POA-CNN-BiGRU模型下的港口货物吞吐量预测

摘要

为准确预测港口货物吞吐量，提出基于鹈鹕优化算法(pelican optimization algorithm, POA)优化卷积神经网络-双向门控循环单元(convolutional neural network-bidirectional gated recurrent unit, CNN-BiGRU)的POA-CNN-BiGRU组合预测模型。通过POA对CNN-BiGRU模型的关键超参数进行自适应寻优，将得到的最优超参数组合输入CNN-BiGRU模型进行模型训练后用于预测港口货物吞吐量，选取青岛港2001—2023年港口货物吞吐量季度数据进行实证分析。结果表明：POA在迭代过程中具有较强的全局搜索能力和较快的收敛速度；POA-CNN-BiGRU模型预测结果曲线的变化轨迹与实际结果曲线吻合度较高，能准确捕捉港口货物吞吐量的动态变化趋势；与BiGRU模型、CNN-BiGRU模型、POA-CNN-BiLSTM模型相比，POA-CNN-BiGRU模型的平均绝对百分比误差、均方根误差、平均绝对误差均最小，拟合优度最大；采用该模型预测上海港和天津港的货物吞吐量，预测精度仍较高，预测性能较稳定，说明其普适性和鲁棒性较强。POA-CNN-BiGRU模型能有效捕捉港口货物吞吐量的特征，预测误差较小，预测精度较高。

关键词

港口货物吞吐量 / 预测模型 / POA / CNN / BiGRU