張 麗 莉

(東北林業(yè)大學 交通學院, 哈爾濱 150040)

?

基于神經(jīng)網(wǎng)絡(luò)的公路貨運量預測方法研究

張 麗 莉*

(東北林業(yè)大學 交通學院, 哈爾濱 150040)

通過對公路貨運量的預測方法進行研究比較,并根據(jù)公路貨運量形成的復雜和非線性等特點,建立BP神經(jīng)網(wǎng)絡(luò)預測模型.利用黑龍江省公路貨運量及其相關(guān)影響因素的實際數(shù)據(jù),確定網(wǎng)絡(luò)輸入與輸出樣本,并對BP神經(jīng)網(wǎng)絡(luò)預測系統(tǒng)進行訓練和預測.通過對網(wǎng)絡(luò)輸出的誤差曲線圖的分析,驗證BP神經(jīng)網(wǎng)絡(luò)預測系統(tǒng)的精確性和簡單方便性,提高了公路貨運量預測的精確性.

貨運量; 公路運輸; BP神經(jīng)網(wǎng)絡(luò); 預測

運輸系統(tǒng)是運輸基礎(chǔ)設(shè)施建設(shè)和投資決策的基礎(chǔ),因此運輸需求預測在國家和區(qū)域經(jīng)濟發(fā)展規(guī)劃中具有十分重要的意義.貨物運輸與地方經(jīng)濟及企業(yè)發(fā)展有著密切的關(guān)系,貨運量需求預測成為貨運需求和經(jīng)濟發(fā)展關(guān)系研究中的一個重要課題.所以,作為反映貨物運輸需求的一項重要指標,貨運量需求預測研究和分析具有較強的實際意義.

以黑龍江省公路貨運量數(shù)據(jù)為例,由于公路貨運量的影響因素具有復雜性和非線性的特點,所以本文中選取公路貨運量、公路運輸長度、居民消費水平、民用車擁有量、交通運輸業(yè)總值及黑龍江省地區(qū)總產(chǎn)值6個指標進行預測,利用人工神經(jīng)網(wǎng)絡(luò)(ANN)的并行結(jié)構(gòu)、自適應自組織、聯(lián)想記憶、較強的容錯性和魯棒性(Robustness)的特點及其獨特的信息處理方法[1],創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)并對網(wǎng)絡(luò)進行訓練,以實現(xiàn)對預測年貨運量的預測,并對實際輸出和期望輸出的誤差進行分析.

1 公路貨運量的預測方法

目前公路貨運量的主要預測方法包括時間序列預測法、回歸分析法、灰色模型預測法以及彈性系數(shù)法等.上述四種預測方法雖各有優(yōu)點,但是對于公路貨運量的非線性及一些不確定的影響因素不具有較好的分析能力,并且大都集中在對其因果關(guān)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(zhì)地反映所預測動態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復雜特性,從而丟失了某些信息量,往往得到的誤差較大.

BP神經(jīng)網(wǎng)絡(luò)也稱為多層前饋神經(jīng)網(wǎng)絡(luò),其在結(jié)構(gòu)上類似于多成感知器,它具有結(jié)構(gòu)簡單、可調(diào)參數(shù)多、工作狀態(tài)穩(wěn)定、易于硬件實現(xiàn)等優(yōu)點,因此應用最為廣泛[2].據(jù)統(tǒng)計,80%～90%神經(jīng)網(wǎng)路模型均為采用了BP網(wǎng)絡(luò)或是它的變化形式,尤其是在模式識別及分類、系統(tǒng)仿真、故障智能診斷、圖像處理、函數(shù)擬合以及最優(yōu)預測等方面[3].BP神經(jīng)網(wǎng)絡(luò)學習流程如圖1所示[4].

圖1 神經(jīng)網(wǎng)絡(luò)學習步驟流程圖Fig.1 Neural network study flow

2 基于神經(jīng)網(wǎng)絡(luò)的公路貨運量預測實例分析

2.1 貨運量及其影響因素數(shù)據(jù)分析

常用的貨運量預測方法多數(shù)集中在對其因果關(guān)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(zhì)地反應所預測動態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復雜特性,從而丟失了信息量[5].而神經(jīng)網(wǎng)絡(luò)所擁有的較強的非線性映射等特性,只需給出對象的輸入、輸出數(shù)據(jù),通過網(wǎng)絡(luò)本身的學習功能就可以達到輸入和輸出的映射關(guān)系[6].BP網(wǎng)絡(luò)是系統(tǒng)預測中應用特別廣泛的一種網(wǎng)絡(luò)形式,本章采用BP神經(jīng)網(wǎng)絡(luò)并應用MATLAB的工具箱對黑龍江省公路貨運量進行預測.

通過對歷年相關(guān)數(shù)據(jù)的分析,選擇公路貨運量、公路運輸線路長度(公路里程)、居民消費水平、民用汽車擁有量、交通運輸產(chǎn)業(yè)生產(chǎn)總值及黑龍江省地區(qū)生產(chǎn)總值6個指標作為影響貨運量的主要影響因素.歷年數(shù)據(jù)如表1所示.

表1 貨運量參數(shù)

2.2 數(shù)據(jù)的分析和處理

2.2.1 BP網(wǎng)絡(luò)的創(chuàng)建 通過對黑龍江省歷年數(shù)據(jù)進行分析,確定待輸入樣本.在樣本中,輸入向量為1995年～2007年間公路貨運量、公路里程、居民消費水平、民用汽車擁有量、交通運輸業(yè)生產(chǎn)總值及黑龍江地區(qū)生產(chǎn)總值6項指標實際數(shù)據(jù),由于這些數(shù)據(jù)為實測值,因此可以有效地用于網(wǎng)絡(luò)訓練;目標向量為預測年當年的貨運量數(shù)值.確定輸入和輸出向量以后,要對其進行歸一化處理,將數(shù)據(jù)處理為區(qū)間[0,1]之間的數(shù)據(jù).歸一化的方法有很多種,這里采用如下公式計算:

(1)

歸一化后的數(shù)據(jù)如表2所示.

表2 原始數(shù)據(jù)歸一化后的結(jié)果

續(xù)表2

以上數(shù)據(jù)為BP神經(jīng)網(wǎng)絡(luò)的訓練樣本,根據(jù)BP網(wǎng)絡(luò)的設(shè)計網(wǎng)絡(luò),一般的預測問題都可以通過單隱層的BP網(wǎng)絡(luò)實現(xiàn).由于輸入向量有5個,所以網(wǎng)絡(luò)的輸入層的神經(jīng)元有5個;根據(jù)Klmogorov定理可知網(wǎng)絡(luò)的中間層的神經(jīng)元可以取11個;而輸出向量有1個,所以輸出層的神經(jīng)元有1個.網(wǎng)絡(luò)的中間層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)tansig,輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig.這是因為函數(shù)的輸出位于[0,1]之間,正好滿足網(wǎng)絡(luò)輸出的要求.

2.2.2BP網(wǎng)絡(luò)的訓練 網(wǎng)絡(luò)經(jīng)過訓練后才可以用于公路貨運量預測,由于網(wǎng)絡(luò)的結(jié)構(gòu)相對比較簡單,神經(jīng)元的個數(shù)不是很多,訓練參數(shù)的設(shè)定如表3所示.

表3 訓練參數(shù)

訓練結(jié)果曲線如圖2所示.

圖2 訓練結(jié)果曲線Fig.2 Training result curve

圖2中橫坐標表示網(wǎng)絡(luò)訓練步數(shù),縱坐標表示網(wǎng)絡(luò)訓練誤差,圖中水平線表示設(shè)定的期望誤差,曲線表示網(wǎng)絡(luò)誤差變化曲線.從圖2可知,經(jīng)過4次訓練后,網(wǎng)絡(luò)的性能為0.005 7,網(wǎng)路誤差達到目標值.

2.2.3 網(wǎng)絡(luò)的測試 訓練好的網(wǎng)絡(luò)還需要進行測試才可以判定是否可以投入實際應用.這里的測試數(shù)據(jù)就是利用表1中2005年～2006年的五項參數(shù)值來預測2006年～2007年的貨運量,并通過貨運量預測值與實際的貨運量值作比較,來檢驗預測誤差能否滿足要求的.這里應用仿真函數(shù)來計算網(wǎng)絡(luò)的輸出.

歸一化后網(wǎng)絡(luò)的預測值與實際值的對應關(guān)系如表4所示.

表4 網(wǎng)絡(luò)的預測值與實際值的對應關(guān)系

從表4中可以看出經(jīng)網(wǎng)絡(luò)訓練后的預測值與實際值之間的誤差很小,繪制預報誤差曲線,如圖3所示,網(wǎng)絡(luò)預測值與真實值之間的誤差比較小,除了第一次出現(xiàn)了相對較大的誤差以外,其余的誤差都比較小.通過對得到的數(shù)據(jù)的分析可以知道,由于2003年非典的出現(xiàn)使得各項指標下降及2006年和2007年這兩年公路運輸線路長度有大幅度的增加,導致網(wǎng)絡(luò)的輸入與輸出數(shù)據(jù)沒有達到要求的映射關(guān)系,使得網(wǎng)絡(luò)預測結(jié)果出現(xiàn)了一定的誤差.但是從預測結(jié)果及誤差比較分析,BP神經(jīng)網(wǎng)絡(luò)可以將誤差控制在要求的范圍之內(nèi),具有較好的非線性映射能力和較高的準確性.

通過對測試樣本的結(jié)果和實際數(shù)值的對比分析可以看出網(wǎng)絡(luò)測試的精度較高,訓練后的網(wǎng)絡(luò)可以作為預測公路貨運量的工具.并且可以通過增加新的訓練樣本來不斷提高網(wǎng)絡(luò)的精確性,從而更好的對數(shù)據(jù)進行預測分析.

圖3 預報誤差曲線Fig.3 Forecast error curve

3 結(jié)論

神經(jīng)網(wǎng)絡(luò)用于貨運量預測具有其可行性,神經(jīng)網(wǎng)絡(luò)具有通過學習逼近任意非線性映射的能力,將神經(jīng)網(wǎng)絡(luò)用于非線性系統(tǒng)的建模與辨識,可以不受非線性模型的限制.由于貨運量的形成因素復雜多變,具有非線性,神經(jīng)網(wǎng)絡(luò)模型的特點正好適合于公路貨運量的預測.同時,應用神經(jīng)網(wǎng)絡(luò)可以使預測的精度控制在要求的范圍之內(nèi),通過設(shè)定網(wǎng)絡(luò)的訓練次數(shù)、訓練目標及學習速率,就可以得到較小的誤差.

[1] 蓋春英, 裴玉龍. 公路貨運量灰色模型-馬爾可夫鏈預測方法研究[J].中國公路學報, 2003, 16(3):113-116.

[2] 李 慧, 林榮娜. 彈性系數(shù)法在公路工可交通量預測中的應用[J]. 西華大學學報: 自然科學版, 2006, 25(5).28-29.

[3] 谷遠利, 曲大義, 于 雷. 公路運輸貨運量預測方法研究[J].物流技術(shù), 2009, 38(1):39-40.

[4] 王書翰, 楊 偉, 向 軍, 等.BP神經(jīng)網(wǎng)絡(luò)技術(shù)對貨運量預測[J]. 四川工業(yè)學院學報, 2004, 163(3):163-168.

[5] 張擁軍, 葉懷珍, 任 民. 神經(jīng)網(wǎng)路模型預測運輸貨運量[J].西南交通大學學報: 自然科學版, 1999, 34(5): 602-605.

[6] 李 萍, 曾令可, 稅安澤, 等. 基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)預測系統(tǒng)的設(shè)計[J].計算機應用與軟件, 2008, 25(4):149-150.

A study on highway freight volume forecasting method based on neural network

ZHANG Lili

(Traffic College, Northeast Forestry University, Haerbin 150040)

Based on an analysis of the forecasting method about highway freight volume, a BP neural network model for forecasting is established in this paper, and the complexity and nonlinearity of the highway freight volume are considered. Using the various data of Heilongjiang province highway freight volume, we establish the input and output samples, and do some training and forecasting. By analyzing the error curve of the output, the convenience and preciseness of the BP neural network are verified, so that the highway freight volume forecasting can be promoted.

freight volume; highway transportation; BP neural network; forecasting

2014-09-10.

黑龍江教育廳科學技術(shù)研究項目(12543011).

1000-1190(2015)02-0186-04

TP273

A

*E-mail: zhangll7707@126.com.