率，用于控制权重更新的步长，设置为1e-2，μ是平滑因子，δwpre是前一步的权重更新，通过误差反馈来自适应地动态调整权重，以提高模型的整体预测精度和适应性。
68、本发明与现有技术相比，本发明的有益效果如下：
69、本发明采用的进化型季节趋势分解算法(estd)显著提高了预测模型的准确性。通过将港口货物吞吐量数据细致地分解为季节分量、趋势分量和不规则分量，estd能够更深入地分析和理解数据的内在结构。这种分解帮助模型精确捕捉到影响吞吐量的周期性变化和长期趋势，从而减少预测误差，提供更为精确的未来吞吐量估计。通过对比实验和长期跟踪表明，estd模型在预测中显示出卓越的稳定性和一致性。随着时间推移，尽管面临数据的波动和外部环境的变化，该模型仍能持续提供与真实数据序列高度一致的预测结果。这种稳定性特别适合于港口货物吞吐量这种受多种因素影响、易受外部扰动的数据，确保长期规划和决策的可靠性。
1.基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，其特征在于，该方法包括以下流程：
2.根据权利要求1所述的基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，其特征在于，步骤s2中所述进化型季节趋势分解算法具体为一种基于loess的季节趋势分解算法，其算法流程具体包括以下步骤，其中，loess代表局部加权回归：
3.根据权利要求1所述的基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，其特征在于，步骤s3中所述算法优化采用高斯差分变异和多尺度莱维飞行策略改进的混沌粒子群算法优化前馈神经网络，其算法优化的具体步骤包括：s3-1：使用logistics映射初始化种群分布；s3-2：提出多尺度莱维飞行策略对粒子位置进行更新；s3-3：使用高斯差分变异策略对粒子位置进行概率变异。
4.根据权利要求3所述的基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，其特征在于，步骤s3-1中所述的logistics映射初始化种群分布的映射公式为：
5.根据权利要求3所述的基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，其特征在于，步骤s3-2中所述的提出的多尺度莱维飞行算法对粒子位置进行更新的计算过程为：
6.根据权利要求3所述的基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，其特征在于，步骤s3-3中所述的使用高斯差分变异策略对粒子位置进行概率变异的高斯分布函数公式为：
7.根据权利要求1所述的基于进化型季节趋势分解的自适应港口货物吞吐量预测方法，其特征在于，步骤s4中所述的动态权重调整具体采用了一种加权融合模块，该加权融合模块通过以下步骤完成预测结果的加权合并：
