基于神經(jīng)網(wǎng)絡(luò)的南疆兵團(tuán)貨運(yùn)量預(yù)測(cè)研究

基于神經(jīng)網(wǎng)絡(luò)的南疆兵團(tuán)貨運(yùn)量預(yù)測(cè)研究

交通系統(tǒng)是經(jīng)濟(jì)系統(tǒng)的一個(gè)子系統(tǒng)。交通規(guī)則不僅受到系統(tǒng)內(nèi)部和系統(tǒng)外部因素的影響，而且受經(jīng)濟(jì)系統(tǒng)的影響。其中,貨運(yùn)量是反映運(yùn)輸生產(chǎn)成果,體現(xiàn)運(yùn)輸系統(tǒng)為國(guó)民經(jīng)濟(jì)服務(wù)數(shù)量的重要指標(biāo),它作為衡量一個(gè)國(guó)家或地區(qū)經(jīng)濟(jì)發(fā)展的重要經(jīng)濟(jì)指標(biāo),愈加受到人們的重視,如何正確、有效地根據(jù)相關(guān)影響因素做出貨運(yùn)量預(yù)測(cè),對(duì)于物流產(chǎn)業(yè)的發(fā)展具有至關(guān)重要的作用。貨運(yùn)量預(yù)測(cè)具有較大的復(fù)雜性和非線性等特點(diǎn),進(jìn)行貨運(yùn)量預(yù)測(cè)的方法很多,常用的方法包括時(shí)間序列法、回歸分析法和灰色系統(tǒng)法等,這些方法都集中在對(duì)其因果關(guān)系回歸模型和時(shí)間序列模型的分析上,所建立的模型不能全面和本質(zhì)地反映所預(yù)測(cè)動(dòng)態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜特性,從而丟失了信息。人工神經(jīng)網(wǎng)絡(luò)具有良好的曲線擬合能力、學(xué)習(xí)能力、抗干擾能力,采用BP神經(jīng)網(wǎng)絡(luò)方法,建立貨運(yùn)量預(yù)測(cè)模型,具有更好的說(shuō)服力。近幾年來(lái),在國(guó)家政策的大力扶持和傾斜下,整個(gè)新疆的經(jīng)濟(jì)社會(huì)發(fā)展都步入了快車道。經(jīng)濟(jì)社會(huì)的快速發(fā)展,對(duì)相應(yīng)的物流能力提出了更高的要求。現(xiàn)有的南疆兵團(tuán)物流企業(yè)已經(jīng)難以滿足其經(jīng)濟(jì)快速高效發(fā)展的需要,日益成為制約南疆兵團(tuán)經(jīng)濟(jì)快速發(fā)展的瓶頸。科學(xué)合理地預(yù)測(cè)南疆兵團(tuán)物流企業(yè)的貨運(yùn)量以對(duì)其物流能力進(jìn)行客觀評(píng)價(jià),對(duì)于優(yōu)化配置南疆兵團(tuán)有限的物流資源,實(shí)現(xiàn)南疆兵團(tuán)物流企業(yè)的可持續(xù)發(fā)展,具有重要的現(xiàn)實(shí)意義和實(shí)踐價(jià)值。1bp神經(jīng)網(wǎng)絡(luò)模型目前,已發(fā)展了幾十種神經(jīng)網(wǎng)絡(luò),例如Hopficld模型、Feldmann等的連接型網(wǎng)絡(luò)模型、Hinton等的玻爾茨曼機(jī)模型,以及Rumelhart等的多層感知機(jī)模型和Kohonen的自組織網(wǎng)絡(luò)模型,等等。神經(jīng)網(wǎng)絡(luò)模型中,應(yīng)用最廣泛的是多層感知機(jī)神經(jīng)網(wǎng)絡(luò)。多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)50年代,但一直進(jìn)展不大。直到1985年,Rumelhart等人提出了誤差反向傳遞學(xué)習(xí),即BP算法,實(shí)現(xiàn)了Minsky的多層網(wǎng)絡(luò)設(shè)想,如圖1所示。BP算法不僅有輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn),還可有一個(gè)或多個(gè)隱含層節(jié)點(diǎn)。對(duì)于輸入信號(hào),要先向前傳播到隱含層節(jié)點(diǎn),經(jīng)作用函數(shù)激勵(lì)后,再把隱含層節(jié)點(diǎn)的輸出信號(hào)傳播到輸出節(jié)點(diǎn),最后給出輸出結(jié)果。節(jié)點(diǎn)的作用激勵(lì)函數(shù)通常選取S型函數(shù),如:式中Q為調(diào)整激勵(lì)函數(shù)形式的Sigmoid參數(shù)。該算法的學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成。在正向傳播過(guò)程中,輸入信息從輸入層經(jīng)隱含層逐層處理,并傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出,則轉(zhuǎn)入反向傳播,將誤差信號(hào)沿原來(lái)的連接通道返回,通過(guò)修改各層神經(jīng)元的權(quán)值,使得誤差信號(hào)最小。設(shè)含有n個(gè)節(jié)點(diǎn)的任意網(wǎng)絡(luò),各節(jié)點(diǎn)之特性為Sigmoid型。為簡(jiǎn)便起見,指定網(wǎng)絡(luò)只有一個(gè)輸出y,任一節(jié)點(diǎn)i的輸出為Qi,并設(shè)有N個(gè)樣本對(duì)某一輸入xk,網(wǎng)絡(luò)輸出為yk,節(jié)點(diǎn)i的輸出為Qik,節(jié)點(diǎn)j的輸入為將誤差函數(shù)定義為:,其中為網(wǎng)絡(luò)實(shí)際輸出,定義,于是:當(dāng)j為輸出節(jié)點(diǎn)時(shí),若j不是輸出節(jié)點(diǎn),則有:因此,如果有M層,而第M層僅含輸出節(jié)點(diǎn),第一層為輸入節(jié)點(diǎn),則BP算法步驟如下:第一步,選取初始權(quán)值W。第二步,重復(fù)下述過(guò)程直至收斂:(1)對(duì)于k=1到N;(2)計(jì)算Ojk,netjk和的值(正向過(guò)程);(3)對(duì)各層從M到2反向計(jì)算(反向過(guò)程);(4)對(duì)同一節(jié)點(diǎn)j∈M,由式(1)和(2)計(jì)算δjk。從上述BP算法可以看出,BP模型把一組樣本的I/O問(wèn)題變?yōu)橐粋€(gè)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(jīng)網(wǎng)絡(luò)的看成輸入到輸出的映射,則這個(gè)映射是一個(gè)高度非線性映射。設(shè)計(jì)一個(gè)神經(jīng)網(wǎng)絡(luò)專家模型的構(gòu)成和學(xué)習(xí)算法的選擇,一般來(lái)說(shuō),是根據(jù)所研究領(lǐng)域及要解決的問(wèn)題確定的。通過(guò)對(duì)所研究問(wèn)題的大量歷史資料數(shù)據(jù)的分析及目前的神經(jīng)網(wǎng)絡(luò)理論發(fā)展水平,建立合適的模型,并針對(duì)所選的模型采用相應(yīng)的學(xué)習(xí)算法,在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中,不斷地調(diào)整網(wǎng)絡(luò)參數(shù),直到輸出結(jié)果滿足要求為止。2bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)基于上述BP神經(jīng)網(wǎng)絡(luò)算法與模型,結(jié)合新疆兵團(tuán)各師物流實(shí)際,構(gòu)建南疆兵團(tuán)各師貨運(yùn)量的預(yù)測(cè)模型,采用Matlab軟件編制程序(見附錄),將2006~2010年間的各師貨運(yùn)量數(shù)據(jù)代入Matlab程序中,以對(duì)南疆兵團(tuán)各師貨運(yùn)量加以預(yù)測(cè)。下面對(duì)Matlab中神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的訓(xùn)練步數(shù)、收斂精度及誤差加以比較,通過(guò)反復(fù)訓(xùn)練來(lái)確定最佳的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù),以此來(lái)確定最優(yōu)的貨運(yùn)量BP神經(jīng)網(wǎng)絡(luò)模型。通過(guò)運(yùn)行程序,得到訓(xùn)練均方誤差曲線圖如圖2:由圖2可看出,誤差訓(xùn)練值接近10e-2,而目標(biāo)訓(xùn)練值為10e-7,說(shuō)明經(jīng)過(guò)2000次步長(zhǎng)訓(xùn)練,均方誤差逐漸趨于目標(biāo)值,訓(xùn)練結(jié)果非常小,結(jié)果較滿意。同時(shí),得到訓(xùn)練梯度及有效性檢查曲線圖如圖3:由圖3可得出,訓(xùn)練梯度為0.00021324,檢查錯(cuò)誤幾乎為0,說(shuō)明經(jīng)過(guò)2000次步長(zhǎng)訓(xùn)練,在這期間訓(xùn)練梯度變化不大,且錯(cuò)誤趨于0,進(jìn)一步說(shuō)明預(yù)測(cè)結(jié)果較好。與此同時(shí),得到訓(xùn)練回歸曲線圖如圖4。由圖4可得到,目標(biāo)訓(xùn)練值R=0.99983,趨于1,說(shuō)明回歸訓(xùn)練效果較好,預(yù)測(cè)精度較高,而同時(shí)回歸曲線近似趨于一線性函數(shù),其訓(xùn)練起點(diǎn)和終點(diǎn)(圖中黑點(diǎn))與源數(shù)據(jù)(白圓點(diǎn))都很好的分布在曲線兩側(cè),由此可見,運(yùn)用BP神經(jīng)網(wǎng)絡(luò)仿真的效果十分理想,訓(xùn)練后的BP網(wǎng)絡(luò)能很好地逼近給定的目標(biāo)函數(shù),據(jù)此表明訓(xùn)練效果很好。由此可見,所建模型與實(shí)際吻合度較高,模型結(jié)果具有可信度和說(shuō)服力。3師貨運(yùn)量驗(yàn)證結(jié)果通過(guò)運(yùn)行BP神經(jīng)網(wǎng)絡(luò)程序,求得2006~2010年南疆兵團(tuán)各師貨運(yùn)量的的預(yù)測(cè)值,將之與實(shí)際值放在一起進(jìn)行比較,匯編結(jié)果如表1。由表1可以看出,南疆兵團(tuán)各師貨運(yùn)量持續(xù)上升,而且增加幅度逐年加快。事實(shí)上,近年來(lái)隨著新疆經(jīng)濟(jì)社會(huì)的快速發(fā)展,南疆兵團(tuán)各師的貨運(yùn)量呈現(xiàn)一個(gè)較大程度的逐年遞增,這一點(diǎn)是符合客觀事實(shí)的。通過(guò)南疆兵團(tuán)各師貨運(yùn)量的預(yù)測(cè)值和實(shí)際值的比較分析,發(fā)現(xiàn)預(yù)測(cè)值與實(shí)際值之間相對(duì)誤差較小,位于0.8%~7.8%之間,平均相對(duì)誤差約為4.45%,誤差達(dá)到通常的精度要求10e-2,計(jì)算精度較高。由此可見,通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法建立的南疆兵團(tuán)各師貨運(yùn)量預(yù)測(cè)模型,所得結(jié)果符合計(jì)算精度要求,而且泛化能力較好,模擬結(jié)果比較可靠,與實(shí)際吻合度較高。近年來(lái),全球性的神經(jīng)網(wǎng)絡(luò)研究熱潮再度興起,不僅僅是因?yàn)樯窠?jīng)科學(xué)本身取得了巨大的進(jìn)展,更主要的原因在于發(fā)展新型計(jì)算機(jī)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(wèn)題中,人腦遠(yuǎn)比計(jì)算機(jī)聰明的多,要開創(chuàng)具有智能的新一代計(jì)算機(jī),就必須了解人腦,研究人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)信息處理的機(jī)制。另一方面,基于神經(jīng)科學(xué)研究成果基礎(chǔ)上發(fā)展出來(lái)的人工神經(jīng)網(wǎng)絡(luò)模型,反映了人腦功能的若干基本特性,開拓了神經(jīng)網(wǎng)絡(luò)用于計(jì)算機(jī)的新途徑,它對(duì)傳統(tǒng)的計(jì)算機(jī)結(jié)構(gòu)和人工智能是一個(gè)有力的挑戰(zhàn),引起了各方面專家的極大關(guān)注。4神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立本文通過(guò)對(duì)近幾年南疆兵團(tuán)各師貨運(yùn)量的分析,合理地設(shè)計(jì)了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);同時(shí),通過(guò)比較Matlab中神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)的訓(xùn)練步數(shù)、收斂精度及誤差,反復(fù)訓(xùn)練并確定了最佳的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù);并以2006~2010年南疆兵團(tuán)各師貨運(yùn)量數(shù)據(jù)為基準(zhǔn),建立南疆兵團(tuán)各師貨運(yùn)量的預(yù)測(cè)模型,采用Matlab提供的神經(jīng)網(wǎng)絡(luò)工具箱編程求解,得到相應(yīng)的南疆兵團(tuán)各師貨運(yùn)量的預(yù)測(cè)值,通過(guò)實(shí)際值與預(yù)測(cè)值的比較,發(fā)現(xiàn)二者之間的相對(duì)誤差較小,所得結(jié)果具有較好的說(shuō)服力和可信度。本文的研究結(jié)果,對(duì)于南疆兵團(tuán)地區(qū)優(yōu)化配置物流資源,引導(dǎo)地方政府決策提供理論依據(jù),具有重要的現(xiàn)實(shí)意義和實(shí)踐價(jià)值。人工神經(jīng)網(wǎng)絡(luò)具有良好的