基于遺傳神經(jīng)網(wǎng)絡算法的城市區(qū)域圈物流預測研究

楊粟涵　于蕾

摘 要

BP神經(jīng)網(wǎng)絡算法的初始值和閾值用遺傳算法來進行優(yōu)化，用此優(yōu)化后的遺傳神經(jīng)網(wǎng)絡算法對城市區(qū)域圈物流量進行預測。以合肥都市圈為例，用2013-2018年與物流量相關的六個指標作為輸入來預測2019年城市圈的物流貨運量。使用Matlab7.0軟件編碼運行，結果證明，該算法時間少、精度高，預測效果更好。

關鍵詞

物流量預測;遺傳算法;BP神經(jīng)網(wǎng)絡

中圖分類號： TP301.6 ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A

DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 06 . 80

0 引言

區(qū)域經(jīng)濟一體化近年來發(fā)展迅速，各城市間生產(chǎn)要素自由流動，互利互惠，形成命運共同體。各城市間頻繁地進行物資和信息的交換，僅僅一個城市的各種數(shù)據(jù)已不能滿足相關部門對當?shù)亟?jīng)濟發(fā)展水平的衡量。城市區(qū)域圈內數(shù)據(jù)共享，形成協(xié)同效應，方能體現(xiàn)數(shù)據(jù)統(tǒng)計的準確性。本文以合肥都市圈為例，研究合肥，馬鞍山，蕪湖，淮南，六安，滁州六個城市的相關物流數(shù)據(jù)，通過對歷史數(shù)據(jù)的分析來對下一年的物流數(shù)據(jù)進行預測。

城市的物流貨運量反映了城市經(jīng)濟發(fā)展對物流運輸?shù)男枨?，在現(xiàn)代高速變化的經(jīng)濟形勢下，物流貨運需求量不斷變化，及時準確地預測顯得尤為重要。但是城市區(qū)域圈貨運量受很多因素的影響，而且與其影響因素存在著復雜的非線性映射關系[1]，很多傳統(tǒng)的數(shù)據(jù)預測方法是基于時間序列，或者是因果關系[2]，其數(shù)據(jù)的內部結構與復雜性不能完全被反映。因此，尋找有效較優(yōu)的城市區(qū)域圈物流貨運量預測方法甚為必要。

1 城市區(qū)域圈物流預測

對物流數(shù)據(jù)的預測方法很多，一般有兩種：定性預測法和定量預測法。一般情況下的常用定性預測是專家預測法，常用的定量預測法主要包括概率統(tǒng)計和運籌學中的回歸分析預測法、時間序列預測法、灰色預測法、彈性預測法等。合肥都市圈物流貨運量受該區(qū)域經(jīng)濟形勢、產(chǎn)業(yè)結構布局、貨物運輸量等其他因素影響，且其與影響因子之間存在非線性關系，因此采用傳統(tǒng)的預測方法難以為繼。合肥都市區(qū)域圈主要的物流貨運量影響因子有：產(chǎn)業(yè)結構布局，包括第一產(chǎn)業(yè)、第二產(chǎn)業(yè)和第三產(chǎn)業(yè)增加值;區(qū)域社會居民消費，即區(qū)域社會消費品零售總額;區(qū)域進出口貿(mào)易，即區(qū)域進出口貿(mào)易總額;區(qū)域人口，即年末常住人口總量。因此，采集以上6個影響因子的數(shù)據(jù)，通過啟發(fā)式算法建立模型來預測城市區(qū)域圈的物流貨運量。

2 遺傳神經(jīng)網(wǎng)絡算法

2.1 遺傳算法

遺傳算法是參照達爾文生物進化論和遺傳學機理的一種模擬計算算法模型，是通過模擬生物進化來從可行解中搜尋最優(yōu)解的方法[3]。遺傳算法是從代表問題可行解解集的其中一個種群開始，種群則由經(jīng)過編碼的一定數(shù)目的個體所組成。個體實際上是帶有特征的染色體實體。染色體是多個基因的集合，基因型決定了個體的外部表現(xiàn)。開始需要進行編碼工作，初始代種群產(chǎn)生之后，按適者生存、優(yōu)勝劣汰的原理，逐代演化出越來越優(yōu)的近似解。在每一代進行個體選擇時，是根據(jù)問題域中個體的適應度大小，并借助于自然遺傳學的遺傳算子進行組合、交叉、變異，產(chǎn)生出代表新的種群。

遺傳算法的三種操作：（1）選擇-復制：一個種群S，規(guī)模為N，每個染色體xi∈S的被選擇概率為P（xi）， 分N次從S中隨機選定N個染色體，進行復制。

（2）交叉：就是互換兩個染色體某些位上的基因。種群中產(chǎn)生了新個體，決定了遺傳算法的全局搜索能力。把交叉率記為參加交叉運算的染色體占染色體總數(shù)的比例，記為Pc，取值范圍可以從0.4到0.99。（3）變異：就是改變染色體某個（些）位上的基因。決定了遺傳算法的局部搜索能力，同時保持種群的多樣性。把變異率記為發(fā)生變異的基因位數(shù)占染色體基因總位數(shù)的比例，記為Pm，取值范圍可以從0.0001到0.1。

算法步驟：（1）群體中個體適應度值的計算;（2）利用比例選擇算子，計算個體被選中遺傳到下一代的概率;（3）采用模擬輪盤賭操作來確定個體是否被遺傳到下一代中。

2.2 BP神經(jīng)網(wǎng)絡算法

BP神經(jīng)網(wǎng)絡算法具有大規(guī)模地進行并行處理、分布式的信息存儲方式、良好的自組織學習能力等優(yōu)良性能[4]，理論上可以逼近任意一個函數(shù)，有非常強的非線性映射的能力，并且網(wǎng)絡中的中間的層數(shù)、各層的處理單元數(shù)、網(wǎng)絡的學習系數(shù)等各項參數(shù)都可以根據(jù)實際情況來進行設定，靈活性非常大。

一般為兩層BP網(wǎng)絡結構，學習階段有兩個：（1）把學習樣本輸入，通過網(wǎng)絡結構和上一次迭代的權值和閾值，從網(wǎng)絡的第一層開始向后把各神經(jīng)元的輸出計算出來;（2）修改權值和閾值，從最后一層開始，向前計算各權值、閾值對總誤差的影響，然后進行修改。兩個階段交替反復，直至達到條件收斂。

2.3 遺傳神經(jīng)網(wǎng)絡算法建模

圖1 BP神經(jīng)網(wǎng)絡算法流程圖

BP神經(jīng)網(wǎng)絡算法能夠解決大規(guī)模復雜非線性問題，但是其有局部尋優(yōu)的特性，易陷入局部最優(yōu)，引起震蕩、收斂速度慢等。遺傳算法是一種全局優(yōu)化算法，通過其選擇交叉變異操作，能夠有效的擺脫陷入局部最優(yōu)的困境，獲得全局最優(yōu)解。因此，可以采用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡的權值、閾值[5]，并賦給神經(jīng)網(wǎng)絡作為初始權值與閾值，即可解決其局部最優(yōu)的困境。

3 遺傳神經(jīng)網(wǎng)絡算法實現(xiàn)

根據(jù)合肥區(qū)域圈物流貨運量的影響因素，選取合肥，馬鞍山，蕪湖，淮南，六安，滁州六個城市的2013-2018年第一產(chǎn)業(yè)增加值、第二產(chǎn)業(yè)增加值、第三產(chǎn)業(yè)增加值、區(qū)域社會消費品零售總額、區(qū)域進出口貿(mào)易總額、年末常住人口總量六項指標作為城市區(qū)域圈物流貨運量預測的輸入變量。由于上述各個指標的數(shù)量級不一樣、單位不一樣，比如億元和萬元單位之間在量級上差別很大。該類數(shù)據(jù)直接輸入，會使得神經(jīng)網(wǎng)絡發(fā)生震蕩，難以收斂，同時也會使得遺傳網(wǎng)絡收斂速度降低，因此需要對原始數(shù)據(jù)進行歸一處理，公式為：

其中，X（t）為數(shù)據(jù)歸一化處理后的結果，min（d（t））為原始數(shù)據(jù)中的最小值，max（d（t））為原始數(shù)據(jù)中的最大值。歸一化處理后保證后續(xù)數(shù)據(jù)處理的準確性，實驗顯示，歸一后的數(shù)據(jù)在（0，1）之間。

使用 MATLAB 7.0軟件環(huán)境進行遺傳神經(jīng)網(wǎng)絡模型的訓練與測試，用合肥城市區(qū)域圈2013-2018年相關物流影響因子數(shù)據(jù)作為輸入，2019年城市圈物流貨運量作為輸出。主要部分為利用遺傳算法對BP神經(jīng)網(wǎng)絡的權重以及初值進行優(yōu)化。

（1）確定遺傳算法個體編碼的長度。設置全局變量，把輸入所需的權值和閾值合并成一個個體，神經(jīng)網(wǎng)絡的權重包括兩部分，輸入層與隱含層之間的權值以及隱含層與輸出層的權值。閾值包括中間隱含層的各神經(jīng)元的閾值和輸出層神經(jīng)元的閾值，由此確定編碼長度。

（2）根據(jù)解編碼函數(shù)，將每一個個體拆分，分別賦權值，并通過傳輸函數(shù)，計算輸出，并計算網(wǎng)絡輸出與實際值的誤差平方和。

（3）計算各個體的適應值，用適應度函數(shù)確定，并返回給遺傳算法主函數(shù)。

（4）遺傳算法主函數(shù)中通過選擇、交叉、變異，直至誤差滿足設定的值。

（5）BP神經(jīng)網(wǎng)絡的訓練和測試。是個不斷迭代選擇最佳參數(shù)的過程，不斷訓練計算各個神經(jīng)元的權重，從而使輸出誤差結果能越來越小。

（6）結果輸出。

4 結論

根據(jù)實驗結果采用反歸一法得到2019年合肥城市區(qū)域圈的物流貨物量的預測值。可在本年末與真實數(shù)據(jù)進行對比，驗證該算法的有效性。本文中的遺傳神經(jīng)網(wǎng)絡算法是用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的初始權值和閾值，算法運行在收斂時間及解的質量精度上都比原始神經(jīng)算法要有所改進，具有一定的可行性。城市區(qū)域圈物流量以及其他相似數(shù)據(jù)可以借助遺傳神經(jīng)算法進行預測，提供了一種客觀，科學、有效的決策方法，為城市區(qū)域圈的經(jīng)濟發(fā)展及規(guī)劃制定提供幫助。

參考文獻

[1]王穎林，賴笈宇，郭豐敏.建設需求量預測分析中的人工神經(jīng)網(wǎng)絡和多元回歸方法[J].武漢工程大學學報，2013：77-80，86.

[2]程學珍，林曉曉，朱春華，等.基于時序信息的模糊Petri 網(wǎng)電網(wǎng)故障診斷方法[J].電工技術學報，2017，32（14）：229-237.

[3]王小平，曹立明.遺傳算法：理論、應用及軟件實現(xiàn)[M].西安：西安交通大學出版社，2002.

[4]侯媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡[M].西安：西安電子科技大學出版社，2007：8.

[5]馬銀軍.基于BP 神經(jīng)網(wǎng)絡的物流量預測方法研究[J].物流科技，2010（05）：81-83.