基于bp神经网络货运量预测模型和实证研究

《基于bp神经网络货运量预测模型和实证研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络货运量预测模型和实证研究　　摘要：为了科学合理地预测南疆兵团各师的货运量，以2006～2010年南疆兵团各师货运量数据为基准，基于BP神经网络算法，建立相应的预测模型，并采用Matlab编程求解，得到相应的南疆兵团各师货运量的预测值，通过与实际值比较分析，发现相对误差位于0.8%～7.8%之间，平均相对误差约为4.45%，计算结果符合精度要求，所得结果具有较好的说服力和可信度。关键词：BP神经网络算法；货运量；预测模型；实证分析中图分类号：F252文献标识码：A交通运输系统是国民经济大系统中的一个子系统，运输需求同时受到来自系统内部

2、和系统外部因素的影响，同时又反作用于国民经济系统[1]。其中，货运量是反映运输生产成果，体现运输系统为国民经济服务数量的重要指标[2]，它作为衡量一个国家或地区经济发展的重要经济指标，愈加受到人们的重视，如何正确、有效地根据相关影响因素做出货运量预测，对于物流产业的发展具有至关重要的作用。8货运量预测具有较大的复杂性和非线性等特点[3]，进行货运量预测的方法很多，常用的方法包括时间序列法、回归分析法和灰色系统法等，这些方法都集中在对其因果关系回归模型和时间序列模型的分析上，所建立的模型不能全面和本质地反映所预测动态数据的内在结构和复杂特性，从而丢失

3、了信息[4]。人工神经网络具有良好的曲线拟合能力、学习能力、抗干扰能力[4-5]，采用BP神经网络方法，建立货运量预测模型，具有更好的说服力。近几年来，在国家政策的大力扶持和倾斜下，整个新疆的经济社会发展都步入了快车道。经济社会的快速发展，对相应的物流能力提出了更高的要求。现有的南疆兵团物流企业已经难以满足其经济快速高效发展的需要，日益成为制约南疆兵团经济快速发展的瓶颈。科学合理地预测南疆兵团物流企业的货运量以对其物流能力进行客观评价，对于优化配置南疆兵团有限的物流资源，实现南疆兵团物流企业的可持续发展，具有重要的现实意义和实践价值。1BP神经网络

4、算法与模型8近年来，全球性的神经网络研究热潮再度兴起，不仅仅是因为神经科学本身取得了巨大的进展，更主要的原因在于发展新型计算机和人工智能新途径的迫切需要。迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制。另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径[6]，它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注。目前，已发展了几十种神经网络，例如Hopfi

5、cld模型、Feldmann等的连接型网络模型、Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型，等等[6]。神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于20世纪50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习，即BP算法[7]，实现了Minsky的多层网络设想，如图1所示。BP算法不仅有输入层节点、输出层节点，还可有一个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数激励后，再把隐含层节点的输出信号传

6、播到输出节点，最后给出输出结果。节点的作用激励函数通常选取S型函数，如：8式中Q为调整激励函数形式的Sigmoid参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。从上述BP算法可以看出，BP模型把一组样本的I/O问题变为一个非线性优化[8]，是优化中最普通的梯度下降法。如果把神经网络的看成输入到输出的映射，则这个映射是一个

7、高度非线性映射。设计一个神经网络专家模型的构成和学习算法的选择，一般来说，是根据所研究领域及要解决的问题确定的[6]。通过对所研究问题的大量历史资料数据的分析及目前的神经网络理论发展水平，建立合适的模型，并针对所选的模型采用相应的学习算法，在网络学习过程中，不断地调整网络参数，直到输出结果满足要求为止。2货运量预测模型与实证分析基于上述BP神经网络算法与模型，结合新疆兵团各师物流实际，构建南疆兵团各师货运量的预测模型，采用Matlab软件编制程序（见附录），将2006～2010年间的各师货运量数据[9]代入Matlab程序中，以对南疆兵团各师货运量

8、加以预测。下面对Matlab中神经网络训练函数的训练步数、收敛精度及误差加以比较，通过反复训练来确定最佳的BP神经网络训练