人工神經(jīng)網(wǎng)絡在貨運預測系統(tǒng)中的應用

引 言

現(xiàn)如今物流業(yè)的快速發(fā)展對人們的生活與產(chǎn)能經(jīng)濟都產(chǎn)生了重要影響，而整個物流鏈中的關鍵就是貨運環(huán)節(jié)。影響貨物運輸?shù)囊蛩乇容^復雜，包括相關體制、交通條件、城市環(huán)境、產(chǎn)業(yè)布局等，這些因素在數(shù)學模型上是非線性且不確定的， 于是給預測造成了較大困難。為了做好庫存控制、信息管理的工作，在貨物運輸前對貨運量進行預測是非常有必要的。

1 神經(jīng)網(wǎng)絡模型及其特點

1.1 系統(tǒng)概述

本文研究的預測模型是基于貨運預測系統(tǒng)的，該系統(tǒng)的主要功能是將項目輸入的數(shù)據(jù)確定為預測目標，并根據(jù)具體要求與有關資料動態(tài)分析出可執(zhí)行計劃，將預測結(jié)果保存到數(shù)據(jù)庫備份。貨運預測系統(tǒng)的具體結(jié)構(gòu)包括初始數(shù)據(jù)模塊、預測方法選擇、結(jié)果處理模塊、系統(tǒng)輔助管理及數(shù)據(jù)庫模塊等。系統(tǒng)結(jié)構(gòu)圖如圖 1 所示。

1.2 模型特點

神經(jīng)網(wǎng)絡分為單層前向網(wǎng)絡（LMS 學習算法）、多層前向網(wǎng)絡（BP 學習算法）、改進型神經(jīng)網(wǎng)絡等，其中 BP 神經(jīng)網(wǎng)絡是目前應用最廣泛的模型之一，模型拓撲結(jié)構(gòu)如圖 2 所示。

多層前向網(wǎng)絡是單層感知器的推廣，解決了非線性可分問題，其由輸入層、隱含層和輸出層組成，其中隱含層可以為一層或多層。輸入層中每個源節(jié)點作為激勵單元，組成了下一層的輸入信號，而該層的輸出信號又成為后層的輸入，以此類推。多層感知器中每個神經(jīng)元的激勵函數(shù)是可微的Sigmoid 函數(shù)， 見式（1）所示 ：

式中 ui是第 i個神經(jīng)元的輸入信號，vi是該神經(jīng)元的輸出信號。

BP 學習過程具有工作信號正向傳播、誤差信號反向傳播的特點。對于圖 2，設輸入層任意一個輸入信號用 m表示，第一層、第二層、輸出層任意神經(jīng)元分別用 i，j，p表示。按誤差反向傳播方向，從輸出節(jié)點到隱含層的修正權值公式見式（2）：

2 預測實例及結(jié)果分析

2.1 問題描述

貨站是物流的一種重要形式，被認為是物流中心，包含著物資信息、資金流動等管理，這里取若干年的某貨站數(shù)據(jù)進行預測并與實際結(jié)果對比，貨運量走勢如圖 3 所示。

圖中曲線很明顯不適合做直線擬合，我們可運用指數(shù)平滑法、神經(jīng)網(wǎng)絡等進行外推預測。對于指數(shù)平滑法，歷史數(shù)據(jù)影響程度逐漸減小，隨著數(shù)據(jù)遠離權數(shù)收斂趨近零，因此適用于短期預測 ；對于灰色模型，十分依賴于歷史數(shù)據(jù)，其精度受原始數(shù)據(jù)的影響較大。本預測系統(tǒng)會根據(jù)輸入數(shù)據(jù)的各項因子最終選擇最合適的算法模型。下面就神經(jīng)網(wǎng)絡的一般預測步驟進行說明。

2.2 預測步驟

一般來說，BP 算法的預測步驟如下：

(1) 樣本預處理。由于數(shù)據(jù)的評價標準或量綱不一樣，所以需要對樣本作歸一化處理?？刹扇O差變換（xn － xmin）/（xmax － xmin）進行處理；

(2) 樣本分組。每組前 m個值作為輸入，后一個作為輸出期望值；

(3) 網(wǎng)絡訓練。使訓練后的網(wǎng)絡自適應樣本數(shù)據(jù)的特征，

網(wǎng)絡訓練狀態(tài)如圖 4 所示；

（4）得到預測值后?？赏ㄟ^對 2001至 2010 年數(shù)據(jù)的網(wǎng) 絡訓練，得到 2011 年的輸出預測值。Matlab 中仿真程序如下：