张 丽 莉

(东北林业大学 交通学院, 哈尔滨 150040)



基于神经网络的公路货运量预测方法研究

张 丽 莉*

(东北林业大学 交通学院, 哈尔滨 150040)

通过对公路货运量的预测方法进行研究比较,并根据公路货运量形成的复杂和非线性等特点,建立BP神经网络预测模型.利用黑龙江省公路货运量及其相关影响因素的实际数据,确定网络输入与输出样本,并对BP神经网络预测系统进行训练和预测.通过对网络输出的误差曲线图的分析,验证BP神经网络预测系统的精确性和简单方便性,提高了公路货运量预测的精确性.

货运量; 公路运输; BP神经网络; 预测

运输系统是运输基础设施建设和投资决策的基础,因此运输需求预测在国家和区域经济发展规划中具有十分重要的意义.货物运输与地方经济及企业发展有着密切的关系,货运量需求预测成为货运需求和经济发展关系研究中的一个重要课题.所以,作为反映货物运输需求的一项重要指标,货运量需求预测研究和分析具有较强的实际意义.

以黑龙江省公路货运量数据为例,由于公路货运量的影响因素具有复杂性和非线性的特点,所以本文中选取公路货运量、公路运输长度、居民消费水平、民用车拥有量、交通运输业总值及黑龙江省地区总产值6个指标进行预测,利用人工神经网络(ANN)的并行结构、自适应自组织、联想记忆、较强的容错性和鲁棒性(Robustness)的特点及其独特的信息处理方法[1],创建BP神经网络并对网络进行训练,以实现对预测年货运量的预测,并对实际输出和期望输出的误差进行分析.

1 公路货运量的预测方法

目前公路货运量的主要预测方法包括时间序列预测法、回归分析法、灰色模型预测法以及弹性系数法等.上述四种预测方法虽各有优点,但是对于公路货运量的非线性及一些不确定的影响因素不具有较好的分析能力,并且大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,从而丢失了某些信息量,往往得到的误差较大.

BP神经网络也称为多层前馈神经网络,其在结构上类似于多成感知器,它具有结构简单、可调参数多、工作状态稳定、易于硬件实现等优点,因此应用最为广泛[2].据统计,80%～90%神经网路模型均为采用了BP网络或是它的变化形式,尤其是在模式识别及分类、系统仿真、故障智能诊断、图像处理、函数拟合以及最优预测等方面[3].BP神经网络学习流程如图1所示[4].

图1 神经网络学习步骤流程图Fig.1 Neural network study flow

2 基于神经网络的公路货运量预测实例分析

2.1 货运量及其影响因素数据分析

常用的货运量预测方法多数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应所预测动态数据的内在结构和复杂特性,从而丢失了信息量[5].而神经网络所拥有的较强的非线性映射等特性,只需给出对象的输入、输出数据,通过网络本身的学习功能就可以达到输入和输出的映射关系[6].BP网络是系统预测中应用特别广泛的一种网络形式,本章采用BP神经网络并应用MATLAB的工具箱对黑龙江省公路货运量进行预测.

通过对历年相关数据的分析,选择公路货运量、公路运输线路长度(公路里程)、居民消费水平、民用汽车拥有量、交通运输产业生产总值及黑龙江省地区生产总值6个指标作为影响货运量的主要影响因素.历年数据如表1所示.

表1 货运量参数

2.2 数据的分析和处理

2.2.1 BP网络的创建 通过对黑龙江省历年数据进行分析,确定待输入样本.在样本中,输入向量为1995年～2007年间公路货运量、公路里程、居民消费水平、民用汽车拥有量、交通运输业生产总值及黑龙江地区生产总值6项指标实际数据,由于这些数据为实测值,因此可以有效地用于网络训练;目标向量为预测年当年的货运量数值.确定输入和输出向量以后,要对其进行归一化处理,将数据处理为区间[0,1]之间的数据.归一化的方法有很多种,这里采用如下公式计算:

(1)

归一化后的数据如表2所示.

表2 原始数据归一化后的结果

续表2

以上数据为BP神经网络的训练样本,根据BP网络的设计网络,一般的预测问题都可以通过单隐层的BP网络实现.由于输入向量有5个,所以网络的输入层的神经元有5个;根据Klmogorov定理可知网络的中间层的神经元可以取11个;而输出向量有1个,所以输出层的神经元有1个.网络的中间层神经元传递函数采用S型正切函数tansig,输出层神经元传递函数采用S型对数函数logsig.这是因为函数的输出位于[0,1]之间,正好满足网络输出的要求.

2.2.2BP网络的训练 网络经过训练后才可以用于公路货运量预测,由于网络的结构相对比较简单,神经元的个数不是很多,训练参数的设定如表3所示.

表3 训练参数

训练结果曲线如图2所示.

图2 训练结果曲线Fig.2 Training result curve

图2中横坐标表示网络训练步数,纵坐标表示网络训练误差,图中水平线表示设定的期望误差,曲线表示网络误差变化曲线.从图2可知,经过4次训练后,网络的性能为0.005 7,网路误差达到目标值.

2.2.3 网络的测试 训练好的网络还需要进行测试才可以判定是否可以投入实际应用.这里的测试数据就是利用表1中2005年～2006年的五项参数值来预测2006年～2007年的货运量,并通过货运量预测值与实际的货运量值作比较,来检验预测误差能否满足要求的.这里应用仿真函数来计算网络的输出.

归一化后网络的预测值与实际值的对应关系如表4所示.

表4 网络的预测值与实际值的对应关系

从表4中可以看出经网络训练后的预测值与实际值之间的误差很小,绘制预报误差曲线,如图3所示,网络预测值与真实值之间的误差比较小,除了第一次出现了相对较大的误差以外,其余的误差都比较小.通过对得到的数据的分析可以知道,由于2003年非典的出现使得各项指标下降及2006年和2007年这两年公路运输线路长度有大幅度的增加,导致网络的输入与输出数据没有达到要求的映射关系,使得网络预测结果出现了一定的误差.但是从预测结果及误差比较分析,BP神经网络可以将误差控制在要求的范围之内,具有较好的非线性映射能力和较高的准确性.

通过对测试样本的结果和实际数值的对比分析可以看出网络测试的精度较高,训练后的网络可以作为预测公路货运量的工具.并且可以通过增加新的训练样本来不断提高网络的精确性,从而更好的对数据进行预测分析.

图3 预报误差曲线Fig.3 Forecast error curve

3 结论

神经网络用于货运量预测具有其可行性,神经网络具有通过学习逼近任意非线性映射的能力,将神经网络用于非线性系统的建模与辨识,可以不受非线性模型的限制.由于货运量的形成因素复杂多变,具有非线性,神经网络模型的特点正好适合于公路货运量的预测.同时,应用神经网络可以使预测的精度控制在要求的范围之内,通过设定网络的训练次数、训练目标及学习速率,就可以得到较小的误差.

[1] 盖春英, 裴玉龙. 公路货运量灰色模型-马尔可夫链预测方法研究[J].中国公路学报, 2003, 16(3):113-116.

[2] 李 慧, 林荣娜. 弹性系数法在公路工可交通量预测中的应用[J]. 西华大学学报: 自然科学版, 2006, 25(5).28-29.

[3] 谷远利, 曲大义, 于 雷. 公路运输货运量预测方法研究[J].物流技术, 2009, 38(1):39-40.

[4] 王书翰, 杨 伟, 向 军, 等.BP神经网络技术对货运量预测[J]. 四川工业学院学报, 2004, 163(3):163-168.

[5] 张拥军, 叶怀珍, 任 民. 神经网路模型预测运输货运量[J].西南交通大学学报: 自然科学版, 1999, 34(5): 602-605.

[6] 李 萍, 曾令可, 税安泽, 等. 基于MATLAB的BP神经网络预测系统的设计[J].计算机应用与软件, 2008, 25(4):149-150.

A study on highway freight volume forecasting method based on neural network

ZHANG Lili

(Traffic College, Northeast Forestry University, Haerbin 150040)

Based on an analysis of the forecasting method about highway freight volume, a BP neural network model for forecasting is established in this paper, and the complexity and nonlinearity of the highway freight volume are considered. Using the various data of Heilongjiang province highway freight volume, we establish the input and output samples, and do some training and forecasting. By analyzing the error curve of the output, the convenience and preciseness of the BP neural network are verified, so that the highway freight volume forecasting can be promoted.

freight volume; highway transportation; BP neural network; forecasting

2014-09-10.

黑龙江教育厅科学技术研究项目(12543011).

1000-1190(2015)02-0186-04

TP273

A

*E-mail: zhangll7707@126.com.