基于神经网络的货运距离预测研究
来源:用户上传
作者:张旭琴
摘 要：为实现交通运输资源及物流资源的合理配置，以五种货运交通方式的运输距离为研究对象，在MATLAB中使用BP和径向基函数（RBF）神经网络预测模型预测五种交通运输方式运输货物所需要的平均距离，提出用BP、径向基函数模拟货运平均运输距离以及不同运输工具运输货物所需运距之间关系的方法。根据货运的实际工作状况，分别建立五维输入向量、一维输出向量的BP、径向基函数（RBF）神经网络模型，通过试验训练预测网络，并通过相关数据预测下一年货运的平均运距。结果表明，预测结果接近真实值，两种神经网络模型的预测结果在不同程度上呈现出较高的精确度。
关键词：BP神经网络;RBF神经网络;预测;货运距离
中图分类号：F252 文献标志码：A 文章编号：1673-291X（2020）09-0168-03
引言
随着社会经济的发展，我国五种运输方式的发展非常迅速，从货运里程数来说，公路货运里程数不断增长，高速公路从无到有，自1998年以来，高速公路网络发生了结构性的变化，从而使公路网络整体结构及其在综合运输网络中的功能发生转变;航空货运受区域经济一体化的影响，增长潜力不断变化;在铁路货运方面，货运量不断增长，但是近几年来货运量所占比重较低，货运平均运距也在一定程度上发生了变化;水路运输在五种运输方式中完成的周转量最高，且水路运输承载力大、平均运距远;管道运输自2005年以来周转量增长幅度较大，这与西气东输工程的建成有密切关系。
本文利用近十年的货运相关数据，使用MATLAB软件在训练模块将两种不同的预测方法（BP和RBF神经网络）放在同一界面，包括预测过程和预测值，从两种不同的预测结果和预测值来判断出何种方法的预测结果精度更好，避免单预测方法的局限性和预测结果的偶然性对决策参考的影响。
一、神经网络概况
（一）BP神经网络
BP神经网络，由信息的正向传播和误差的反向传播两个过程组成。以三层BP神经网络为例，前层为输入层，中间层为隐含层，最后为输出层。其信息从输入层依次向后，直到输出层。输入层神经元个数为输入信号的维数，隐含层数以及隐含层中神经元个数视具体情况而定，输出层神经元个数为输出信号的维数。
其中，Zip表示当输入第p个输入样本Xp时隐节点i的输出，Ci表示径向对称函数？椎的中心，？滓ij为样本协方差矩阵中的元素;yip表示当输入第p个样本Xp时第i个输出节点的输出，Wij表示第j个径向基函数连接到第i个输出节点的权值，Wio为第i个输出节点的阈值，？椎（·）是从R+到R的非线性函数，‖·‖表示欧氏空间距离，Cj表示径向基函数网络的中心。
二、模型构建
（一）数据准备
本文选取五种交通运输方式在6年的数据，选取训练数据与测试数据，将2009—2014年不同运输方式的货运平均运距作为训练集，通过两种神经网络对这些数据进行训练，然后再根据训练的模型，预测2009—2018年这10年的货运平均运距。
在进行BP和RBF神经网络预测模型研究时，选取2009—2014年的货运平均运距，主要包括公路、铁路、水路、民航及管道各自的平均运距作为我们训练集及预测的数据。以这五个参数作为网络输入变量，以货运平均运距作为输出变量，共搜集10个实验数据（如表1所示）。
（二）模型的构建与过程
建立基于BP和RBF神经网络的货运平均运距模型，首先我们要确定输入层、隐含层和输出层的节点数。根据货运的实际运作状况，建立的神经网络模型中，输入向量p为五维向量、输出向量t为一维向量。对网络的输入样本数据用mapminmax函数进行归一化预处理，提高了网络预报精度与运行效率。将数据转化成[0，1]区间上的值，具体归一化公式为：y=。其中，y为归一化后的数据，x为原始输出或输入数据，max和min分别为原数据中的最大值和最小值。预测模型采用3层BP神经网络，即输入层、隐含层、输出层结构，隐层单元数（s1）最终根据大量实验确定为10，训练模型根据实际训练情况采用期望误差（err goal）为0.0015，确定最大训练次数（max epoch）为1 000次，学习率设置为0.1。用Newff函数创建前向神经网络，并用用随机初始化函数initff对每一层的权值和阈值进行初始化，再利用Matlab工具箱中的学习函数learngdm，即梯度下降动量学习函数进行训练函数训练网络，检验BP网络的精度，预测货运平均运距。
BP预测结果值与真实值之间的误差较小，预测值接近真实值，故预测结果可靠性比较高。当预测模型采用径向基函数（RBF）神经网络时，设定误差指标（goal）为0.0015，利用MATLAB工具箱中的newrb函数建立径向基函数网络，检验径向基函数（RBF）网络的精度，最后预测货运平均运距。最后我们可以得到基于RBF神经网络训练的误差曲线图，网络训练误差曲线图（如下图所示）。从训练过程中的误差变化曲线可以看出，其训练后的预测误差非常小，训练速度非常快，精度也相当高。
三、预测分析
利用两种神经网络预测模型，同时根据已经训练好的模型，对2009—2018年的货运平均运距进行预测，并与真实值进行比较，计算了预测值与真实值之间的相对误差，发现真实值与预测值之间误差范围较小，且两种神经网络训练的速度不一样，但是两者在预测中具体（如表2所示）。
结语
本文对Matlab工具箱中的BF神经网络和RBF神经网络工具箱函数进行了归纳，然后提出如何进行模型的构建，通过设置不同的参数，对2009—2014年的数据作为训练集，进行模型的训练，根据最后训练的模型，预测2009—2018年平均运距。同时，根据预测值与真实值的比较，计算预测误差。
在做预测的过程中，利用Matlab提供的神经网络工具箱实现对两种网络的学习、训练，发现预测结果与实测结果相差不大（相对误差均没超过7.03%）。研究表明，BP及RBF神经网络可有效应用于物流业的货运平均运距的预测，并可通过增加样本不断学习，从而提高网络精度和泛化能力，应用价值较高。
参考文献：
[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，胡红萍.基于主成分分析的BP神经网络和RBF神经网络月平均气温预测模型[J].高师理科学刊，2015，（11）：6-8.
[4] 魏文轩.基于RBF神经网络的郑州航空港货运吞吐量预测[J].物流技术，2014，（15）：182-184.
[5] 兰红，田进，李淑芝.基于Matlab GUI的图像处理平台设计[J].江西理工大学学报，2014，（3）：79-84.
[6] 孙祖妮.基于成本动因BP神经网络的铁路物流货运成本预测[D].北京：北京交通大学，2012.
[7] 白雪冰.使用BP和RBF神经网络预測浙江的经济增长[J].企业研究，2010，（16）：80-84.
[8] 邓烜堃，万良，丁红卫.基于深度学习的交通流量预测研究[J].计算机工程与应用，2019，（2）：234-241.
[9] 段向军.基于神经网络的预测控制方法研究[D].大庆：大庆石油学院，2010.
[责任编辑 李晓群]
转载注明来源:https://www.xzbu.com/2/view-15203789.htm
