基于GA-BP算法的長江運價指數模型研究及預測

李玉琢 劉攀

摘要： 文章通過市場的特征選取了相關影響因素對長江水域的運輸經濟問題進行了研究。根據過往水運市場經濟事件的分析，建立了基于GA-BP算法的價格制定模型，確定了長江運價指數。并根據長江航務交易所的歷史數據對模型進行驗證，證明了模型的有效性和合理性。本文有助于增強鋼鐵水運市場參與者的自身競爭能力和確保經營收益，有效地防范經營風險。

關鍵詞：GA-BP算法;長江運價

2017年，長江干線貨物通過量已達到25億噸。長江已成為世界通航最繁忙、運量最大的河流。長江內河運輸方式的價格指數，并沒有明確的參考價格，相關交通運輸企業只能根據沿海運價指數對內河運價進行上下的小幅度調整，但往往由于市場的延遲等不確定因素的存在，長江運價與沿海運價有較大的差距。怎樣才能使制定價格與實際價格有更高的契合度實現與市場的同步，建立一個權威性有說服力的價格體系，是需要解決的關鍵。

1.影響因素分析

1.1國家經濟發展水平

衡量一個國家的經濟發展水平指標很多，如國內生產總值、進出口貿易量、人均消費、人均壽命等等，由于我國人口數量較為穩定，因此GDP能夠反映我國經濟發展水平，本文采用GDP來作為國家經濟發展水平的衡量指標。

1.2燃油價格

燃油成本是航運運輸過程中最重要的成本支出。由于我國的航船大都采用柴油發動機。本文收集自2017年1月至2018年9月燃油價格從3000元/頓漲至6000元/噸。（燃油價格數據來源：https：//www.cngold.org/ 運價指數來自長江航務局官網）

1.3貨物價格

長江水域承運貨物種類為大宗貨物主要包括鋼材、煤炭、鐵礦石。并且各種貨物的價格不同，導致有各種不同的包裝、裝卸、運輸需求，因此對運價有很直接的影響。本文選取鋼材、煤炭、鐵礦石的價格作為影響航運指數的因素。

2.模型構建及一致性檢驗

由于長江運價指數制定問題本身十分復雜，大部分的影響因素與運價指數之間存在的是非線性關系，數據量大且繁雜，內部規律較難發現，鑒于BP神經網絡最大的優點為對非線性關系的也有很強的適用性，能夠從大量繁雜的數據中尋找規律。但是傳統的BP神經網絡算法有兩點不足：一是收斂速度慢;二是初始值的設置易導致陷入局部最優解，無法求得全局最優解。通過研究選擇用GA算子改進BP算法優化模型，其中遺傳算法的基本步驟：編碼、初始群體的生成、適應度評估、選擇、交叉和變異。

用GA算子改進BP算法首先執行GA算法，得到初始權值、閾值，如果這時的解能滿足事先所規定的網絡精度，則認為GA-BP算法終止，同時退化為BP算法。如果得到的解不符合精度要求，則激活遺傳算法，進入“GA-BP”迭代循環。直到尋找到最優的初始權值、閾值。引入遺傳算法，是為了利用遺傳算法在尋找全局最優解上的優勢，幫助BP算法跳出局部最優陷阱，最終找到一個滿足網絡精度的點。

基于BP神經網絡算法的運價模型，將選取的樣本數據進行歸一化處理，同樣將樣本數據按時間排序，前1-80號數據作為訓練樣本集，后80-90號數據作為測試樣本集。Matlab程序代碼略;本文選用3層的神經網絡結構。樣本共4個因素，即4個輸入參數，1個輸出參數，故輸入層節點數為4個，輸出層為1個。根據近似關系式，BP神經網絡結構為4-3-7-2-1，設置訓練次數為5000次，訓練目標為0.01，學習速率為0.1。得到9個測試樣本運價的模型結果。檢驗得平均相對誤差較小，即此模型一致性良好。

總結

（1）通過先把因素分類然后抓住各類主要因素的方法來解決因素過多的問題。

（2）用GA算子改進BP算法克服了傳統的BP神經網絡收斂速度慢和初始值的設置易導致陷入局部最優解的缺陷。

（3）經過一致性得到此GA-BP模型算法預測得出的結果與符合實際情況符合比較好，具有突出的實際意義。

參考文獻：

[1]王大山，劉文白.化學品市場主船型期租水平運價指數研究及預測[J].數學的實踐與認識，2017，47（23）：58-67.

[2]王溪倩.干散貨航運市場的運價指數及其波動研究[J].物流工程與管理，2018，40（10）：108-109+117.