基于GA-BP算法的模糊神經(jīng)網(wǎng)絡(luò)模型在港口物流量預(yù)測(cè)中的應(yīng)用

楊 峰 ?；菝? 邵曉彤

摘要:以國(guó)內(nèi)某港口為例,通過(guò)應(yīng)用遺傳算法改進(jìn)的BP學(xué)習(xí)算法(GA-BP)的模糊神經(jīng)網(wǎng)絡(luò)模型,對(duì)港口物流量進(jìn)行預(yù)測(cè)。最后,利用Matlab軟件對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試,仿真結(jié)果表明所構(gòu)造的改進(jìn)模型預(yù)測(cè)誤差非常小。

關(guān)鍵詞:港口物流量;預(yù)測(cè);遺傳算法;模糊神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào):U691文獻(xiàn)標(biāo)識(shí)碼:A

Abstract: The paper forecasted the port throughput of a harbor as an example by using the GA-BP algorithm of fuzzy neural network. At last, the sampled data are trained and tested by matlab software, and the simulation results proved the proposed model's validity.

Key words: port throughput; forecast; genetic algorithm; fuzzy neural network

0引言

在全球經(jīng)濟(jì)一體化進(jìn)程不斷發(fā)展的今天,港口在國(guó)際貿(mào)易和運(yùn)輸系統(tǒng)中的戰(zhàn)略地位不斷加強(qiáng)。而物流量的預(yù)測(cè)是港口發(fā)展戰(zhàn)略研究的重要內(nèi)容。準(zhǔn)確地預(yù)測(cè)港口吞吐量的增長(zhǎng)趨勢(shì)不僅有利于我們合理規(guī)劃建設(shè)物流基礎(chǔ)設(shè)施,進(jìn)行有效的需求管理,而且對(duì)港口地區(qū)乃至國(guó)家經(jīng)濟(jì)的持續(xù)穩(wěn)定發(fā)展具有重要意義。

目前對(duì)于物流量預(yù)測(cè)的方法有很多種,文獻(xiàn)[1]采用灰色系統(tǒng)理論對(duì)港口吞吐量進(jìn)行預(yù)測(cè),雖然灰色模型具有預(yù)測(cè)精度較高、預(yù)測(cè)所需原始信息少等優(yōu)點(diǎn),但由于增長(zhǎng)量高速發(fā)展,相鄰年份間物流量的凈差值顯著增大,其誤差將迅速增加;文獻(xiàn)[2]運(yùn)用線型回歸模型進(jìn)行分析,但此模型要求有大量數(shù)據(jù),數(shù)據(jù)少變難以找到統(tǒng)計(jì)規(guī)律,并且要求各因素?cái)?shù)據(jù)(社會(huì)經(jīng)濟(jì)指標(biāo))與系統(tǒng)特征數(shù)據(jù)(物流需求量)之間呈現(xiàn)線型關(guān)系,難以滿足;文獻(xiàn)[3]應(yīng)用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)物流需求量進(jìn)行預(yù)測(cè),但它的收斂速度慢而且可能陷入局部最優(yōu),對(duì)于有復(fù)雜因素限制的港口物流量的預(yù)測(cè)顯然不足。

影響港口物流量的因素很多,其中包括港口地理與環(huán)境條件、港口基礎(chǔ)設(shè)施條件、國(guó)家政策走向和國(guó)際經(jīng)濟(jì)形式、以及航運(yùn)市場(chǎng)狀況等,這些因素的不確定性給港口物流量的定量預(yù)測(cè)帶來(lái)了很大困難。本文結(jié)合遺傳算法直接以適應(yīng)度作為搜索信息,無(wú)需導(dǎo)數(shù)等其他輔助信息、使用多個(gè)點(diǎn)的搜索信息,具有隱含并行性、使用概率搜索技術(shù)等優(yōu)點(diǎn),采用基于GA-BP算法的模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)這一受多種不確定因素影響的預(yù)測(cè)問(wèn)題進(jìn)行研究。本文選擇國(guó)內(nèi)某港口18年內(nèi)的吞吐量為建模數(shù)據(jù),用這種改進(jìn)模型對(duì)此港口物流的發(fā)展進(jìn)行了預(yù)測(cè)研究。

1模糊神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息系統(tǒng),是由多個(gè)非常簡(jiǎn)單的處理單元彼此按某種方式互相連接而形成的計(jì)算系統(tǒng),該系統(tǒng)是靠其狀態(tài)對(duì)外部信息的動(dòng)態(tài)響應(yīng)來(lái)處理信息的。目前人工網(wǎng)絡(luò)模型已有上百種,模糊神經(jīng)網(wǎng)絡(luò)是一種新型的神經(jīng)網(wǎng)絡(luò),它是在網(wǎng)絡(luò)中引入模糊算法或者模糊權(quán)系數(shù)的神經(jīng)網(wǎng)絡(luò)。

1.1模糊神經(jīng)網(wǎng)絡(luò)的基本原理

模糊神經(jīng)網(wǎng)絡(luò)模型是通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的模糊邏輯系統(tǒng)結(jié)構(gòu),它具有模糊邏輯推理功能,同時(shí)網(wǎng)絡(luò)的權(quán)值也具有明確的模糊邏輯意義,從而達(dá)到以神經(jīng)網(wǎng)絡(luò)及模糊邏輯各自的優(yōu)點(diǎn)彌補(bǔ)對(duì)方不足的目的。模糊神經(jīng)網(wǎng)絡(luò)的特點(diǎn)在于把模糊邏輯方法和神經(jīng)網(wǎng)絡(luò)方法結(jié)合在一起,即以神經(jīng)網(wǎng)絡(luò)為框架的一種模糊推理系統(tǒng)。假設(shè)系統(tǒng)有n個(gè)輸入x i=1,2,…,n,輸出為y(多輸入-單輸出的模糊神經(jīng)網(wǎng)絡(luò))。構(gòu)造5層模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型如圖1所示。

1.2模糊神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

第一層為輸入層,該層共有n個(gè)節(jié)點(diǎn)直接與輸入向量X相連,每個(gè)節(jié)點(diǎn)代表一個(gè)輸入變量,I=O=x ,將輸入值X=x ,…,x 傳送到下一層。

第二層為模糊化層,若每個(gè)輸入變量均定義有m個(gè)模糊集合,則此層共有n×m個(gè)節(jié)點(diǎn),分為n組。第i組的m個(gè)節(jié)點(diǎn)輸入都是x ,其輸出分別是各輸入量屬于輸出值模糊集合的隸屬度函數(shù)μx ,μx 代表x 的第j個(gè)模糊集合。相應(yīng)的隸屬度函數(shù)為:

μO=exp-

其中1≤i≤n;1≤j≤m,c 和σ 分別表示隸屬函數(shù)的中心值和寬度。調(diào)整該層的權(quán)值和閾值,也就意味著調(diào)整高斯函數(shù)的中心值和寬度,從而得到不同位置和形狀的隸屬函數(shù)。

第三層為規(guī)則層,其每個(gè)節(jié)點(diǎn)代表一個(gè)模糊規(guī)則,其作用是匹配模糊規(guī)則的前件,計(jì)算每條規(guī)則部分的組合配合,實(shí)現(xiàn)各輸入模糊值的“乘”運(yùn)算,即I=O= O。

第四層為去模糊層,該層的作用是實(shí)現(xiàn)歸一化計(jì)算,即O= 。

第五層為輸出層,清晰化計(jì)算,采用加權(quán)平均法,即y=O =I = w O。

可調(diào)參數(shù)w 為連接該層的權(quán)值。

在這個(gè)模糊神經(jīng)網(wǎng)絡(luò)中,可調(diào)參數(shù)有第5層的連接權(quán)值w 即規(guī)則參數(shù)與第2層的權(quán)值c 和閾值σ ,即高斯型隸屬函數(shù)的中心值和寬度。

2模型算法設(shè)計(jì)

2.1GA-BP算法的原理

標(biāo)準(zhǔn)BP學(xué)習(xí)算法簡(jiǎn)潔實(shí)用,是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練中最常見的學(xué)習(xí)算法之一,但它的收斂速度慢而且可能陷入局部最優(yōu)。GA算法提供了一種求解復(fù)雜系統(tǒng)優(yōu)化問(wèn)題的通用框架,采用多點(diǎn)并行操作機(jī)制尋找全局最優(yōu)解,收斂速度快,能有效克服BP算法的缺陷。因此本文擬用GA算法改進(jìn)BP學(xué)習(xí)算法。

GA-BP其主要優(yōu)點(diǎn)如下:

(1)GA從許多初始點(diǎn)開始并行搜索,從而使搜索效率高,而且可以有效防治搜索過(guò)程收斂于局部最優(yōu)解,而求得全局最優(yōu)解。

(2)GA通過(guò)目標(biāo)函數(shù)計(jì)算適應(yīng)度,從而對(duì)問(wèn)題的依賴性較小。

(3)GA基本屬于隨機(jī)尋優(yōu)過(guò)程。

GA-BP算法的具體過(guò)程為:

第一步初始化群體P(包括交叉規(guī)模、交叉概率P 、變異概率P ),給出訓(xùn)練參數(shù);對(duì)每一個(gè)輸入向量做規(guī)格化處理,隨機(jī)產(chǎn)生N組在0,1取值的初始網(wǎng)絡(luò)權(quán)值。

第二步計(jì)算每個(gè)個(gè)體的評(píng)價(jià)函數(shù),若達(dá)到預(yù)定值則轉(zhuǎn)第四步,否則將評(píng)價(jià)函數(shù)排序,按下式的概率值選擇網(wǎng)絡(luò)個(gè)體。

p =

其中:F 為個(gè)體i的適應(yīng)值,可用誤差平方和計(jì)算誤差E來(lái)衡量。

第三步按指定的概率進(jìn)行交叉和變異操作,(即利用交叉概率P 對(duì)個(gè)體G 和個(gè)體G 進(jìn)行交叉操作;利用突變概率P 對(duì)個(gè)體G 進(jìn)行變異操作)產(chǎn)生新個(gè)體,淘汰父輩個(gè)體并轉(zhuǎn)至第二步。

第四步選取群體中適應(yīng)值最好的字符串,解碼得神經(jīng)網(wǎng)絡(luò)優(yōu)化的參數(shù)。

第五步采樣得到權(quán)值、閾值,計(jì)算誤差E,若滿足條件則計(jì)算模糊神經(jīng)網(wǎng)絡(luò)的輸出Y;否則轉(zhuǎn)至第六步。

第六步用BP算法實(shí)時(shí)學(xué)習(xí)網(wǎng)絡(luò)參數(shù),在線調(diào)整w 、c 和σ 返回第五步。

2.2GA-BP算法的參數(shù)優(yōu)化

利用GA-BP算法對(duì)2.1中模糊神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)進(jìn)行參數(shù)優(yōu)化,在GA中,交叉概率P 和變異概率P 的大小對(duì)算法的性能影響較大。一般選取范圍P 為0.4～0.9,P 為0.01~0.1。這樣群體在即將尋到最優(yōu)值時(shí),不會(huì)因變量變異而破壞此進(jìn)程。交叉概率P 和變異概率P 的表達(dá)式為:

P =

P =

式中,f 、 分別為群體中的最大適合度和平均適合度。f - 體現(xiàn)了群體的收斂程度,K 和K 均為小于1.0的常數(shù)。

遺傳操作完成之后,按適值選取最后一代群體中N個(gè)可能具有全局性的進(jìn)化解,分別以這些解為初始權(quán)值,用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行求解,比較N個(gè)由神經(jīng)網(wǎng)絡(luò)求的最優(yōu)解,從而獲得全局最優(yōu)解。其學(xué)習(xí)的目標(biāo)函數(shù)為:

minE=y -

式中,y 表示希望輸出值,表示輸出值。

3算例分析

本文以某港口全港貨物吞吐量作為樣本,假設(shè)某港口吞吐量時(shí)間序列為:

X=x1,x2,…,xn

一般來(lái)說(shuō)人們的目標(biāo)是根據(jù)X預(yù)測(cè)Xn+ii=1,2,…。本文用Xn-i-Xn-i-1的差值來(lái)預(yù)測(cè)Xn+i的值。因此,時(shí)間序列可轉(zhuǎn)換為:

Y=y1,y2,…,yn-1

式中,yi=Xi+1-Xii=1,2,…,n-1,從而將預(yù)測(cè)目標(biāo)轉(zhuǎn)換為通過(guò)Y預(yù)測(cè) Yn+ii=1,2,…并采用最小、最大規(guī)范化方法對(duì)時(shí)間序列Y進(jìn)行歸一化處理即:

Y=X-V V -V

其中,X,Y分別為轉(zhuǎn)換前、后的值,V 、V 分別為樣本的最大值和最小值。

4仿真試驗(yàn)

為了驗(yàn)證GA-BP算法的有效性,利用Matlab軟件,通過(guò)輸入樣本數(shù)據(jù)分別對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與仿真,圖2為經(jīng)過(guò)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練輸出的誤差曲線;圖3為通過(guò)本文的設(shè)計(jì)的應(yīng)用GA-BP學(xué)習(xí)算法的模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出的誤差曲線。通過(guò)兩個(gè)圖的比較,我們不難看出,本文所構(gòu)造的GA-BP算法經(jīng)過(guò)115次的訓(xùn)練,預(yù)測(cè)的誤差就可以趨近于10-2。

5結(jié)論

通過(guò)以上分析,應(yīng)用GA-BP學(xué)習(xí)算法的模糊神經(jīng)網(wǎng)絡(luò)模型與標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法相比,具有平均相對(duì)誤差較小,預(yù)測(cè)精度高等優(yōu)點(diǎn),在對(duì)港口物流量預(yù)測(cè)中取得了較好的效果,即應(yīng)用GA—BP學(xué)習(xí)算法的模糊神經(jīng)網(wǎng)絡(luò)模型能適合于實(shí)際的港口物流量的預(yù)測(cè)。

參考文獻(xiàn):

[1] 王再明,王宏波. 灰色系統(tǒng)理論在港口吞吐量預(yù)測(cè)中的應(yīng)用[J]. 武漢理工大學(xué)學(xué)報(bào):交通科學(xué)與工程版,2005,29(3):456

-459.

[2] 黃順泉. 關(guān)于港口吞吐量預(yù)測(cè)方法選擇的探討[J]. 集裝箱化,2003(7):17-18.

[3] 賈星辰,王鐵寧,裴帥. 基于BP神經(jīng)網(wǎng)絡(luò)的物流需求量預(yù)測(cè)模型研究[J]. 物流科技,2005,29(128):3-5.

[4] 殷峻暹,陳守煜,邱菊. 基于遺傳與BP混合算法神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及應(yīng)用[J]. 大連理工大學(xué)學(xué)報(bào),2002,42(5):594-597.

[5] 唐琮沅,吳桂先. 基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型的機(jī)場(chǎng)物流吞吐量預(yù)測(cè)研究[J]. 物流技術(shù),2006(8):35-37.

[6] 叢爽. 神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)及其在運(yùn)動(dòng)控制中的應(yīng)用[M]. 合肥:中國(guó)科學(xué)技術(shù)大學(xué)出版社,2001.

[7] 趙振宇,徐用懋. 模糊理論和神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)與應(yīng)用[M]. 北京:清華大學(xué)出版社,1996.

注:本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文