BP神經網絡在漁貨卸港量預測中的應用

劉航飛，陳昌平，鄭艷娜，陳榮庚

（大連海洋大學 海洋與土木工程學院，遼寧 大連 116023）

0 引言

漁貨卸港量作為評價港口規劃及發展水平的一項主要指標，是漁港建設工程項目規劃設計的主要依據。因此進行漁貨卸港量的科學預測，對漁港建設工程具有積極的指導意義。目前針對漁貨卸港量的預測，各地漁港工程可行性研究報告中普遍采用一元線性回歸的時間序列法[1-2]、一元線性灰色理論[3]以及多元線性灰色理論[4]對漁貨卸港量進行預測；時間序列法是建立時間與卸貨量之間的一元線性回歸方程進而對卸港量進行預測，在實測數據較少的情況下，其預測精度較低，誤差較大；灰色理論[5-6]則是將原始數列經過累加生成后，建立具有微分、差分近似指數規律兼容的方程，對數據進行預測，但是由于灰色模型本身固有的模型參數少、容錯能力差的特點，并且其具有快速衰減和遞增的屬性，所以它的時效性有限，不適合做長期的預測或分析；然而神經網絡[7-8]在研究小樣本方面，具有明顯的優勢；該模型容錯能力強、預測和識別速度快以及具有學習和記憶的能力等優點，通過不斷的訓練和學習，使得預測結果不斷的接近實際值；并且其在建模時不需要大量的數據就能得到較好的預測效果，已被廣泛應用于經濟管理、自然科學、農業科學、工程技術等各個領域。

1 BP神經網絡基本原理

人工神經網絡具有復雜模式和進行聯想、推理記憶的功能，它是解決某些傳統方法所無法解決的問題的有力工具。1986年Romelhart和Mc-clelland提出了誤差反向傳播算法(Error Back Propagation Algorithm，簡稱 BP算法)，由于多層前饋網絡的訓練經常采用誤差反向傳播算法，人們也常把多層前饋網絡稱為BP網絡。該模型具有容錯能力強、預測和識別速度快以及具有學習和記憶的能力等優點，因此在模式識別及分類、系統仿真、故障智能診斷、圖像處理、函數擬合、最優預測等方面具有廣泛的應用。

BP神經網絡模型主要由三個部分構成：BP神經網絡構建、BP神經網絡學習與訓練以及BP神經網絡的預測，具體的BP神經網絡模型流程圖如圖1所示。

BP神經網絡的基本原理為：當網絡的輸入（即相應影響因素）為時，網絡的實際輸出為，網絡的期望輸出（即實際的卸港量）為

定義學習的目標函數為：

同時 BP算法通過公式（2）來調整權值，使目標函數最小：

基于以下公式，偏差逐步反傳：

得出各因素的權值后，利用最后處理后的權值對數據進行預測。

圖1 BP神經網絡模型運行流程圖

2 算例

利用BP神經網絡原理，對遼寧省前陽一級漁港1996～2005年的漁貨卸港量資料進行訓練，然后對2006年的漁貨卸港量進行預測。表1為前陽一級漁港1996～2006年實際卸港量。

表1 遼寧省前陽一級漁港1996～2006年卸港量資料

本文中輸入層單元個數為1，隱含層單元個數為5，輸出層單元個數為1；每次循環100次，期望目標誤差最小值 0.001，運用 MATLAB軟件編程對遼寧省前陽一級漁港 1996～2005年漁貨卸港量樣本進行學習和訓練。表 2為遼寧省前陽一級漁港1996～2005年實際漁貨卸港量和預測漁貨卸港量的對比。

表2 遼寧省前陽一級漁港1996～2005年卸港量BP神經網絡預測值與實際值對比表

圖2為漁貨卸港量的預測值與實際值對比圖，由圖2可知訓練后得到的預測值與實際值更加接近。

圖2 前陽一級漁港實際卸港量和預測卸港量對比圖

由表2分析可知，遼寧省前陽一級漁港漁貨卸港量每年的相對誤差最大值為 0.874%，最小值為0.001%，平均值為0.217%，均小于1%，達到了較高的精度；同樣由圖2也可以比較直觀得出，預測值和實際值非常接近；經過訓練后的BP神經網絡，其訓練得到相關系數R=0.99928，擬合效果非常好；其均方誤差MSE趨近于，滿足精度要求。

進一步利用 BP神經網絡對前陽一級漁港 2006年卸港量進行預測，如表3所示。

表3 卸港量預測結果對比

3 模型應用驗證

利用 BP神經網絡預測七個漁港漁貨的卸港量，并將其與灰色理論以及時間序列的一元線性回歸進行比較，如表4所示：

進一步可以得出七個漁港在三種預測方法下的平均相對誤差（絕對值的平均值），如表5所示，并對其進行比較。

表5 平均相對誤差表

由以上比較可以更加直觀得出，BP神經網絡模型預測的平均相對誤差要小于灰色理論和時間序列法的預測值的平均相對誤差，因此采用BP神經網絡模型預測具有較好的合理性。

表4 各漁港漁貨卸港量預測結果比較

4 結論

BP神經網絡預測方法借助MATLAB編程實現，通過不斷的學習和訓練以及將網絡的輸出數據與實際數據相比較，直到網絡的輸出數據對所有訓練數據與理想輸出數據之差在要求的誤差范圍之內，從而可以進一步對數據進行預測。通過比較BP神經網絡方法、一元線性回歸時間序列法和灰色模型GM（1.1）方法的預測結果可知采用BP神經網絡方法得到的漁貨卸港量預測結果更加接近實際值，精度更高，該模型較低的誤差預測結果有利于漁港的前期建設規劃工作，便于選取優勢漁港進行擴建改造工程，同時準確的漁貨卸港量預測對當地漁業產業的發展也有著更深遠的實際意義。

[1]桂勁松. 我國漁港卸魚量發展水平預測方法探討[J]. 大連水產學院學報, 1995(03): 75-78.

[2]郭子堅. 港口規劃與布置[M]. 北京: 人民交通出版社,2011.

[3]周長祿, 王翔宇, 宋忱潞, 等. 灰色模型GM(1,1)在漁貨卸港量預測中的應用[J]. 科技創新與應用, 2014(21): 13-14.

[4]陳昌平, 周長祿, 趙學達, 等. 基于灰色多元線性回歸方法的漁貨卸港量預測[J]. 現代交通, 2014(03): 20-25.

[5]劉思峰. 灰色系統理論的產生與發展[J]. 南京航空航天大學學報, 2004(02): 267-272.

[6]劉思峰, 曾波, 劉解放, 等. GM(1,1)模型的幾種基本形式及其適用范圍研究[J]. 系統工程與電子技術, 2014(03):501-508.

[7]周政. BP神經網絡的發展現狀綜述[J]. 山西電子技術,2008(02): 90-92.

[8]樊振宇. BP神經網絡模型與學習算法[J]. 軟件導刊,2011(07): 66-68.