王新杰 陳淮莉

【關(guān)鍵詞】 港口貨物吞吐量預(yù)測;經(jīng)濟(jì)指標(biāo);GA-BP模型;主成分分析;上海港

0 引 言

隨著“一帶一路”建設(shè)的不斷推進(jìn)，我國進(jìn)出口貿(mào)易總額逐年穩(wěn)步上升，港口物流業(yè)迅速發(fā)展。有效預(yù)測港口貨物吞吐量，能夠優(yōu)化資源配置、協(xié)調(diào)集疏運(yùn)系統(tǒng)，為港口貨運(yùn)作業(yè)規(guī)劃提供科學(xué)依據(jù)。常用的港口貨物吞吐量預(yù)測方法有人工神經(jīng)網(wǎng)絡(luò)模型、時(shí)間序列模型、灰色預(yù)測模型和回歸模型。人工神經(jīng)網(wǎng)絡(luò)模型有Elman神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)等算法，這些算法對非線性關(guān)系預(yù)測效果較好，但對網(wǎng)絡(luò)的初始閾值和權(quán)值有較強(qiáng)依賴，容易陷入局部最優(yōu)解;時(shí)間序列模型有移動(dòng)平均法、指數(shù)平滑法以及自回歸差分移動(dòng)平均（ARIMA）模型等，這些算法能夠較好地體現(xiàn)數(shù)據(jù)季節(jié)性變化，但對于突變波動(dòng)的預(yù)測效果較差;灰色預(yù)測模型僅需少量數(shù)據(jù)即可進(jìn)行預(yù)測，多應(yīng)用于短期貨物吞吐量年度數(shù)據(jù)的預(yù)測;回歸模型可以突出數(shù)據(jù)變化的影響因素，通常會(huì)結(jié)合新興技術(shù)廣泛應(yīng)用于港口貨物吞吐量預(yù)測領(lǐng)域，但該方法需要大量的技術(shù)經(jīng)濟(jì)指標(biāo)作為模型建立的依據(jù)，且數(shù)據(jù)統(tǒng)計(jì)難度較大。

影響港口貨物吞吐量的因素眾多且存在非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測效果較好，但該模型容易陷入局部最優(yōu)，且各月份因素指標(biāo)獲取難度較大;遺傳算法（Genetic Algorithm，GA）具有良好的全局搜索能力，而經(jīng)濟(jì)指標(biāo)[1]對貨物吞吐量影響最大。因此，基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)模型（GA-BP模型），結(jié)合經(jīng)濟(jì)指標(biāo)提出能夠較好體現(xiàn)非線性變化、突出因果關(guān)系、數(shù)據(jù)收集難度適中的貨物吞吐量短期預(yù)測模型。選取2012―2020年上海港貨物吞吐量月度數(shù)據(jù)，運(yùn)用GA-BP模型進(jìn)行預(yù)測分析，并根據(jù)上海市經(jīng)濟(jì)指標(biāo)設(shè)定經(jīng)濟(jì)影響函數(shù)，對準(zhǔn)預(yù)測結(jié)果進(jìn)行修正。試驗(yàn)證明，結(jié)合經(jīng)濟(jì)指標(biāo)影響的GA-BP模型的預(yù)測效果比傳統(tǒng)時(shí)間序列模型和BP神經(jīng)網(wǎng)絡(luò)模型更優(yōu)。

1 考慮經(jīng)濟(jì)指標(biāo)影響的GA-BP模型

1.1 問題描述

以全月貨物吞吐量數(shù)據(jù)為一個(gè)預(yù)測周期，根據(jù)m周期的歷史數(shù)據(jù)即{yt m+1，yt m+2，…，yt}，預(yù)測得到未來一個(gè)周期貨物吞吐量的準(zhǔn)預(yù)測值 ，其中yt表示第t月的貨物吞吐量實(shí)際值。由于根據(jù)歷史數(shù)據(jù)趨勢外推得到的準(zhǔn)預(yù)測值不能體現(xiàn)因果關(guān)系且具有不確定性，加之港口貨物吞吐量必然受到港口腹地經(jīng)濟(jì)、港口規(guī)模、政策、天氣等因素的影響，其中經(jīng)濟(jì)因素影響最顯著，因而根據(jù)港口腹地經(jīng)濟(jì)指標(biāo)對準(zhǔn)預(yù)測值進(jìn)行修正得到最終預(yù)測值 。具體流程見圖1。

1.2.1 GA-BP模型

2 GA-BP模型算法

本文采用GA對BP的初始閾值和權(quán)值進(jìn)行優(yōu)化，確定最優(yōu)初始閾值和權(quán)值后再運(yùn)用BP進(jìn)行預(yù)測，流程見圖2。

為提高驗(yàn)證準(zhǔn)確性，將上海港2012―2020年各月份貨物吞吐量數(shù)據(jù)劃分為3組進(jìn)行訓(xùn)練和驗(yàn)證預(yù)測，數(shù)據(jù)集劃分結(jié)果見圖3。

通過SPSS軟件對各個(gè)特征指標(biāo)進(jìn)行主成分分析，得到5個(gè)主成分并通過加權(quán)平均的方法計(jì)算綜合得分。對結(jié)果進(jìn)行非負(fù)處理并轉(zhuǎn)化為[1，101]，最終得到各月份的經(jīng)濟(jì)指數(shù)。為體現(xiàn)經(jīng)濟(jì)指數(shù)對貨物吞吐量的影響，運(yùn)用MATLAB軟件對2012―2020年的貨物吞吐量與經(jīng)濟(jì)影響指數(shù)進(jìn)行灰色關(guān)聯(lián)度分析，得到二者的灰色關(guān)聯(lián)度為0.74;根據(jù)經(jīng)濟(jì)影響指數(shù)得到各月度經(jīng)濟(jì)影響函數(shù)，并對GA-BP模型輸出的準(zhǔn)預(yù)測值進(jìn)行修正（其中r=0.74，n=0.1），得到最終預(yù)測值（見表2）。

由表3可知，考慮經(jīng)濟(jì)指標(biāo)影響的GA-BP模型預(yù)測結(jié)果的平均絕對誤差為217.3、均方根誤差為273.7、平均絕對誤差百分比為5.2%。這說明預(yù)測效果優(yōu)于ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型。

4 結(jié) 語

利用GA較強(qiáng)的全局尋優(yōu)能力，對BP的初始閾值和權(quán)值進(jìn)行優(yōu)化，同時(shí)考慮經(jīng)濟(jì)指標(biāo)的影響，對港口貨物吞吐量進(jìn)行短期預(yù)測。結(jié)果表明：考慮經(jīng)濟(jì)指標(biāo)影響的GA-BP模型預(yù)測效果最優(yōu)，可以為同類型港口的貨物吞吐量預(yù)測提供參考。然而，由于月度經(jīng)濟(jì)數(shù)據(jù)的缺失率較高、獲取難度較大，因此部分指標(biāo)采用指數(shù)指標(biāo)作為替代，以致該模型存在一定的局限性。此外，運(yùn)用該模型對其他港口貨物吞吐量進(jìn)行預(yù)測時(shí)，經(jīng)濟(jì)影響函數(shù)的參數(shù)需要根據(jù)數(shù)據(jù)進(jìn)行修正。未來可在經(jīng)濟(jì)指標(biāo)的選取以及模型參數(shù)的動(dòng)態(tài)確定上作進(jìn)一步研究。

參考文獻(xiàn)：

[1] 黃建康，姚遠(yuǎn). 港口吞吐量預(yù)測影響因素辨識研究[J]. 商場現(xiàn)代化，2014（22）：76-78.

[2] 梁明奇，王敏，朱江龍. 基于主成分分析法的五排水庫水質(zhì)評價(jià)[J]. 湖北大學(xué)學(xué)報(bào)（自然科學(xué)版），2021（2）：163-169.

[3] 楊洋，陳家俊. 基于群智能算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究綜述[J]. 電腦知識與技術(shù)，2020（35）：7-10，14.