張旭琴

摘 要：為實現(xiàn)交通運輸資源及物流資源的合理配置，以五種貨運交通方式的運輸距離為研究對象，在MATLAB中使用BP和徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測五種交通運輸方式運輸貨物所需要的平均距離，提出用BP、徑向基函數(shù)模擬貨運平均運輸距離以及不同運輸工具運輸貨物所需運距之間關(guān)系的方法。根據(jù)貨運的實際工作狀況，分別建立五維輸入向量、一維輸出向量的BP、徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)模型，通過試驗訓(xùn)練預(yù)測網(wǎng)絡(luò)，并通過相關(guān)數(shù)據(jù)預(yù)測下一年貨運的平均運距。結(jié)果表明，預(yù)測結(jié)果接近真實值，兩種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果在不同程度上呈現(xiàn)出較高的精確度。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);RBF神經(jīng)網(wǎng)絡(luò);預(yù)測;貨運距離

中圖分類號：F252? ? ? ? 文獻標(biāo)志碼：A? ? ? 文章編號：1673-291X（2020）09-0168-03

引言

隨著社會經(jīng)濟的發(fā)展，我國五種運輸方式的發(fā)展非常迅速，從貨運里程數(shù)來說，公路貨運里程數(shù)不斷增長，高速公路從無到有，自1998年以來，高速公路網(wǎng)絡(luò)發(fā)生了結(jié)構(gòu)性的變化，從而使公路網(wǎng)絡(luò)整體結(jié)構(gòu)及其在綜合運輸網(wǎng)絡(luò)中的功能發(fā)生轉(zhuǎn)變;航空貨運受區(qū)域經(jīng)濟一體化的影響，增長潛力不斷變化;在鐵路貨運方面，貨運量不斷增長，但是近幾年來貨運量所占比重較低，貨運平均運距也在一定程度上發(fā)生了變化;水路運輸在五種運輸方式中完成的周轉(zhuǎn)量最高，且水路運輸承載力大、平均運距遠;管道運輸自2005年以來周轉(zhuǎn)量增長幅度較大，這與西氣東輸工程的建成有密切關(guān)系。

本文利用近十年的貨運相關(guān)數(shù)據(jù)，使用MATLAB軟件在訓(xùn)練模塊將兩種不同的預(yù)測方法（BP和RBF神經(jīng)網(wǎng)絡(luò)）放在同一界面，包括預(yù)測過程和預(yù)測值，從兩種不同的預(yù)測結(jié)果和預(yù)測值來判斷出何種方法的預(yù)測結(jié)果精度更好，避免單預(yù)測方法的局限性和預(yù)測結(jié)果的偶然性對決策參考的影響。

一、神經(jīng)網(wǎng)絡(luò)概況

（一）BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)，由信息的正向傳播和誤差的反向傳播兩個過程組成。以三層BP神經(jīng)網(wǎng)絡(luò)為例，前層為輸入層，中間層為隱含層，最后為輸出層。其信息從輸入層依次向后，直到輸出層。輸入層神經(jīng)元個數(shù)為輸入信號的維數(shù)，隱含層數(shù)以及隱含層中神經(jīng)元個數(shù)視具體情況而定，輸出層神經(jīng)元個數(shù)為輸出信號的維數(shù)。

其中，Zip表示當(dāng)輸入第p個輸入樣本Xp時隱節(jié)點i的輸出，Ci表示徑向?qū)ΨQ函數(shù)？椎的中心，？滓ij為樣本協(xié)方差矩陣中的元素;yip表示當(dāng)輸入第p個樣本Xp時第i個輸出節(jié)點的輸出，Wij表示第j個徑向基函數(shù)連接到第i個輸出節(jié)點的權(quán)值，Wio為第i個輸出節(jié)點的閾值，？椎（·）是從R+到R的非線性函數(shù)，‖·‖表示歐氏空間距離，Cj表示徑向基函數(shù)網(wǎng)絡(luò)的中心。

二、模型構(gòu)建

（一）數(shù)據(jù)準(zhǔn)備

本文選取五種交通運輸方式在6年的數(shù)據(jù)，選取訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)，將2009—2014年不同運輸方式的貨運平均運距作為訓(xùn)練集，通過兩種神經(jīng)網(wǎng)絡(luò)對這些數(shù)據(jù)進行訓(xùn)練，然后再根據(jù)訓(xùn)練的模型，預(yù)測2009—2018年這10年的貨運平均運距。

在進行BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型研究時，選取2009—2014年的貨運平均運距，主要包括公路、鐵路、水路、民航及管道各自的平均運距作為我們訓(xùn)練集及預(yù)測的數(shù)據(jù)。以這五個參數(shù)作為網(wǎng)絡(luò)輸入變量，以貨運平均運距作為輸出變量，共搜集10個實驗數(shù)據(jù)（如表1所示）。

（二）模型的構(gòu)建與過程

建立基于BP和RBF神經(jīng)網(wǎng)絡(luò)的貨運平均運距模型，首先我們要確定輸入層、隱含層和輸出層的節(jié)點數(shù)。根據(jù)貨運的實際運作狀況，建立的神經(jīng)網(wǎng)絡(luò)模型中，輸入向量p為五維向量、輸出向量t為一維向量。對網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)用mapminmax函數(shù)進行歸一化預(yù)處理，提高了網(wǎng)絡(luò)預(yù)報精度與運行效率。將數(shù)據(jù)轉(zhuǎn)化成[0，1]區(qū)間上的值，具體歸一化公式為：y=。其中，y為歸一化后的數(shù)據(jù)，x為原始輸出或輸入數(shù)據(jù)，max和min分別為原數(shù)據(jù)中的最大值和最小值。預(yù)測模型采用3層BP神經(jīng)網(wǎng)絡(luò)，即輸入層、隱含層、輸出層結(jié)構(gòu)，隱層單元數(shù)（s1）最終根據(jù)大量實驗確定為10，訓(xùn)練模型根據(jù)實際訓(xùn)練情況采用期望誤差（err goal）為0.0015，確定最大訓(xùn)練次數(shù)（max epoch）為1 000次，學(xué)習(xí)率設(shè)置為0.1。用Newff函數(shù)創(chuàng)建前向神經(jīng)網(wǎng)絡(luò)，并用用隨機初始化函數(shù)initff對每一層的權(quán)值和閾值進行初始化，再利用Matlab工具箱中的學(xué)習(xí)函數(shù)learngdm，即梯度下降動量學(xué)習(xí)函數(shù)進行訓(xùn)練函數(shù)訓(xùn)練網(wǎng)絡(luò)，檢驗BP網(wǎng)絡(luò)的精度，預(yù)測貨運平均運距。

BP預(yù)測結(jié)果值與真實值之間的誤差較小，預(yù)測值接近真實值，故預(yù)測結(jié)果可靠性比較高。當(dāng)預(yù)測模型采用徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)時，設(shè)定誤差指標(biāo)（goal）為0.0015，利用MATLAB工具箱中的newrb函數(shù)建立徑向基函數(shù)網(wǎng)絡(luò)，檢驗徑向基函數(shù)（RBF）網(wǎng)絡(luò)的精度，最后預(yù)測貨運平均運距。最后我們可以得到基于RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差曲線圖，網(wǎng)絡(luò)訓(xùn)練誤差曲線圖（如下圖所示）。從訓(xùn)練過程中的誤差變化曲線可以看出，其訓(xùn)練后的預(yù)測誤差非常小，訓(xùn)練速度非?？?，精度也相當(dāng)高。

三、預(yù)測分析

利用兩種神經(jīng)網(wǎng)絡(luò)預(yù)測模型，同時根據(jù)已經(jīng)訓(xùn)練好的模型，對2009—2018年的貨運平均運距進行預(yù)測，并與真實值進行比較，計算了預(yù)測值與真實值之間的相對誤差，發(fā)現(xiàn)真實值與預(yù)測值之間誤差范圍較小，且兩種神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度不一樣，但是兩者在預(yù)測中具體（如表2所示）。

結(jié)語

本文對Matlab工具箱中的BF神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)進行了歸納，然后提出如何進行模型的構(gòu)建，通過設(shè)置不同的參數(shù)，對2009—2014年的數(shù)據(jù)作為訓(xùn)練集，進行模型的訓(xùn)練，根據(jù)最后訓(xùn)練的模型，預(yù)測2009—2018年平均運距。同時，根據(jù)預(yù)測值與真實值的比較，計算預(yù)測誤差。

在做預(yù)測的過程中，利用Matlab提供的神經(jīng)網(wǎng)絡(luò)工具箱實現(xiàn)對兩種網(wǎng)絡(luò)的學(xué)習(xí)、訓(xùn)練，發(fā)現(xiàn)預(yù)測結(jié)果與實測結(jié)果相差不大（相對誤差均沒超過7.03%）。研究表明，BP及RBF神經(jīng)網(wǎng)絡(luò)可有效應(yīng)用于物流業(yè)的貨運平均運距的預(yù)測，并可通過增加樣本不斷學(xué)習(xí)，從而提高網(wǎng)絡(luò)精度和泛化能力，應(yīng)用價值較高。

參考文獻：

[1]? V.Vuorinen，K.Keskinen.DNSLab：A gateway to turbulent flow simulation in Matlab[J].Computer Physics Communications，2016.

[2]? Zhaokun Li，Xiaohui Zhao.BP artificial neural network based wave front correction for sensor-less free space optics communication[J].Optics Communications，2016.

[3]? 牛志娟，胡紅萍.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)月平均氣溫預(yù)測模型[J].高師理科學(xué)刊，2015，（11）：6-8.

[4]? 魏文軒.基于RBF神經(jīng)網(wǎng)絡(luò)的鄭州航空港貨運吞吐量預(yù)測[J].物流技術(shù)，2014，（15）：182-184.

[5]? 蘭紅，田進，李淑芝.基于Matlab GUI的圖像處理平臺設(shè)計[J].江西理工大學(xué)學(xué)報，2014，（3）：79-84.

[6]? 孫祖妮.基于成本動因BP神經(jīng)網(wǎng)絡(luò)的鐵路物流貨運成本預(yù)測[D].北京：北京交通大學(xué)，2012.

[7]? 白雪冰.使用BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測浙江的經(jīng)濟增長[J].企業(yè)研究，2010，（16）：80-84.

[8]? 鄧烜堃，萬良，丁紅衛(wèi).基于深度學(xué)習(xí)的交通流量預(yù)測研究[J].計算機工程與應(yīng)用，2019，（2）：234-241.

[9]? 段向軍.基于神經(jīng)網(wǎng)絡(luò)的預(yù)測控制方法研究[D].大慶：大慶石油學(xué)院，2010.

[責(zé)任編輯 李曉群]