江志娟（钦州学院 商学院，广西 钦州 535000）

0 引 言

广西北部湾经济区是我国西部大开发地区唯一的沿海区域，也是我国与东盟国家既有海上通道、又有陆地接壤的区域。钦州港位于北部湾湾顶的钦州湾内，是我国西南地区主要出海口。随着《广西北部湾经济区发展规划》的实施，钦州港将建设面向东盟的区域性国际航运中心，钦州港将发挥越来越重要的作用。港口吞吐量的预测是港口决策的重要依据，钦州港口吞吐量的预测将为区域性国际航运中心建设、以及国家级经济技术开发区建设提供重要的决策依据。

港口吞吐量预测的常用方法主要有时间序列法、因果分析法、组合预测法。这三类方法都各有优势，但也存在自身的缺陷，使得预测的准确性和精度难以保证。时间序列法，由于其只考虑了港口吞吐量自身历史的变化，影响因素单一，使得预测结果会出现很大的误差；因果分析法在预测的过程中未做到细致的研究港口吞吐量的变化规律和影响因素，也将因为变量选取的不当，难以取得较好的预测效果；组合预测法在进行单项预测模型选择时，存在着一定的主观性和随机性，使得该方法在实际应用时遇到了一定的障碍[1]。影响港口吞吐量的因素较多，且各因素之间存在复杂的非线性关系，BP神经网络能够以任意精度逼近任何非线性函数，并且输入和输出变量的数目是任意的，因此，采用BP神经网络的方法，克服了常用方法中存在的缺陷，能够对诸多影响因素进行动态研究，建立港口吞吐量的预测模型。

1 BP神经网络的基本原理

BP神经网络是一种多层前馈神经网络，其神经元的传递函数是S型函数，输出量为0到1之间的连续量，权值的调整采用反向传播（Baekpropagation）学习算法，可以实现从输入到输出的任意非线性映射。BP神经网络是由输入、输出和若干隐含层构成，每一层含多个神经元。神经元具有R个输入，每个输入都通过一个适当的权值w与下一层相连，网络输出表示为 α=f（w×p＋）b ，其中：f表示输入/输出的激活函数。信息从输入层经过逐级的变换传送到输出层（见图1），同时，误差反向传播，控制在一定精度内。BP网络的正向输出和反向误差计算，均可以通过MATLAB7.0实现。

2 基于BP神经网络的钦州港口吞吐量预测模型构建

2.1 钦州港口吞吐量的影响因素确定

据2012年底进行的实地调研结果显示，钦州港口的后方腹地主要为广西区、云南省、贵州省、四川省、重庆市和湖南省。其中广西区内货运量占90%左右，主要货种为金属矿石、粮食、原油、成品油、煤炭等；云南省占4%，主要货种为金属矿石、非金属矿石、化肥、建材、成品油等；贵州、四川和重庆占4%，主要货种为金属矿石、化肥、成品油等；湖南占2%，主要货种为铁矿、锰矿等。首先，从港口货物来源分析，影响钦州港口货物吞吐量的地区主要是广西区，因此，广西区是钦州港重要的经济腹地，其地区经济总量直接影响钦州港口吞吐量。其次，从货物的种类分析，广西区内的第一产业产值、第二产业产值直接影响港口吞吐量；第三产业提供交通运输服务，间接影响钦州港口吞吐量。最后，其他运输方式的发展也直接影响港口吞吐量，因此，广西区外贸进出口总额、铁路货运量、公路货运量、水路货运量等要素直接影响钦州港口吞吐量。由于港口吞吐量的影响因素较多，同时各因素之间存在复杂的非线性关系，难以用一个线性的模型表达，因此，采用人工神经网络的方法对历史数据进行学习和训练，进而得到非线性网络模型，实现钦州港口吞吐量的预测，能够提高预测的准确性。

1999～2012年影响钦州港口货物吞吐量的广西区各经济指标值见表1，其中，X1，X2，X3，X4，X5，X6，X7，X8分别表示第一产业产值，第二产业产值，第三产业产值，外贸进出口总额，铁路货运量，公路货运量，水路货运量；Y表示钦州港港口吞吐量。

表1 影响钦州港口货物吞吐量的广西区各经济指标值 单位：亿元/万吨

2.2 模型的建立

BP网络是一种单向传播多层前向网络，BP网络运用的是BP算法。BP算法是一种监督学习算法，此算法除考虑最后一层外，还考虑网络中其他各层权值参数的变化，使得算法适用于多层网络。由于一个三层的BP神经网络可以任意逼近一个非线性函数，因此，选择三层BP神经网络进行仿真模拟。其中输入层为钦州港口吞吐量的各影响因素，即第一产业产值、第二产业产值、第三产业产值、外贸进出口总额、铁路货运量、公路货运量、水路货运量，共7个变量。输出层为钦州港口吞吐量，为1个变量，根据经验公式初步确定隐含层神经元的个数取4个，经过反复的训练，最终确定神经元的个数为5个时，网络预测的误差最小，相对稳定。网络隐含层神经元的激活函数采用S型正切函数tansig.m，输出层神经元传递函数采用线性函数purelin.m，采用改进BP算法进行学习，得到如图2所示的BP网络模型。此时，隐层神经元的输入权重为ω（i,j），阈值b1=[1.8546,1.0691,0.2035,-0.5142,-1.7573 ]；输出层神经元的输入权重为ω2=[0.3542,-0.6036,-0.4570,-0.2524,0.6074]，阈值b2=0.5539。

其中，i=5为隐层神经元个数，j=7为输入变量个数。

图2 BP神经网络预测模型

3 实例分析

根据上述分析，钦州港港口吞吐量的影响因素为第一产业产值（X1），第二产业产值（X2），第三产业产值（X3），外贸进出口总额（X4），铁路货运量（X5），公路货运量（X6）和水路货运量（X7），应用1999～2012年的样本数据构建BP神经网络预测模型。模型构建由网络训练、测试和预测三个阶段进行。因此，将数据分为训练样本、测试样本和预测样本。

（1）训练样本：1999～2010年的影响因素数据作为训练样本的输入数据，2000～2011年的钦州港口货物吞吐量作为训练样本的输出数据。

（2）测试样本：2000～2011年的影响因素数据作为测试样本的输入数据，2001～2012年的钦州港口货物吞吐量作为测试样本的输出数据。

（3）预测：2001～2012年的影响因素数据作为输入数据，预测2002～2013年的钦州港口货物吞吐量。

构建三层的BP神经网络，应用训练样本对BP神经网络进行训练，用测试样本对训练好的网络进行测试，反复进行训练和测试的过程，直到训练的误差达到最小，此时得到最佳的BP网络模型，再应用预测样本进行预测，得出预测结果。

3.1 数据处理

为了加快BP网络的学习速度，减少较大数值对预测结果的影响，需要将样本数据进行归一化处理。本文应用MTLAB神经网络工具箱中的premnmx函数进行归一化处理，采用postmnmx函数进行反归一化处理。

MATLAB7.0程序实现过程如下：

3.2 网络训练与测试

数据归一化处理后，构建三层BP网络，其中，隐含层神经元个数为5个，其激活函数为“tansig”；输出层神经元个数为1，其激活函数为“purelin”；应用“train.m”函数对网络进行训练，学习的速度快误差小。其MATLAB7.0程序实现如下：

网络训练过程如图3所示。

图3 网络训练过程

通过6次训练达到设定的精度，网络学习的速度较快。应用归一化后的测试样本对训练好的网络进行测试，MATLAB7.0程序实现过程如下：

得到测试结果如表2所示，在测试过程中，2012年钦州港口吞吐量的实际值为5 622万吨，预测值为5 619万吨，相对误差为0.0016，相对误差小于0.01，说明BP神经网络训练成功，可以用于钦州港口吞吐量的预测。

表2 目标值与预测值对照表

3.3 预测

经过多次反复训练，得到相对误差最小时BP网络的权值和阈值，运用训练好的BP网络权值和阈值预测，得到预测结果见表3，具体MATLAB7.0程序实现如下：

表3 钦州港口吞吐量预测结果

4 结 论

BP网络预测的方法相对于其他定量方法来说，它能够模拟多变量、无需对输入变量做复杂的相关假定，通过网络的学习能力，获得输入输出之间的映射关系来进行预测，因此BP神经网络预测应用于港口吞吐量的预测具有一定的应用价值。随着时间的推移，训练样本的增加，能够进一步减小BP网络的预测误差，能够获得更好的预测效果。

[1]祝建.我国港口吞吐量预测方法研究综述[J].中国水运，2010(11):34-35.

[2]胡雪棉，赵国浩.基于Matlab的BP神经网络煤炭需求预测模型[J].中国管理科学，2008(Z1):521-525.

[3]刘枚莲，朱美华.基于BP神经网络的港口吞吐量预测模型[J].系统科学学报，2012(4):88-91.

[4]黄顺泉，曲林迟，余思勤.中国港口功能的聚类和判别[J].交通运输工程学报，2011,11(4):77-83.

[5]丁松兵.基于因子分析的港口物流需求预测——以上海港为例[J].港口经济，2012(8):16-18.