基于神經網絡的南疆兵團貨運量預測研究

基于神經網絡的南疆兵團貨運量預測研究

交通系統是經濟系統的一個子系統。交通規(guī)則不僅受到系統內部和系統外部因素的影響，而且受經濟系統的影響。其中,貨運量是反映運輸生產成果,體現運輸系統為國民經濟服務數量的重要指標,它作為衡量一個國家或地區(qū)經濟發(fā)展的重要經濟指標,愈加受到人們的重視,如何正確、有效地根據相關影響因素做出貨運量預測,對于物流產業(yè)的發(fā)展具有至關重要的作用。貨運量預測具有較大的復雜性和非線性等特點,進行貨運量預測的方法很多,常用的方法包括時間序列法、回歸分析法和灰色系統法等,這些方法都集中在對其因果關系回歸模型和時間序列模型的分析上,所建立的模型不能全面和本質地反映所預測動態(tài)數據的內在結構和復雜特性,從而丟失了信息。人工神經網絡具有良好的曲線擬合能力、學習能力、抗干擾能力,采用BP神經網絡方法,建立貨運量預測模型,具有更好的說服力。近幾年來,在國家政策的大力扶持和傾斜下,整個新疆的經濟社會發(fā)展都步入了快車道。經濟社會的快速發(fā)展,對相應的物流能力提出了更高的要求?，F有的南疆兵團物流企業(yè)已經難以滿足其經濟快速高效發(fā)展的需要,日益成為制約南疆兵團經濟快速發(fā)展的瓶頸?？茖W合理地預測南疆兵團物流企業(yè)的貨運量以對其物流能力進行客觀評價,對于優(yōu)化配置南疆兵團有限的物流資源,實現南疆兵團物流企業(yè)的可持續(xù)發(fā)展,具有重要的現實意義和實踐價值。1bp神經網絡模型目前,已發(fā)展了幾十種神經網絡,例如Hopficld模型、Feldmann等的連接型網絡模型、Hinton等的玻爾茨曼機模型,以及Rumelhart等的多層感知機模型和Kohonen的自組織網絡模型,等等。神經網絡模型中,應用最廣泛的是多層感知機神經網絡。多層感知機神經網絡的研究始于20世紀50年代,但一直進展不大。直到1985年,Rumelhart等人提出了誤差反向傳遞學習,即BP算法,實現了Minsky的多層網絡設想,如圖1所示。BP算法不僅有輸入層節(jié)點、輸出層節(jié)點,還可有一個或多個隱含層節(jié)點。對于輸入信號,要先向前傳播到隱含層節(jié)點,經作用函數激勵后,再把隱含層節(jié)點的輸出信號傳播到輸出節(jié)點,最后給出輸出結果。節(jié)點的作用激勵函數通常選取S型函數,如:式中Q為調整激勵函數形式的Sigmoid參數。該算法的學習過程由正向傳播和反向傳播組成。在正向傳播過程中,輸入信息從輸入層經隱含層逐層處理,并傳向輸出層。每一層神經元的狀態(tài)只影響下一層神經元的狀態(tài)。如果輸出層得不到期望的輸出,則轉入反向傳播,將誤差信號沿原來的連接通道返回,通過修改各層神經元的權值,使得誤差信號最小。設含有n個節(jié)點的任意網絡,各節(jié)點之特性為Sigmoid型。為簡便起見,指定網絡只有一個輸出y,任一節(jié)點i的輸出為Qi,并設有N個樣本對某一輸入xk,網絡輸出為yk,節(jié)點i的輸出為Qik,節(jié)點j的輸入為將誤差函數定義為:,其中為網絡實際輸出,定義,于是:當j為輸出節(jié)點時,若j不是輸出節(jié)點,則有:因此,如果有M層,而第M層僅含輸出節(jié)點,第一層為輸入節(jié)點,則BP算法步驟如下:第一步,選取初始權值W。第二步,重復下述過程直至收斂:(1)對于k=1到N;(2)計算Ojk,netjk和的值(正向過程);(3)對各層從M到2反向計算(反向過程);(4)對同一節(jié)點j∈M,由式(1)和(2)計算δjk。從上述BP算法可以看出,BP模型把一組樣本的I/O問題變?yōu)橐粋€非線性優(yōu)化,是優(yōu)化中最普通的梯度下降法。如果把神經網絡的看成輸入到輸出的映射,則這個映射是一個高度非線性映射。設計一個神經網絡專家模型的構成和學習算法的選擇,一般來說,是根據所研究領域及要解決的問題確定的。通過對所研究問題的大量歷史資料數據的分析及目前的神經網絡理論發(fā)展水平,建立合適的模型,并針對所選的模型采用相應的學習算法,在網絡學習過程中,不斷地調整網絡參數,直到輸出結果滿足要求為止。2bp神經網絡訓練函數基于上述BP神經網絡算法與模型,結合新疆兵團各師物流實際,構建南疆兵團各師貨運量的預測模型,采用Matlab軟件編制程序(見附錄),將2006~2010年間的各師貨運量數據代入Matlab程序中,以對南疆兵團各師貨運量加以預測。下面對Matlab中神經網絡訓練函數的訓練步數、收斂精度及誤差加以比較,通過反復訓練來確定最佳的BP神經網絡訓練函數,以此來確定最優(yōu)的貨運量BP神經網絡模型。通過運行程序,得到訓練均方誤差曲線圖如圖2:由圖2可看出,誤差訓練值接近10e-2,而目標訓練值為10e-7,說明經過2000次步長訓練,均方誤差逐漸趨于目標值,訓練結果非常小,結果較滿意。同時,得到訓練梯度及有效性檢查曲線圖如圖3:由圖3可得出,訓練梯度為0.00021324,檢查錯誤幾乎為0,說明經過2000次步長訓練,在這期間訓練梯度變化不大,且錯誤趨于0,進一步說明預測結果較好。與此同時,得到訓練回歸曲線圖如圖4。由圖4可得到,目標訓練值R=0.99983,趨于1,說明回歸訓練效果較好,預測精度較高,而同時回歸曲線近似趨于一線性函數,其訓練起點和終點(圖中黑點)與源數據(白圓點)都很好的分布在曲線兩側,由此可見,運用BP神經網絡仿真的效果十分理想,訓練后的BP網絡能很好地逼近給定的目標函數,據此表明訓練效果很好。由此可見,所建模型與實際吻合度較高,模型結果具有可信度和說服力。3師貨運量驗證結果通過運行BP神經網絡程序,求得2006~2010年南疆兵團各師貨運量的的預測值,將之與實際值放在一起進行比較,匯編結果如表1。由表1可以看出,南疆兵團各師貨運量持續(xù)上升,而且增加幅度逐年加快。事實上,近年來隨著新疆經濟社會的快速發(fā)展,南疆兵團各師的貨運量呈現一個較大程度的逐年遞增,這一點是符合客觀事實的。通過南疆兵團各師貨運量的預測值和實際值的比較分析,發(fā)現預測值與實際值之間相對誤差較小,位于0.8%~7.8%之間,平均相對誤差約為4.45%,誤差達到通常的精度要求10e-2,計算精度較高。由此可見,通過BP神經網絡算法建立的南疆兵團各師貨運量預測模型,所得結果符合計算精度要求,而且泛化能力較好,模擬結果比較可靠,與實際吻合度較高。近年來,全球性的神經網絡研究熱潮再度興起,不僅僅是因為神經科學本身取得了巨大的進展,更主要的原因在于發(fā)展新型計算機和人工智能新途徑的迫切需要。迄今為止在需要人工智能解決的許多問題中,人腦遠比計算機聰明的多,要開創(chuàng)具有智能的新一代計算機,就必須了解人腦,研究人腦神經網絡系統信息處理的機制。另一方面,基于神經科學研究成果基礎上發(fā)展出來的人工神經網絡模型,反映了人腦功能的若干基本特性,開拓了神經網絡用于計算機的新途徑,它對傳統的計算機結構和人工智能是一個有力的挑戰(zhàn),引起了各方面專家的極大關注。4神經網絡預測模型建立本文通過對近幾年南疆兵團各師貨運量的分析,合理地設計了BP神經網絡結構;同時,通過比較Matlab中神經網絡訓練函數的訓練步數、收斂精度及誤差,反復訓練并確定了最佳的BP神經網絡訓練函數;并以2006~2010年南疆兵團各師貨運量數據為基準,建立南疆兵團各師貨運量的預測模型,采用Matlab提供的神經網絡工具箱編程求解,得到相應的南疆兵團各師貨運量的預測值,通過實際值與預測值的比較,發(fā)現二者之間的相對誤差較小,所得結果具有較好的說服力和可信度。本文的研究結果,對于南疆兵團地區(qū)優(yōu)化配置物流資源,引導地方政府決策提供理論依據,具有重要的現實意義和實踐價值。人工神經網絡具有良好的