基于神經網絡的林區道路林產品貨運量預測方法分析

李德才 (東北林業大學交通學院，黑龍江哈爾濱150040)

林區道路運輸如今已經成為現代運輸主要方式之一，同時，它也成為陸上貨物運輸的2個最基本運輸方式之一。它在整個林業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。對我國林區道路林產品貨運量及其發展趨勢進行較為準確的預測可以有效規劃和組織林區道路林產品貨物運輸，以提高林區道路林產品運輸的經濟效益和社會效益，從而滿足國民經濟快速增長和人民生活水平日益提高需要，對于林區道路林產品貨運管理和決策具有十分重要的作用。

1 林區道路林產品貨運量預測的研究方法

目前國內外已經有很多預測方式，按運輸需求分析通常采用的方法一般分3種類型，即連續型、統計型和遞推型。連續型包括灰色預測、模型法等預測方法;統計型包括德爾菲法(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;遞推型包括指數平滑法和殘差辨識法［1－3］。

2 交通運輸能力預測的實現

2．1 問題描述 人工神經網絡作為一種并行的計算模型，具有傳統建模方法所不具備的很多優點，有很好的非線性映射能力［4］。林區道路的貨運量曲線是與很多因素有關的非線性函數。而對于抽取和逼近這種非線性函數，神經網絡是一種比較合適的方法。它的優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，不依靠專家經驗，只利用觀察到的數據，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，利用神經網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年的公路貨運量數據，把每年看作一種類型的貨運量數據，將這些數據依次按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，把每一年不加區分地看成不同類型。

2．2 輸入/輸出向量設計 預測林區道路的貨運量，從國家統計官網(http://data．stats．gov．cn/index)上得到 2001 ～2012年連續12年的準確數據作為參考(表1)。獲得輸入和輸出變量后，對其進行歸一化處理，將數據處理為［0，1］之間的數據。歸一化的方法有很多種，這里采用如下公式:

近年，我國經濟增長迅猛，交通運輸能力也逐年攀升，而林區道路貨運量的準確預測與我國的經濟發展以及交通設施等都有緊密的聯系。這里以我國2001～2012年的5個重要指標(包括國內生產總值、工業增加值、公路里程、民用載貨車擁有量和貨物運輸量)作為網絡訓練的樣本，預測2001～2012年的林區道路貨運量，所有數據都已經歸一化(表2)。

2．3 BP網絡設計和網絡訓練 BP網絡是各種系統預測中應用特別廣泛的一種形式，這里采用BP網絡對林區道路貨運量進行預報。由于輸入向量有5個元素，所以輸入神經層的神經元就有5個。根據Kolomogorov定理可以知道，網絡中間層的神經元可以取11個，而輸出向量有2個，所以輸出層中的神經元有2個。網絡經過訓練后才可以用于公路貨運量預測的實際運用。考慮到網絡的結構比較復雜，神經元個數比較多，需要適當增大訓練次數和學習速率。訓練參數的設定如下:訓練次數，2 500;訓練目標，0．000 000 35;學習速率，0．10。

經過5次網絡訓練后，得到的網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據統計

表2 2001～2012年公路貨運量及其相關影響因素歸一化后數據統計

訓練好的網絡還需要進行測試才可以判定是否可以投入實際應用。這里的測試數據就是利用表1中的國內生產總值、工業增加值、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，網絡預測值和真實之間的誤差非常小，除了第1次出現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。

3 結論

借助我國2001～2012年國內生產總值的工業增加量，林區道路里程以及民用載貨車擁有量和需要預測的輸出林區道路貨運量進行事前調查，用已知輸入來預測輸出，建立神經網絡模型，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，基于神經網絡的林區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．基于神經網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．神經網絡的穩定性及其在聯想記憶中的應用研究［D］．重慶:重慶大學，2012．

［3］王琳．Hopfield神經網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．人工神經網絡的發展與應用［J］．科技風，2012(15):66－89．