基于遺傳算法優化小波神經網絡的煤炭鐵路運量預測模型研究

張正義,王公強,牛天河

西安鐵路職業技術學院,陜西西安710014

煤炭鐵路運量預測能夠有效調度鐵路車輛和優化煤炭運輸資源配置，更為鐵路煤炭運輸通道發展規劃提供重要決策依據[1]。煤炭鐵路運輸受諸多因素影響，從經濟走勢看，當前我國供給側改革進入“快車道”，煤炭的產量發生了較大的變化，同時煤炭的價格也出現了較大的波動，價格變動直接影響需求量，需求量的變化直接影響煤炭運輸活動。綜合相關的調研數據并結合文獻資料，可將影響煤炭鐵路運輸的關聯影響歸納為以下9個基本要素，包括煤炭平均價格、煤炭鐵路運輸費用、煤炭公路運輸費用、煤炭水路運輸費用、煤炭消費量、工業總產值、鐵路通車里程、煤炭產量、鐵路運煤專線里程，內容如表1所示。

表1 煤炭鐵路運輸相關影響因素Table 1 Factors related to coal railway transportation

1 模型建立

本文以嵌入式小波神經網絡作為炭煤鐵路運量預測模型構建的基礎，此種建模方法能夠充分利用小波變換的優勢特征，保證模型具備較強的逼近與容錯能力[2]。但影響煤炭鐵路運量的因素具有較強的復雜性和隨機性及不確定性，小波神經網絡會容易引起振蕩效應和陷入局部極小[3]。為了有效的改進這一問題，需要將具有自然進化規律的遺傳算法引入小波神經網絡[4]。本文建立的預測模型以遺傳算法來克服小波神經網絡的前期搜索不足，并集合遺傳算法的全局搜索尋優和BP網絡局部搜索尋優，保證預測結果精確。優化模型首先進行小波神經網絡的參數確定，然后以優化后的參數進行小波神經網絡計算，直至得到最優解[5]。模型建立步驟如圖1所示。

圖1 基于遺傳算法的小波神經網絡煤炭鐵路運量預測模型Fig.1Forecast model of coal railway transportation volume based on wavelet neural network optimized by genetic algorithm

2 模型求解

依據建立的模型設定MATLAB求解，求解關鍵程序示例如下：

（1）數據歸一化程序示例

[XX,minp,maxp,YY,mint,maxt]=premnmx (XX,YY);

（2）遺傳算法優化程序示例

P=XX;%輸入變量T=YY;%輸出變量…………………….plot(trace(:,1),1./trace(:,3),'r-');xlabel('Generation');ylabel('Fittness');

（3）小波神經網絡訓練程序示例

[W1,B1,W2,B2,P,T,A1,A2,SE,val,V]=gadecod(x);…………………….xlabel('樣本序號');ylabel('煤炭鐵路運量');end

（4）適應度函數程序示例

function[sol,val]=gabpEval(sol,options)…………………….end;[W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x);end

（5）編解碼和隱含層函數程序示例

function[W1,B1,W2,B2,P,T,A1,A2,SE,val,V]=gadecod(x)……………………end B2(i,1)=x((R*S1+S1*S2+S1)+i);sum=sum+abs(T(i)*log(A2(i))+(1-T(i))*log(1-A2(i)));

3 實例驗證

由前文確定的影響因素可知，在進行模型求解時輸入和輸出的變量如表2所示。

表2 煤炭鐵路運量預測模型輸入輸出變量Table 2 Input and output variables of coal railway traffic volume prediction model

為了獲取盡可能多的樣本數據進行小波神經網絡的學習和訓練,選取了表1中1986～2015年的數據進行訓練和測試。

計算中持續對參數進行修正訓練，顯示其初始種群數為30時，MATLAB計算所得的遺傳算法誤差曲線如圖2所示，適應度函數值變化曲線如圖3所示。由圖2和3橫坐標可知，適應度函數值和誤差（嫡）函數趨于穩定在算法進行了100代之后就不再發生變化。因此，將最大進化代數100作為算法的結束條件。表3所示為測試樣本預測值和實際值之間的差異，樣本的預測值與實際值對比如圖4所示。

圖2 預測模型的誤差（熵）函數曲線Fig.2 The error(entropy)function curve of predictive model

圖3 預測模型的適應度值曲線Fig.3 The fitness value curve of predictive model

表3 煤炭鐵路運量測試樣本誤差值Table 3 The test sample differences of coal railway traffic

從預測結果看：在選定的測試樣本中，其預測值和實際值之間的相對誤差均不高于3%，由此可知本文構建的煤炭鐵路運量預測優化模型具有較高精度，能反映煤炭鐵路運量的形成機理。

圖4 模型的實際運量和預測值Fig.4 Actual volume and forecast value of the model

4 結論

（1）綜合相關資料數據，最終確定了影響煤炭鐵路運輸量的關聯因素，選取其中9個核心要素煤炭平均價格、鐵路煤炭運輸費用、公路煤炭運輸費用、水路煤炭運輸費用、煤炭消費量、工業總產值、鐵路通車里程、煤炭產量、現有鐵路運煤專線里程進行關聯；

（2）由建立的優化模型計算得到的最終結果可知，算法得到的運量預測值與實際值的相對誤差均不高于3%，由此可以驗證模型精度較高，同時表明選取的影響因素具有很高的關聯性。

[1]張翠云.基于灰色馬爾可夫鏈的鐵路煤炭運量預測研究[J].煤炭經濟研究,2007(12):41-43

[2]陳哲,馮天謹.小波分析與神經網絡結合的研究進展[J].電子科學學報,2000,22(3):496-502

[3]曾水玲,宋鶯嬌,徐蔚鴻.基于遺傳算法的神經網絡結構優化[J].吉首大學學報:自然科學版,2005,26(3):178-180

[4]石永奎,胡夢龍,劉陽,等.基于Hopfield神經網絡的煤礦避災硐室安全評價[J].煤炭技術,2015,34(12):177-179

[5]杜文莉,周仁,趙亮,等.基于量子差分進化算法的神經網絡優化方法[J].清華大學學報:自然科學版,2012(3):331-335