人工神经网络在货运预测系统中的应用

引 言

现如今物流业的快速发展对人们的生活与产能经济都产生了重要影响，而整个物流链中的关键就是货运环节。影响货物运输的因素比较复杂，包括相关体制、交通条件、城市环境、产业布局等，这些因素在数学模型上是非线性且不确定的， 于是给预测造成了较大困难。为了做好库存控制、信息管理的工作，在货物运输前对货运量进行预测是非常有必要的。

1 神经网络模型及其特点

1.1 系统概述

本文研究的预测模型是基于货运预测系统的，该系统的主要功能是将项目输入的数据确定为预测目标，并根据具体要求与有关资料动态分析出可执行计划，将预测结果保存到数据库备份。货运预测系统的具体结构包括初始数据模块、预测方法选择、结果处理模块、系统辅助管理及数据库模块等。系统结构图如图 1 所示。

1.2 模型特点

神经网络分为单层前向网络（LMS 学习算法）、多层前向网络（BP 学习算法）、改进型神经网络等，其中 BP 神经网络是目前应用最广泛的模型之一，模型拓扑结构如图 2 所示。

多层前向网络是单层感知器的推广，解决了非线性可分问题，其由输入层、隐含层和输出层组成，其中隐含层可以为一层或多层。输入层中每个源节点作为激励单元，组成了下一层的输入信号，而该层的输出信号又成为后层的输入，以此类推。多层感知器中每个神经元的激励函数是可微的Sigmoid 函数， 见式（1）所示 ：

式中 ui是第 i个神经元的输入信号，vi是该神经元的输出信号。

BP 学习过程具有工作信号正向传播、误差信号反向传播的特点。对于图 2，设输入层任意一个输入信号用 m表示，第一层、第二层、输出层任意神经元分别用 i，j，p表示。按误差反向传播方向，从输出节点到隐含层的修正权值公式见式（2）：

2 预测实例及结果分析

2.1 问题描述

货站是物流的一种重要形式，被认为是物流中心，包含着物资信息、资金流动等管理，这里取若干年的某货站数据进行预测并与实际结果对比，货运量走势如图 3 所示。

图中曲线很明显不适合做直线拟合，我们可运用指数平滑法、神经网络等进行外推预测。对于指数平滑法，历史数据影响程度逐渐减小，随着数据远离权数收敛趋近零，因此适用于短期预测 ；对于灰色模型，十分依赖于历史数据，其精度受原始数据的影响较大。本预测系统会根据输入数据的各项因子最终选择最合适的算法模型。下面就神经网络的一般预测步骤进行说明。

2.2 预测步骤

一般来说，BP 算法的预测步骤如下：

(1) 样本预处理。由于数据的评价标准或量纲不一样，所以需要对样本作归一化处理。可采取极差变换（xn － xmin）/（xmax － xmin）进行处理；

(2) 样本分组。每组前 m个值作为输入，后一个作为输出期望值；

(3) 网络训练。使训练后的网络自适应样本数据的特征，

网络训练状态如图 4 所示；

（4）得到预测值后。可通过对 2001至 2010 年数据的网 络训练，得到 2011 年的输出预测值。Matlab 中仿真程序如下：