基于大数据的港口货物吞吐量预测方法及系统

专利主权项内容

1.一种基于大数据的港口货物吞吐量预测方法，其特征在于，包括：获取港口货物吞吐量的历史数据，输入频率分解层，基于所述历史数据的趋势，初始化频率分量函数、频率带宽和残差信息，通过残差带宽适应度调节算法，得到所述频率带宽和所述残差信息的最优解，结合所述频率分量函数，得到频率分解结果，筛选并重组成时间序列数据；根据所述时间序列数据，绘制时序图，评估所述时序图的平稳性，当所述平稳性不符合预设阈值时，通过差分操作，得到平稳时间序列数据，使用所述平稳时间序列数据，通过绘制自相关图和偏自相关图，初始化第一预测模型，通过对所述第一预测模型的评估和更新，拟合出符合预设目标的最终第一预测模型，使用所述最终第一预测模型，得到第一预测结果；基于第二预测模型，对所述时间序列数据执行双向操作，基于前一时间步的隐藏状态，计算出当前记忆单元，从所述当前记忆单元中筛选出当前隐藏状态，传递所述当前隐藏状态，重复操作直到完成所述双向操作，得到双向隐藏状态序列，连接所述双向隐藏状态序列相同时间步的隐藏状态，经过输出层处理，得到所述第二预测模型的第二预测结果；将第一预测结果和第二预测结果相结合，得到最终预测结果；获取港口货物吞吐量的历史数据，输入频率分解层，基于所述历史数据的趋势，初始化频率分量函数、频率带宽和残差信息，通过残差带宽适应度调节算法，得到所述频率带宽和所述残差信息的最优解，结合所述频率分量函数，得到频率分解结果，筛选并重组成时间序列数据包括：获取港口货物吞吐量的历史数据，输入频率分解层；对所述历史数据进行解析，识别所述历史数据包含的趋势特征，根据所述趋势特征初始化频率分量函数，设置初始频率带宽，并计算残差信息；通过残差带宽适应度调节算法，对所述频率带宽和所述残差信息进行迭代操作，直到满足预设的适应度值，得到所述频率带宽和所述残差信息的最优解；利用所述频率带宽和所述残差信息的最优解，结合所述频率分量函数，计算得到频率分量，根据预设的筛选规则，对所述频率分量进行筛选，对筛选结果进行重组，得到频率分解结果，从所述频率分解结果中提取与所述历史数据的时间相对应的时间序列数据；通过残差带宽适应度调节算法，对所述频率带宽和所述残差信息进行迭代操作，直到满足预设的适应度值，得到所述频率带宽和所述残差信息的最优解包括：以使频率带宽和残差信息最小化为结果，构建适应度函数；确定与所述频率带宽和所述残差信息的更新相关联的调整参数，对所述调整参数进行二进制编码，生成基因组，一个所述基因组对应种群中的一个个体，使用随机选择的所述个体初始化种群，执行以下迭代：使用所述适应度函数，计算每个所述个体的适应度值，根据适应度值降序排列，选择适应度值排名符合预设筛选阈值的入围个体，对所述入围个体进行交叉操作，生成子代个体，对所述入围个体进行变异操作，生成变异个体，使用所述入围个体、子代个体和变异个体，构建更新种群；重复执行所述迭代，直到所述更新种群的适应度值全部满足预设的最优适应度阈值，停止迭代，得到最优种群；从所述最优种群中，选择适应度最大值对应的最优个体，提取所述最优个体对应的调整参数，得到所述频率带宽和所述残差信息的最优解；根据所述时间序列数据，绘制时序图，评估所述时序图的平稳性，当所述平稳性不符合预设阈值时，通过差分操作，得到平稳时间序列数据，使用所述平稳时间序列数据，通过绘制自相关图和偏自相关图，初始化第一预测模型，通过对所述第一预测模型的评估和更新，拟合出符合预设目标的最终第一预测模型，使用所述最终第一预测模型，得到第一预测结果包括：根据所述时间序列数据，绘制所述时间序列数据的时序图，评估所述时序图的平稳性；当所述时序图不平稳时，通过差分操作，得到平稳时间序列数据；基于所述平稳时间序列数据，使用Python的统计模型库，绘制自相关图和偏自相关图，通过对所述自相关图和所述偏自相关图的分析，识别模型参数，使用所述模型参数，构建第一预测模型，其中，所述模型参数包括自回归阶数、差分阶数、移动平均阶数和季节性阶数；使用所述第一预测模型进行预测，得到预测值，求解预测值和实际值之间的差异，对所述差异进行检测，得到检测表现结果；当所述检测表现结果不符合预设的白噪声标准时，使用最小二乘法，更新所述模型参数，重新拟合所述第一预测模型，重复执行检测、更新和拟合，直到所述第一预测模型的检测表现结果符合预设的白噪声标准，得到最终第一预测模型；经过所述最终第一预测模型的预测，得到第一预测结果；基于第二预测模型，对所述时间序列数据执行双向操作，基于前一时间步的隐藏状态，计算出当前记忆单元，从所述当前记忆单元中筛选出当前隐藏状态，传递所述当前隐藏状态，重复操作直到完成所述双向操作，得到双向隐藏状态序列，连接所述双向隐藏状态序列相同时间步的隐藏状态，经过输出层处理，得到所述第二预测模型的第二预测结果包括：将所述时间序列数据作为第二预测模型的输入数据，对所述输入数据进行双向操作，其中，所述双向操作包括正向操作和逆向操作；设置初始的隐藏状态和初始的记忆单元，按照从第一时间步到最后时间步的顺序，对所述输入数据的每个时间步进行操作：基于前一时间步的隐藏状态，计算输入比、遗忘比和候选记忆单元，根据所述输入比，确定所述候选记忆单元中的更新记忆单元；根据所述遗忘比，确定前一时间步的记忆单元中的保留记忆单元，将所述更新记忆单元和所述保留记忆单元相结合，得到当前时间步的当前记忆单元，计算输出比，根据所述输出比，确定所述当前记忆单元中的当前隐藏状态；重复操作，直到所述输入数据的所述最后时间步操作完成，得到正向隐藏状态序列；按照从最后时间步到第一时间步的顺序，对所述输入数据的每个时间步进行操作，直到所述输入数据的所述第一时间步操作完成，得到逆向隐藏状态序列；连接正向隐藏状态序列与逆向隐藏状态序列相应时间步的隐藏状态，经过输出层处理，得到所述第二预测模型的第二预测结果；按照从最后时间步到第一时间步的顺序，对所述输入数据的每个时间步进行操作，直到所述输入数据的所述第一时间步操作完成，得到逆向隐藏状态序列包括：通过计算输入比、遗忘比、输出比和候选记忆单元，基于后一时间步的隐藏状态，对所述输入数据进行操作，其公式如下：
；其中，表示在时间步的逆向遗忘比，表示逆向遗忘比的权重，表示后一个时间步的逆向隐藏状态，表示逆向遗忘比的偏置；BfttBWfBht+1Bbf表示在时间步的逆向输入比，表示逆向输入比的权重，表示逆向输入比的偏置；BittBWiBbi表示在时间步的逆向候选记忆单元，表示逆向记忆单元权重，表示逆向记忆单元的偏置；BC'ttBWCBbC表示在时间步的逆向记忆单元，表示后一个时间步的逆向记忆单元；BCttBCt+1表示在时间步的逆向输出比，表示逆向输出比的权重，表示逆向输出比的偏置；BottBWoBbo表示当前时间步的逆向隐藏状态。Bhtt