在现代化的航运事业中,随着航道越来越拥挤,而船舶的体积、吨位越来越大,为了保证航行的安全,船舶的航速往往较低,这导致了航运成本的提升。一旦发生交通事故,往往会导致严重的经济损失,甚至造成大范围的航道停运,危害了海洋环境[1-2]。因此,本文为了实现对船舶航行的有效预测,设计采用了混沌理论对船舶的交通安全事故进行预测分类,并通过建立合适的空间预测模型,对此算法的预测性能进行更深一步的仿真,结果表明误差处于合理的范围之内。
1 船舶时空距离数学模型在确定船舶时空关系之前,由G-P算法得到两者的关联维度为d,并得到嵌入维数为m,需满足(m≥2d+1),接着可以得到时空维度的平均时间为τω,通过公式τω=(m-1)τ,得到具体的时间延迟为τ。因此,可以根据系统的时间序列
$ \begin{array}{l} {Y_i}(t)=(x({t_i}), x({t_i}+\tau), \cdots, x({t_i}+(m - 1)\tau)),\\ i=1, 2, \cdots, M, \;\;\;M=N -(m - 1)\tau。\end{array} $ | (1) |
式中:YM为空间预报的中心点,YM为相空间,其邻近点Yk通过如下方式确定:首先根据一定的算法计算出最大的指数,然后假设空间的一个点YM-1与Y(M-1)a相似度最高,YM-1与Y(M-1)a的空间距离表示为LM-1,经过一定时间的进化,YM-1变成为YM,Y(M-1)a变成为Y(M-1)a+1,LM-1变成为L′M。经过上述的变化后,由YM接近点YMa去判断出两者的距离:若基准点的相当距离LM达到最小,此时的L’M与LM夹角θ也达到最小。则LM满足:
$ {L_M}=\mathop {\min }\limits_j \left\| {{Y_M} - {Y_j}} \right\|=\left\| {{Y_M} - {Y_{Ma}}} \right\|, $ | (2) |
其中,
然后计算YM+1时,需要知道分量x(tn+1)的大小,而x(tn+1)是已知的。
假设在系统的相空间中两点的平均距离为
$ \overline L=\frac{1}{{{{(N - m+1)}^2}}}\sum\limits_{i, j=1}^{N - m+1} {\left\| {{Y_i} - {Y_j}} \right\|}, $ | (3) |
与YM-1的最近距离为
$ {\rm{\{ }}{L_{(M - 1)zj}}=\mathop {\min }\limits_j \left\{ {\left\| {{Y_{M - 1}} - {Y_j}} \right\|} \right\}, $ | (4) |
式中,
$ \Delta L=\overline L - {L_{(M - 1){zj}}}, $ | (5) |
对空间设置搜索上界:
$ {\varepsilon _0}={L_{(M - 1){zj}}}+\beta \Delta L, $ | (6) |
下界:
$ {\varepsilon _n}={\varepsilon _0}+n\beta \Delta L, $ | (7) |
式中:β为分离系数大小;n为系统的放大级数,n=1,2,…。
下面对Yk的求解进行阐述:
若系统满足
$ \{ {Y_j}|{\varepsilon _0} <\left\| {{Y_M} - {Y_j}} \right\| \leqslant {\varepsilon _n}, j=1, 2, \cdots, N - m+1\}, $ | (8) |
其中j至少应为2,设
$ \left| {j - M} \right| >P, $ | (9) |
其中P为搜索的平均周期。
当空间向量
$ \cos {\theta _i}=\frac{{(Y_{Ma}^i - {Y_M})\bullet({Y_{(M - 1)a+1}} - {Y_M})}}{{\left\| {Y_{Ma}^i - {Y_M}} \right\| \times \left\| {{Y_{(M - 1)a+1}} - {Y_M}} \right\|}}。 $ | (10) |
下一次循环时,令n=n+1。
重复以上步骤YMa,最终得到:
在交通事故预测时,需要设置检测系统的采样周期,越短的采样周期越有利于提高系统的灵敏度。但是这会导致噪声信号的增加。因此,在对空间中的距离进行预测时,需要尽可能选取适当的采样时间周期,从而降低发生事故的概率[3-4]。
2.2 空间预测重构在确定系统的相空间位置时,需要对嵌入维数m,进行混沌预测,从而能够显著降低预测位置导致的误差[5-6]。
通过混沌信息提取,可以得到延迟时间τ的大小,然后根据时间和空间位置的相对关系,进一步确定输入维数的大小,从而减少了重构过程中的时间延迟。
设计本系统的重构相空间为:
$ X\!=\!\left[\begin{array}{l} x(1)x(2)..........x(l)\\ x(1+\tau)x(2+\tau)..........x(l+\tau)\\..\\..\\ x(1\!+\!(m\!-\!1)\tau)x(2\!+\!(m\!-\!1)\tau)..........x(l\!+\!(m\!-\!1)\tau)\end{array} \right], $ | (11) |
式中,
$ \begin{array}{l} x(t)=5 \times(0.7 \times \sin(2\pi \times 50 \times t)+\\ \;\;\;\;\;\;\;\;\;\sin(2{\rm{\pi }} \times 100 \times t)),\end{array} $ | (12) |
对预测信号的混沌量设计为:
$ \begin{array}{l} y(t)=4 \times(1 - y(t - 1))\times y(t - 1),\\ y(0)=0.41,\end{array} $ | (13) |
混合量为:
$ s(t)=x(t)+y(t), $ | (14) |
系统的预测空间维度为2,获得的相图如图 1所示。
为了增强预测精度,设计如下的优化算法:
$ \begin{array}{l} {E_{mse}}=\sqrt {\frac{1}{n}\sum\limits_{i=1}^n {{{\left({\frac{{{L_i} - {L_i}'}}{{{L_i}}}} \right)}^2}} } \times 100\%,\\ {E_{mape}}=\frac{1}{n}\sum\limits_{i=1}^n {\left| {\frac{{{L_i} - {L_i}'}}{{{L_i}}}} \right|} \times 100\%,\\ {E_{ape}}=\left| {\frac{{{L_i} - {L_i}'}}{{{L_i}}}} \right| \times 100\%。\end{array} $ | (15) |
式中:Emse为均方根误差;Emape为系统的平均误差;Eape为绝对百分比的误差;Li和L’i分别为船舶交通系统的实际轨迹和预测轨迹。
通过上述算法进行优化后,得到了如图 2所示的预测误差分布图,可以发现整个交通事故预测系统的误差范围被控制在5%的范围之内。
船舶的交通航行预测对航运业的发展至关重要,本文提出的混沌预测算法,解决了预测过程中遇到的误差过大,稳定程度较低的问题,应用前景广泛。
[1] | 邵辉, 施志荣, 赵庆贤. 混沌理论在事故分析及预测中的应用[J]. 中国安全科学学报, 2005 (4): 21–24+114. |
[2] | 郭敏, 蓝金辉, 肖翔, 卢海锋. 基于混沌理论对北京二环路进行短时交通流量预测的研究[J]. 交通运输系统工程与信息, 2010 (2): 106–111. |
[3] | 魏文, 余立建, 龚炯. 基于混沌理论和PSO神经网络的短时交通流预测[J]. 物流工程与管理, 2010 (2): 75–77. |
[4] | 黄席樾, 陈勇, 向长城, 刘俊. 汽车交通事故混沌分析及预测方法[J]. 控制与决策, 2007 (10): 1129–1133. |
[5] | MOHAMAD G M, REZA M, AHMAD S V, et al. Surface investigation by electrochemical methods and application of chaos theory and fractal geometry[J]. Chaos, Solitons and Fractals:the interdisciplinary journal of Nonlinear Science, and Nonequilibrium and Complex Phenomena, 2016, 453 : 120–128. |
[6] | RAHMAN K, MOHAMMAD A G, MOHAMMAD T A, et al. Dynamics of hourly sea level at Hillarys Boat Harbour, Western Australia:a chaos theory perspective[J]. Ocean Dynamics, 2011, 6111 : 564–570. |