人工神经网络在货运预测系统中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇人工神经网络在货运预测系统中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：物流行业中的货运影响因素具有不确定性和时变性，为了提高货物运输系统的预测精度，可用智能预测方法对物流数据进行分析与处理。文中运用Matlab工具箱实现模型的相关算法，对货运系统历史数据进行拟合，得到输入输出数据之间的映射关系，从而进行输出预测。文章将多种模型的预测结果进行了对比，最终选择了人工神经网络的预测模型。

关键词：物流；神经网络；Matlab；预测；多种模型

中图分类号：U294.1 文献标识码：A 文章编号：2095-1302（2016）01-00-02

0 引 言

现如今物流业的快速发展对人们的生活与产能经济都产生了重要影响，而整个物流链中的关键就是货运环节。影响货物运输的因素比较复杂，包括相关体制、交通条件、城市环境、产业布局等，这些因素在数学模型上是非线性且不确定的，于是给预测造成了较大困难。为了做好库存控制、信息管理的工作，在货物运输前对货运量进行预测是非常有必要的。

1 神经网络模型及其特点

1.1 系统概述

本文研究的预测模型是基于货运预测系统的，该系统的主要功能是将项目输入的数据确定为预测目标，并根据具体要求与有关资料动态分析出可执行计划，将预测结果保存到数据库备份。货运预测系统的具体结构包括初始数据模块、预测方法选择、结果处理模块、系统辅助管理及数据库模块等。系统结构图如图1所示。

图1 货运预测系统结构图

1.2 模型特点

神经网络分为单层前向网络（LMS学习算法）、多层前向网络（BP学习算法）、改进型神经网络等，其中BP神经网络是目前应用最广泛的模型之一，模型拓扑结构如图2所示。

图2 含有两个隐层的BP网络结构

多层前向网络是单层感知器的推广，解决了非线性可分问题，其由输入层、隐含层和输出层组成，其中隐含层可以为一层或多层。输入层中每个源节点作为激励单元，组成了下一层的输入信号，而该层的输出信号又成为后层的输入，以此类推。多层感知器中每个神经元的激励函数是可微的Sigmoid函数，见式（1）所示：

（1）

式中ui是第i个神经元的输入信号，vi是该神经元的输出信号。

BP学习过程具有工作信号正向传播、误差信号反向传播的特点。对于图2，设输入层任意一个输入信号用m表示，第一层、第二层、输出层任意神经元分别用i，j，p表示。按误差反向传播方向，从输出节点到隐含层的修正权值公式见式（2）：

（2）

按Delta学习规则求得：

Δwjp（n）=ηδp（n）vj（n） （3）

其中，η是学习步长， vj（n） 可由信号的正向传播过程求得。

该系统的训练目标是总的平均误差能量Eav达到最小，。其中，ekp为网络输入第k个训练样本时输出神经元p的误差，N为训练样本的个数。

2 预测实例及结果分析

2.1 问题描述

货站是物流的一种重要形式，被认为是物流中心，包含着物资信息、资金流动等管理，这里取若干年的某货站数据进行预测并与实际结果对比，货运量走势如图3所示。

图3 近十年某货站物流量走势图

图中曲线很明显不适合做直线拟合，我们可运用指数平滑法、神经网络等进行外推预测。对于指数平滑法，历史数据影响程度逐渐减小，随着数据远离权数收敛趋近零，因此适用于短期预测；对于灰色模型，十分依赖于历史数据，其精度受原始数据的影响较大。本预测系统会根据输入数据的各项因子最终选择最合适的算法模型。下面就神经网络的一般预测步骤进行说明。

2.2 预测步骤

一般来说，BP算法的预测步骤如下：

（1）样本预处理。由于数据的评价标准或量纲不一样，所以需要对样本作归一化处理。可采取极差变换（xn-xmin）/（xmax-xmin）进行处理；

（2）样本分组。每组前m个值作为输入，后一个作为输出期望值；

（3）网络训练。使训练后的网络自适应样本数据的特征，网络训练状态如图4所示；

图4 网络训练状态

（4）得到预测值后。可通过对2001至2010年数据的网络训练，得到2011年的输出预测值。Matlab中仿真程序如下：

x=[105129.1 113918.7 121421.3 122757.9 122690.2 135560.5 159988.1 172152 210655.0 238749.2]；

r=max（x）-min（x）；

for n=1：length（x）

y（n）=[x（n）-min（x）]/r；

end

p=[y（length（x）-4） y（length（x）-3） y（length（x）-2） y（length（x）-1）]’；

L=length（p）；

R1=zeros（1，L）；

R2=ones（1，L）；

R=[R1；R2]’；

t=y（length（x））；

input=[y（length（x）-3） y（length（x）-2） y（length（x）-1） y（length（x））]’；

net=newff（R，[4，5，1]，{‘logsig’，’logsig’，’purelin’}，’trainlm’）；

net.trainParam.show=20；

net.trainParam.lr=0.01；

net.trainParam.epochs=100； net.trainParam.goal=1.0e-030； net=train（net，p，t）；

out=sim（net，input）；

out=out*r+min（x）；

（5）反归一化处理。由于第一步对样本进行归一化处理，则需要把结果还原，才能得到有效的预测值。

2.3 结果分析

最后得到2011年货运量预测值为259 137（吨）[实际值262 551（吨）]，与指数平滑法的271 740（吨）相比误差由3.5%降为-1.3%。需要指出的是，增加隐含层的数目可以更加逼近非线性曲线提高映射能力，但多于某个值，会使整体预测性能降低。

3 结 语

货运预测影响因素的不确定性直接给预测系统的研究带来困难，人工神经网络模仿自人的大脑，具备自适应算法特性，拥有运算、推理、识别及控制等能力，若能将其很好地运用在货运预测方面，则能为物流业提供更大意义的帮助。

参考文献

[1] Simon Haykin.神经网络原理[M].叶世伟，史忠植，译.北京：机械工业出版社，2004.

[2]孙明玺.预测与评价[M].杭州：浙江教育出版社，2000.

[3]李采蓉.新的组合模型及在港口客流量预测上的应用[J].辽宁大学学报，2000，27（4）：309-311.

[4]云俊，王少梅.物流系统的多目标预测[J].武汉理工大学学报（社会科学版），2001，14（3）：243-245.

[5]骆温平.物流与供应链管理[M].北京：电子工业出版社，2002.

[6]（美）Tom M.Mitchell.机器学习[M].曾华军，译.北京：机械工业出版社，2008.

[7]（美）Martin T Hagan，Howard B.Demuth.神经网络设计[M].戴葵，等，译.北京：机械工业出版社，2005.

[8]党耀国，刘思峰，王正新.灰色预测与决策模型研究[M].北京：科学出版社，2009.

[9]（美）希尔伯沙茨.数据库系统概念[M].杨冬青，译.北京：机械工业出版社，2006.

[10]（美）弗罗斯特.数据库设计与开发[M].邱海艳，李翔鹰，译.北京：清华大学出版社，2007.