李德才 (東北林業(yè)大學交通學院,黑龍江哈爾濱150040)
林區(qū)道路運輸如今已經(jīng)成為現(xiàn)代運輸主要方式之一,同時,它也成為陸上貨物運輸?shù)?個最基本運輸方式之一。它在整個林業(yè)運輸領域中都占有重要的地位,并扮演著愈來愈重要的角色。對我國林區(qū)道路林產(chǎn)品貨運量及其發(fā)展趨勢進行較為準確的預測可以有效規(guī)劃和組織林區(qū)道路林產(chǎn)品貨物運輸,以提高林區(qū)道路林產(chǎn)品運輸?shù)慕?jīng)濟效益和社會效益,從而滿足國民經(jīng)濟快速增長和人民生活水平日益提高需要,對于林區(qū)道路林產(chǎn)品貨運管理和決策具有十分重要的作用。
目前國內(nèi)外已經(jīng)有很多預測方式,按運輸需求分析通常采用的方法一般分3種類型,即連續(xù)型、統(tǒng)計型和遞推型。連續(xù)型包括灰色預測、模型法等預測方法;統(tǒng)計型包括德爾菲法(專家預測法)、趨勢外推法、最小方差法、回歸分析法、馬爾柯夫預測法;遞推型包括指數(shù)平滑法和殘差辨識法[1-3]。
2.1 問題描述 人工神經(jīng)網(wǎng)絡作為一種并行的計算模型,具有傳統(tǒng)建模方法所不具備的很多優(yōu)點,有很好的非線性映射能力[4]。林區(qū)道路的貨運量曲線是與很多因素有關的非線性函數(shù)。而對于抽取和逼近這種非線性函數(shù),神經(jīng)網(wǎng)絡是一種比較合適的方法。它的優(yōu)點在于具有模擬多變量而不需要對輸入變量作復雜的相關假定的能力,不依靠專家經(jīng)驗,只利用觀察到的數(shù)據(jù),可以從訓練過程中通過學習來抽取和逼近隱含的輸入/輸出非線性關系。近年來的各方面研究表明相對于前幾種方法,利用神經(jīng)網(wǎng)絡技術進行道路貨運量預測可以進一步提高預測精度。筆者選取了12年的公路貨運量數(shù)據(jù),把每年看作一種類型的貨運量數(shù)據(jù),將這些數(shù)據(jù)依次按2001~2002年、2003年、2004~2012年進行分類,共計3類。該文采用第1種劃分模式,把每一年不加區(qū)分地看成不同類型。
2.2 輸入/輸出向量設計 預測林區(qū)道路的貨運量,從國家統(tǒng)計官網(wǎng)(http://data.stats.gov.cn/index)上得到 2001 ~2012年連續(xù)12年的準確數(shù)據(jù)作為參考(表1)。獲得輸入和輸出變量后,對其進行歸一化處理,將數(shù)據(jù)處理為[0,1]之間的數(shù)據(jù)。歸一化的方法有很多種,這里采用如下公式:
近年,我國經(jīng)濟增長迅猛,交通運輸能力也逐年攀升,而林區(qū)道路貨運量的準確預測與我國的經(jīng)濟發(fā)展以及交通設施等都有緊密的聯(lián)系。這里以我國2001~2012年的5個重要指標(包括國內(nèi)生產(chǎn)總值、工業(yè)增加值、公路里程、民用載貨車擁有量和貨物運輸量)作為網(wǎng)絡訓練的樣本,預測2001~2012年的林區(qū)道路貨運量,所有數(shù)據(jù)都已經(jīng)歸一化(表2)。
2.3 BP網(wǎng)絡設計和網(wǎng)絡訓練 BP網(wǎng)絡是各種系統(tǒng)預測中應用特別廣泛的一種形式,這里采用BP網(wǎng)絡對林區(qū)道路貨運量進行預報。由于輸入向量有5個元素,所以輸入神經(jīng)層的神經(jīng)元就有5個。根據(jù)Kolomogorov定理可以知道,網(wǎng)絡中間層的神經(jīng)元可以取11個,而輸出向量有2個,所以輸出層中的神經(jīng)元有2個。網(wǎng)絡經(jīng)過訓練后才可以用于公路貨運量預測的實際運用。考慮到網(wǎng)絡的結構比較復雜,神經(jīng)元個數(shù)比較多,需要適當增大訓練次數(shù)和學習速率。訓練參數(shù)的設定如下:訓練次數(shù),2 500;訓練目標,0.000 000 35;學習速率,0.10。
經(jīng)過5次網(wǎng)絡訓練后,得到的網(wǎng)絡誤差基本達到要求,見圖1、2所示。
表1 2001~2012年公路貨運量及其相關影響因素數(shù)據(jù)統(tǒng)計
表2 2001~2012年公路貨運量及其相關影響因素歸一化后數(shù)據(jù)統(tǒng)計
訓練好的網(wǎng)絡還需要進行測試才可以判定是否可以投入實際應用。這里的測試數(shù)據(jù)就是利用表1中的國內(nèi)生產(chǎn)總值、工業(yè)增加值、公路里程、等級公路里程以及民用載貨車擁有量來預測貨運量和公路貨運量,以檢驗誤差能否滿足要求。預報誤差曲線如圖2所示。由圖可見,網(wǎng)絡預測值和真實之間的誤差非常小,除了第1次出現(xiàn)了一個相對較大的誤差外,其余的誤差均在0左右。即使是第1次的誤差也只有0.06,這完全滿足應用要求。
借助我國2001~2012年國內(nèi)生產(chǎn)總值的工業(yè)增加量,林區(qū)道路里程以及民用載貨車擁有量和需要預測的輸出林區(qū)道路貨運量進行事前調(diào)查,用已知輸入來預測輸出,建立神經(jīng)網(wǎng)絡模型,運用MATLAB進行訓練,再與已知輸出相比較,檢驗誤差。通過研究表明,基于神經(jīng)網(wǎng)絡的林區(qū)道路貨運量的預測簡單有效,準確并且容易掌握。
[1]何洪林,趙育新,錢俊,等.基于神經(jīng)網(wǎng)絡融合模型的頭顱灌注圖像分析[M].杭州:浙江大學出版社,2010.
[2]韓琦.神經(jīng)網(wǎng)絡的穩(wěn)定性及其在聯(lián)想記憶中的應用研究[D].重慶:重慶大學,2012.
[3]王琳.Hopfield神經(jīng)網(wǎng)絡盲均衡算法的研究[M].南京:南京郵電大學出版社,2009.
[4]邢廣成,強天偉.人工神經(jīng)網(wǎng)絡的發(fā)展與應用[J].科技風,2012(15):66-89.