基于神經網絡的貨運距離預測研究

張旭琴

摘 要：為實現交通運輸資源及物流資源的合理配置，以五種貨運交通方式的運輸距離為研究對象，在MATLAB中使用BP和徑向基函數（RBF）神經網絡預測模型預測五種交通運輸方式運輸貨物所需要的平均距離，提出用BP、徑向基函數模擬貨運平均運輸距離以及不同運輸工具運輸貨物所需運距之間關系的方法。根據貨運的實際工作狀況，分別建立五維輸入向量、一維輸出向量的BP、徑向基函數（RBF）神經網絡模型，通過試驗訓練預測網絡，并通過相關數據預測下一年貨運的平均運距。結果表明，預測結果接近真實值，兩種神經網絡模型的預測結果在不同程度上呈現出較高的精確度。

關鍵詞：BP神經網絡;RBF神經網絡;預測;貨運距離

中圖分類號：F252? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2020）09-0168-03

引言

隨著社會經濟的發展，我國五種運輸方式的發展非常迅速，從貨運里程數來說，公路貨運里程數不斷增長，高速公路從無到有，自1998年以來，高速公路網絡發生了結構性的變化，從而使公路網絡整體結構及其在綜合運輸網絡中的功能發生轉變;航空貨運受區域經濟一體化的影響，增長潛力不斷變化;在鐵路貨運方面，貨運量不斷增長，但是近幾年來貨運量所占比重較低，貨運平均運距也在一定程度上發生了變化;水路運輸在五種運輸方式中完成的周轉量最高，且水路運輸承載力大、平均運距遠;管道運輸自2005年以來周轉量增長幅度較大，這與西氣東輸工程的建成有密切關系。

本文利用近十年的貨運相關數據，使用MATLAB軟件在訓練模塊將兩種不同的預測方法（BP和RBF神經網絡）放在同一界面，包括預測過程和預測值，從兩種不同的預測結果和預測值來判斷出何種方法的預測結果精度更好，避免單預測方法的局限性和預測結果的偶然性對決策參考的影響。

一、神經網絡概況

（一）BP神經網絡

BP神經網絡，由信息的正向傳播和誤差的反向傳播兩個過程組成。以三層BP神經網絡為例，前層為輸入層，中間層為隱含層，最后為輸出層。其信息從輸入層依次向后，直到輸出層。輸入層神經元個數為輸入信號的維數，隱含層數以及隱含層中神經元個數視具體情況而定，輸出層神經元個數為輸出信號的維數。

其中，Zip表示當輸入第p個輸入樣本Xp時隱節點i的輸出，Ci表示徑向對稱函數？椎的中心，？滓ij為樣本協方差矩陣中的元素;yip表示當輸入第p個樣本Xp時第i個輸出節點的輸出，Wij表示第j個徑向基函數連接到第i個輸出節點的權值，Wio為第i個輸出節點的閾值，？椎（·）是從R+到R的非線性函數，‖·‖表示歐氏空間距離，Cj表示徑向基函數網絡的中心。

二、模型構建

（一）數據準備

本文選取五種交通運輸方式在6年的數據，選取訓練數據與測試數據，將2009—2014年不同運輸方式的貨運平均運距作為訓練集，通過兩種神經網絡對這些數據進行訓練，然后再根據訓練的模型，預測2009—2018年這10年的貨運平均運距。

在進行BP和RBF神經網絡預測模型研究時，選取2009—2014年的貨運平均運距，主要包括公路、鐵路、水路、民航及管道各自的平均運距作為我們訓練集及預測的數據。以這五個參數作為網絡輸入變量，以貨運平均運距作為輸出變量，共搜集10個實驗數據（如表1所示）。

（二）模型的構建與過程

建立基于BP和RBF神經網絡的貨運平均運距模型，首先我們要確定輸入層、隱含層和輸出層的節點數。根據貨運的實際運作狀況，建立的神經網絡模型中，輸入向量p為五維向量、輸出向量t為一維向量。對網絡的輸入樣本數據用mapminmax函數進行歸一化預處理，提高了網絡預報精度與運行效率。將數據轉化成[0，1]區間上的值，具體歸一化公式為：y=。其中，y為歸一化后的數據，x為原始輸出或輸入數據，max和min分別為原數據中的最大值和最小值。預測模型采用3層BP神經網絡，即輸入層、隱含層、輸出層結構，隱層單元數（s1）最終根據大量實驗確定為10，訓練模型根據實際訓練情況采用期望誤差（err goal）為0.0015，確定最大訓練次數（max epoch）為1 000次，學習率設置為0.1。用Newff函數創建前向神經網絡，并用用隨機初始化函數initff對每一層的權值和閾值進行初始化，再利用Matlab工具箱中的學習函數learngdm，即梯度下降動量學習函數進行訓練函數訓練網絡，檢驗BP網絡的精度，預測貨運平均運距。

BP預測結果值與真實值之間的誤差較小，預測值接近真實值，故預測結果可靠性比較高。當預測模型采用徑向基函數（RBF）神經網絡時，設定誤差指標（goal）為0.0015，利用MATLAB工具箱中的newrb函數建立徑向基函數網絡，檢驗徑向基函數（RBF）網絡的精度，最后預測貨運平均運距。最后我們可以得到基于RBF神經網絡訓練的誤差曲線圖，網絡訓練誤差曲線圖（如下圖所示）。從訓練過程中的誤差變化曲線可以看出，其訓練后的預測誤差非常小，訓練速度非?？?，精度也相當高。

三、預測分析

利用兩種神經網絡預測模型，同時根據已經訓練好的模型，對2009—2018年的貨運平均運距進行預測，并與真實值進行比較，計算了預測值與真實值之間的相對誤差，發現真實值與預測值之間誤差范圍較小，且兩種神經網絡訓練的速度不一樣，但是兩者在預測中具體（如表2所示）。

結語

本文對Matlab工具箱中的BF神經網絡和RBF神經網絡工具箱函數進行了歸納，然后提出如何進行模型的構建，通過設置不同的參數，對2009—2014年的數據作為訓練集，進行模型的訓練，根據最后訓練的模型，預測2009—2018年平均運距。同時，根據預測值與真實值的比較，計算預測誤差。

在做預測的過程中，利用Matlab提供的神經網絡工具箱實現對兩種網絡的學習、訓練，發現預測結果與實測結果相差不大（相對誤差均沒超過7.03%）。研究表明，BP及RBF神經網絡可有效應用于物流業的貨運平均運距的預測，并可通過增加樣本不斷學習，從而提高網絡精度和泛化能力，應用價值較高。

參考文獻：

[1]? V.Vuorinen，K.Keskinen.DNSLab：A gateway to turbulent flow simulation in Matlab[J].Computer Physics Communications，2016.

[2]? Zhaokun Li，Xiaohui Zhao.BP artificial neural network based wave front correction for sensor-less free space optics communication[J].Optics Communications，2016.

[3]? 牛志娟，胡紅萍.基于主成分分析的BP神經網絡和RBF神經網絡月平均氣溫預測模型[J].高師理科學刊，2015，（11）：6-8.

[4]? 魏文軒.基于RBF神經網絡的鄭州航空港貨運吞吐量預測[J].物流技術，2014，（15）：182-184.

[5]? 蘭紅，田進，李淑芝.基于Matlab GUI的圖像處理平臺設計[J].江西理工大學學報，2014，（3）：79-84.

[6]? 孫祖妮.基于成本動因BP神經網絡的鐵路物流貨運成本預測[D].北京：北京交通大學，2012.

[7]? 白雪冰.使用BP和RBF神經網絡預測浙江的經濟增長[J].企業研究，2010，（16）：80-84.

[8]? 鄧烜堃，萬良，丁紅衛.基于深度學習的交通流量預測研究[J].計算機工程與應用，2019，（2）：234-241.

[9]? 段向軍.基于神經網絡的預測控制方法研究[D].大慶：大慶石油學院，2010.

[責任編輯 李曉群]