基于VMD-LR-LSTM组合模型的三峡船闸货物通过量预测.pdf

航运第4 5 卷第11期2 0 2 3年11月水运管理基于VMD-LR-LSTM组合模型的三峡船闸货物通过量预测蒋军,张惟一,葛柯成,唐蜜,晏方浩,贺海婷,温跃宇a（重庆交通大学a.交通运输学院、b.信息科学与工程学院、c.土木工程学院，重庆4 0 0 0 7 4）【摘要】长江航道对推动长江经济带高质量发展和畅通国内国际双循环货物通道具有重要作用。针对三峡船闸碍航严重制约长江航道通行能力的问题,通过梳理各年份货物通过量数据，对三峡船闸拥堵现状进行分析。将原始货物通过量进行变分模态分解(VMD),低频线性部分采用线性回归(LR)模型进行预测，非线性部分和高频分量则分别构建长短期记忆(LSTM)神经网络进行预测;将VMD、LR 线性回归及LSTM三种预测方法相结合,创建VMD-LR-LSTM组合模型，并依此对三峡船闸未来货物通过量进行预测。【关键词】三峡船闸；变分模态分解;线性回归模型;LSTM神经网络预测2 0 35 年三峡货物通过量将达到197 2 8.8 8引言D长江航道建设对推动长江经济带高质量发展和畅通国内国际双循环的货运通道具有重要作用。三峡船闸通航能力不足，船舶待闸时间逐年增加，船闸全年处于满负荷运行状态，严重制约长江水运的发展。为更好地开展三峡船闸缓堵治理，促进三峡枢纽区域经济可持续高质量发展，科学预测三峡枢纽未来货物通过量就显得至关重要。近年来，三峡枢纽货物通过量预测是学术界的研究热点。国内外学者在对货物通过量预测研究时，通常采用传统的时间序列、回归预测分析、趋势外推法、无偏灰色马尔科夫链法和神经网络预测等方法，由于运用的预测方法不同，预测结果也有较大差别。如：柯桥等 提出基于改进灰色模型和神经网络的组合预测模型，并对2 0 19一2 0 2 2 年的货物通过量进行短期预测；张义军基于时空分布特征及序列周期规律，建立多元尺度回归预测模型，收稿日期：2 0 2 3-0 4-14基金项目：重庆交通大学大学生创新创业训练计划项目（X202210618044）作者简介：蒋军（198 3一），男，博士，副教授，研究方向为交通运输规划与管理（港口、航运与综合物流方向）6http:/万t；孙洁3采用运输弹性系数法、回归分析法、水运系数法对三峡船闸货物通过量预测，2 0 2 3年三峡船闸货物通过量将达到16 6 4 2.95 万t;张浩等 1基于产业结构与货物通过量变化的相关分析模型，预测2 0 30 年三峡枢纽货物通过量将达到2.5 4亿t,2040年为3.10 亿t，2 0 5 0 年为3.17 亿t；伍信怡等5 采用综合指数平滑法模型与季节性差分自回归移动平均模型建立新型预测模型，预测2 0 2 1年三峡船闸货物通过量为16 94 0.7 万t；陈泽提出将预测过程分为长、中、短3个阶段进行分段预测，结合运输弹性系数法、回归分析法和水运系数法，同时将无偏灰色马尔科夫链引人预测中，预计2 0 35年和2 0 5 0 年，三峡船闸货物通过量分别为2.6 亿t和3.5 亿t。上述研究采用了较为传统的预测方法，存在对货物通过量影响因素研究不足、对历史数据分析不够深入、波动性处理不充分等缺陷，预测结果水运管理第4 5 卷第11期2 0 2 3年11月航运与三峡船闸实际情况存在较大差距。本文采用VMD-LR-LSTM(Varational Mode Decomposition-Linear Regression-Long Short Term Mermorynetwork）组合预测方法，可以解决以上问题，提高预测精度。1三峡船闸通行现状分析1.1三峡船闸拥堵严重，待闸通过时间较长长江三峡通航管理局资料显示，自2 0 11年后，三峡船闸一直处于满负荷运营，维持全年36 5 天、全天2 4 h运营。2 0 2 2 年，三峡船闸货物通过量15618万t，同比增长6.6 5%，超过设计通过能力的56%；三峡升船机货物通过量36 2 万t，因停航检修同比减少12.6 0%。三峡船闸货物通过量变化情况如图1所示。1.601.401.201.000.800.6020162017图1三峡船闸货物通过量变化情况三峡船闸货物通过量增长导致船舶待闸时间延长。2 0 2 1年，船舶平均待闸通过时间为191.1h，上升7 3.90%。2 0 2 0 一2 0 2 1年三峡船闸每月船舶待闸时间见表1。表1三峡船闸2 0 2 0 2 0 2 1年每月船舶待闸时间年月待闸时间年月待闸时间年月待闸时间的关系转化为多个简单关系的组合。采用VMD2020-0180.902020-0255.672020-0339.092020-0462.602020-0575.792020-0686.072020-07144.302020-08279.861.2翻坝转运成本过高，难以推广当三峡船闸通航能力无法满足航运需求时，可鼓励引导部分过坝船舶靠岸卸货，并通过陆地运输翻过大坝。翻坝运输虽然极大缩短了货物过坝时间，缓解了三峡船闸通航能力的不足，但高昂的运输成本让货主和承运人难以承受，导致翻坝运输难以推广。以三峡翻坝高速公路运输成本为例（见表2），翻坝运输成本远高于过闸成本。未来，随着成渝地区双城经济圈、长江上游航运中心建设等政策利好释放，长江流域经济将迎来快速发展，长江上游航运需求必将大幅增加。因此，破解三峡船闸通航拥堵问题已经迫在眉睫。表2 翻坝运输各项成本柴油价格/货车油耗/翻坝运输路程/高速公路车辆通行收费/（元/）(L/100 km)6507422VMD-LR-LSTM建20由于三峡船闸货物通过量受较多因素影响，15%+5货物通过量0一比上年增长20182019202020212022年份单位：h2020-09231.812020-1086.792020-11103.442020-12130.772021-01147.682021-02166.352021-03181.012021-04340.14km36.537在时间序列中表现出强烈的随机性和波动性。采用VMD-LR-LSTM组合模型可以弱化随机性、波动性对预测结果的影响，以便精确提取时间序列-5货物通过量的趋势特征。同时，相较于单一的时间-10序列预测模型，组合模型的预测结果可以更好地保留时间序列中的波动性，使预测结果更加准确。2.1VMD变分模态分解VMD是一种新型时频分析方法，可以将非平稳时序信号分解为指定个数的模态分量（IntrinsicModeFunction,IMF）,从而将时间序列数据间复杂2021-05246.852021-06165.452021-07140.512021-08125.602021-09178.492021-10208.002021-11198.822021-12220.90元/(车km)1.1组合模型构算法对数据进行分解，一方面，可以更好地获取时间序列数据的特征；另一方面，能避免信息重叠产生的噪声。VMD算法的核心是构造和求解变分问题。将三峡船闸货物通过量数据作为原始输人信号f（t），将t)分解为k个频率特征不同的模态分量函数u(t),再将各个模态分量的带宽通过f(t)的H高斯平滑指数进行估计。以各模态分量之和等于原始信号f(t)为约束，即可得到带约束条件的变分问题。E-mail:SYGL.7航运水运管理第4 5 卷第11期2 0 2 3年11月2 1.(8(t)+Kminks.t.Z u(t)=f(t)式中：f(t)为三峡船闸货物通过量数据；8(t)为狄拉克分布；（us（t）为分解后得到的k个模态分量；(）为各模态分量所对应的中心频率；“*”为卷积运算符。然后，对上述变分问题进行求解。利用二次惩罚项和拉格朗日乘子(t)将约束变分问题转化为非约束变分问题，见式(2）：L(ur),(o),a)=K2 I 0,(8(t)+k=1元tkIl f(t)-,us(t)I/2+k=1a(t),f(t)-u(t)采用交替方向乘子法更新)、0)、i），如式(3)所示：ir(0)=j(0)-2u(0)+(0)/21+2a(0-0k)2Saliri(a)daa()=(0)+rly(0)-zur()式中：为频率；为噪声容忍度，当信号含有强噪声时，为保证更好的去噪效果，设置=0。VMD算法流程如下：初始化(ul)、(o l)、a l和最大迭代数n；根据式(2）（3）,令n=n+1、k=k+1更新uk、Wk a；若满足收敛条件式（4)且0,则停止迭代，如果不满足式(4)且nN时，则回到第步。（4)W。为记忆细胞的权值;x,为当前节点输入；h,为当前节点输出、h-1为上一节点的输出；c,为当前时刻的2.2LR模型细胞单元状态、C-1为上一节点记忆更新状态。线性回归是一种典型的统计模型，用于确定两种或两种以上变量之间相互依赖的定量关系。在处理线性相关的数据时，线性回归模型的预测精度相较于其他预测模型并无明显差别，且具有模型简单、计算迅速等优势。8http:/元t)*ui(t)e-1o/3)*u(t)le-jo Il 2+k2.3LSTM神经网络(1)在一个时间序列中，不是所有信息都同等有效，大多数时候存在所谓的“关键信息”。在连续的时间序列中，信息的变化是逐渐进行的，前面的信息有助于理解后文的信息。基于此，LSTM的设计者提出“长短期记忆”概念，即只有一部分信息需要长期记忆，其余信息可以遗忘。LSTM神经网络在循环神经网络（RecurrentNeural Network,RNN)的基础上发展而来,可解决RNN无法处理长距离序列的问题。LSTM神经网络的内部结构其优势是具有不同的隐藏层，即神经元具有不同的隐藏态，神经元的隐藏态可以简单理解为递归神经网络对于输人数据的“记忆”（2）LSTM神经网络主要是利用门控制单元记忆、去除或新增信息，门控制单元主要包含遗忘门、输人门和输出门，用来避免产生梯度消失或梯度爆炸的问题。门控制单元通过 Sigmod和tanh 激活函数来决定记忆单元的保留状态，输出区间为 0,1,0(3)表示舍弃信息，1表示保留全部信息。LSTM神经网络基本结构如图2 所示。遗忘门输入门Ct-1XWht-1X图2 LSTM神经网络基本结构图中：为Sigmod激活函数；tanh为激活函数；W、W、W。分别为输人门、遗忘门、输出门对应的权值；2.4VMD-LR-LSTM组合模型货运量时间序列数据经过VMD分解后，可由一个复杂度高的序列转化为多个复杂度低的子模态分量。其中，低频分量较为平滑，继承了原始序输出门tanhtanhWIW.CtW.ht水运管理第4 5 卷第11期2 0 2 3年11月航运列的趋势性信息；高频分量变化剧烈，继承了原始序列中的波动性和噪声。针对具有趋势性的低频分量，将其分为线性部分和非线性部分。低频分量中的线性部分采用LR模型进行预测，可以高效快捷获得较准确的预测结果。低频分量中的非线性部分和高频分量则分别针对性地构建LSTM神经网络进行预测,以充分提取数据中的隐含因素、获得较为准确的预测结果，最终将所有分量的预测结果进行叠加，即可获得原始货运量序列的预测结果。VMD-LR-LSTM组合模型构建如图3所示。原始货物通过量序列VMD分解低频分量高频分量线性部分非线性部分LSTM神经线性回归预测网络预测线性回归LSTM预测结果+预测结果+预测结果图3VMD-LR-LSTM组合模型构建3三峡船闸未来货物通过量预测3.1数据描述选取三峡船闸2 0 18 年1月到2 0 2 2 年12 月每月货物通过量作为研究素材，构建时间序列，其变化趋势如图4 所示。由图4 可知，三峡船闸每月货物通过量具有明显波动，但总体呈上升趋势。1500r+140051300F10000090080070060050042018图4 2 0 18 2 0 2 2 三峡过闸货物通过量变化趋势3.2货运量序列分解由于三峡船闸货物通过量数据具有趋势性和波动性,因此,本文采用VMD对数据进行分解。其中，分解层数k值的选取对分解效果存在影响，采用能量差准则方法选择最优的分解层数。准则原理为：VMD分解最优时，每个分量的能量之和等于原始信号，分解层数k值过大时会导致各分量能量之和过高。基于这一原理，可以得出信号能量和能量差的计算准则公式，见式（5）。ii)Ek=1=1,2,.,knkEt=ZEL1=1Ek-Ek-l0k.k-1=Ek-1式中：E为模态能量；k为模态数；1为分量序号；u为第1个分量的第i个值；n为月份数。当k,k-1值很小时，信号处于欠分解状态；当k,k-1显著增大时，信号处于过分解状态，此时可以LSTM神经网络预测认为k-1是VMD分解的最优分解层数。本文通过设置不同的k值，观察不同k值时数据信号的分LSTM组合模型预测结果20192020年份(5)量能量之和变化，从而确定最优分解层数。针对三峡船闸货物通过量时间序列，不同k值下的能量差变化如图5 所示。0.050.040.03I-0.020.010.00当k值为4 时，能量差0 k,k-1显著增大，故最优分解层数为3。VMD分解所得3个模态分量，分别命令为IMF1、I M F 2、I M F 3,结果如图6 所示。其中，IMF1模态分量频率较低，继承了原始货物通过量数据的变化趋势；IMF2和IMF3模态分量频率较高、振幅较小，继承了原始货物通过量数据的波202120223图5 食能量差随K值变化动性。对于IMF1，由于需要充分提取其中的趋势信息，所以对IMF1模态分类进行二次VMD分解。采用上述能量差准则确定分解层数为3，对IMF1二次分解所得3个模态分量分别命名为IMF1-1、I M F 1-2、I M F 1-3，分解结果如图7 所示。E-mail:SYGL4分解层数值5679航运水运管理第4 5 卷第11期2 0 2 3年11月:1500m1000500L2018-1400100020182500250L2018100100L2018由图7 可知，模态分量IMF1-1表示趋势信息中的线性部分，模态分量IMF1-2和模态分量IMF1-3表示趋势信息中的非线性部分和噪声部分。13001200201810001002018500-502018针对二次分解所得的各模态分量，需要采用不同的预测方法对各分量进行预测，然后对每个分量的预测结果进行重构，最终得到更加准确的预测结果。对于IMF1-1，由于其线性趋势较为明显，所以采用线性回归模型进行预测；对于IMF1-2、I M F 1-3,考虑到LSTM神经网络在非线性时间序列预测中具有较大优势，所以分别对两个分量构建单独的LSTM神经网络进行预测。将IMF1-1、I M F 1-2、I M F 1-3的预测结果进行重构,即为模态分量IMF1的预测结果；对于IMF2、I M F 3，采用LSTM神经网络可以提取序列数据间的隐含关系，所以针对两个分量分别训练LSTM神经网络进行预测。最后将IMF1、I M F 2、I M F 3的预测结果重构，即为每月货物通过量的预测结果。10http:/3.3预测与重构20192020年份(a）原始时间序列20192020年份(b)IMF120192020年份(c)IMTF220192020年份(d)IMF 3图6原始时间序列分解20192020年份(a)IMTF 1-120192020年份(b)IMF1-220192020年份(c)IMF 1-3图7 IMF1分量的分解20212021202120212021202120212022202220222022202220222022对于线性回归预测，以时间顺序编号作为自变量，货物通过量作为因变量进行训练。对于LSTM神经网络，以连续12 个月的货物通过量作为特征输人，预测之后1个月的货物通过量。将各分量代人对应模型进行训练，迭代预测2 0 2 3年1月到2 0 30年12 月共96 个月的数据，最后将预测序列进行叠加重构，即可获得货物通过量预测数据。需要预测IMF1-1、I M F 1-2、I M F 1-3的3个分量，以此重构获得IMF1分量的预测值。将IMF1-1、I M F 1-2、I M F 1-3的3个分量的预测结果对应相加，即为IMF1分量的预测结果。对IMF2、IMF3的2 个分量进行预测。将IMF1、I M F 2、IMF3的3个分量的预测结果进行叠加重构，即可获得三峡货物通过量的预测结果，如图8 所示。180017001600400300200100000900800700600201920202021202220232024202520262027202820292030图8 三峡货物通过量预测结果将货物通过量预测数据按年分组求和，则20232030年三峡过闸货物通过量预测值见表3。表32023一2 0 30 年三峡船闸货物通过量预测值组合模型预测值/组合模型预测值/预测年份预测年份万202316084.3790202415.594.3477202516075.537.7202617274.256 7由表3可知，2 0 2 5 年三峡船闸货物通过量高达16 0 7 5 万t;2030年，货物通过量将突破18 95 8万t。由此可见，随着三峡船闸货物通过量的持续增长，拥堵问题将更加严重。M年份2027202820292030真实值预测值万17 647.994 817217.891317505.875518 957.967 2水运管理第4 5 卷第11期2 0 2 3年11月航运选择翻坝运输，实现货物分流。与此同时，有关部对策建议门可参考其他船闸的管理办法，制定三峡船闸收费相较其他方法，本文参考过去每月货物通过量数据，更能精准把握三峡船闸发展趋势。同时，采用基于VMD-LR-LSTM组合模型方法，提高了预测的准确性，可为相关部门提供决策参考。本文预测结果也远超三峡船闸设计通过能力，为缓解船闸拥堵，特提出以下对策建议。（1）推进船型标准化建设，优化船闸通航调度模式。相关部门应大力支持船舶标准化建设，并对标准化船型新建或改建给予一定的财政补贴。同时，利用数学建模等方法，改善三峡船闸原有调度模式，结合“互联网+”、大数据等新兴技术，消除原有预约模式弊端，构建动态预约系统，实时掌握船舶信息和航行状态。同时，动态调整船闸通航调度计划，从而提高单次过闸船舶数量，可以缓解船闸拥堵状态。（2）降低翻坝运输成本，制定三峡船闸过坝收费制度。政府应给予三峡船闸翻坝货物转运一定的政策扶持，对选择翻坝转运的承运人给予一定的运价优惠，以此吸引更多追求货物时效性的承运人缓堵制度，可在短期内缓解船闸拥堵状态。（3）修建三峡水运新通道，根本解决通航拥堵问题。无论是优化现有船闸调度模式，还是利用翻坝转运进行货物分流，对于三峡船闸的拥堵都只是起到一定的缓解作用。要想从根本上解决三峡船闸拥堵问题，需尽快建设三峡水运新通道。希望国家有关部门尽快作出决策，破解三峡枢纽碍航难题。区参考文献：1柯桥，邓萍，基于改进灰色神经网络模型的三峡枢纽过坝货运量预测 J.上海海事大学学报，2 0 2 1（1):8 2-8 7.2张义军.基于变尺度回归的三峡货运量需求预测方法 .武汉理工大学学报（交通科学与工程版），2 0 2 0（5）：938-94 2.3孙洁，三峡枢纽过坝货运量预测及路径选择研究 D.呼和浩特：内蒙古工业大学，2 0 2 1.4张浩，肖金龙，温泉，等.基于长江上游区域产业结构测度的三峡枢纽货运量预测 J.水运工程，2 0 19（11）：5 8-6 2.5伍信怡，南航，史富存，等基于指数平滑法模型的三峡船闸货运量预测研究 J.中国水运（下半月），2 0 2 1（5）：13-15.6陈泽.长江三峡过坝货运量预测与运输方案研究 D.重庆：重庆交通大学，2 0 18.（上接第5 页）积极吸引全球性的航运功能性机构集聚上海。通过多年努力，一批全球知名的航运服务机构和功能性机构在上海已形成集聚态势，但目前一些业界调查显示，全球航运界知名机构在亚洲首选地往往还是新加坡。时至今日，在上海发生的一些高端航运服务业务仍然选择在伦敦或者新加坡处理。因此，发挥好上海依托我国经济强大的优势，有所为有所不为，根据上海特点确定重点发展的航运服务业，做大做强诸如航运金融保险、航运经纪交易、航运仲裁法律、航运咨询信息等高端服务业，大力推进全球性和全国性的航运功能性机构集聚上海，特别是要大力支持传统航运服务业的数字化转型。4.5借力自贸新片区和特殊综保区制度创新，进一步推进航运业对外开放在上海设立的特殊综保区在实现“一线放开，二线高效安全管住”的制度设计上已建立起很好的架构，为上海未来比肩全球领先的航运中心创造了制度条件，力争突破上海航运产业发展中的制度性约束将是下一步重要而又艰巨的任务。航运发展的软环境是国际航运中心发展的重要因素，为此，必须充分借助国家给上海自贸试验区新片区和特殊综合保税区制度创新的契机，进行科学合理的制度设计，不断缩小与新加坡、中国香港在这方面的差距，为航运中心建设提供更好的发展环境。上海要建成全球领先的国际航运中心任重道远，在已经具备的良好基础上，要紧紧依托国家重大战略部署，借助于上海港全球领先的集装箱吞吐量货流优势，借助于长三角一体化发展的有利条件，在努力打造长三角世界级港口群的过程中，努力实现全面建成全球领先的国际航运中心这一战略目标。区（作者系上海海事大学上海国际航运研究中心教授）E-mail:SYGL11