基于GA-BP算法的模糊神经网络模型在港口物流量预测中的应用

杨 峰 牛惠民 邵晓彤

摘要:以国内某港口为例,通过应用遗传算法改进的BP学习算法(GA-BP)的模糊神经网络模型,对港口物流量进行预测。最后,利用Matlab软件对样本数据进行训练和测试,仿真结果表明所构造的改进模型预测误差非常小。

关键词:港口物流量;预测;遗传算法;模糊神经网络

中图分类号:U691文献标识码:A

Abstract: The paper forecasted the port throughput of a harbor as an example by using the GA-BP algorithm of fuzzy neural network. At last, the sampled data are trained and tested by matlab software, and the simulation results proved the proposed model's validity.

Key words: port throughput; forecast; genetic algorithm; fuzzy neural network

0引言

在全球经济一体化进程不断发展的今天,港口在国际贸易和运输系统中的战略地位不断加强。而物流量的预测是港口发展战略研究的重要内容。准确地预测港口吞吐量的增长趋势不仅有利于我们合理规划建设物流基础设施,进行有效的需求管理,而且对港口地区乃至国家经济的持续稳定发展具有重要意义。

目前对于物流量预测的方法有很多种,文献[1]采用灰色系统理论对港口吞吐量进行预测,虽然灰色模型具有预测精度较高、预测所需原始信息少等优点,但由于增长量高速发展,相邻年份间物流量的净差值显著增大,其误差将迅速增加;文献[2]运用线型回归模型进行分析,但此模型要求有大量数据,数据少变难以找到统计规律,并且要求各因素数据(社会经济指标)与系统特征数据(物流需求量)之间呈现线型关系,难以满足;文献[3]应用传统的BP神经网络模型对物流需求量进行预测,但它的收敛速度慢而且可能陷入局部最优,对于有复杂因素限制的港口物流量的预测显然不足。

影响港口物流量的因素很多,其中包括港口地理与环境条件、港口基础设施条件、国家政策走向和国际经济形式、以及航运市场状况等,这些因素的不确定性给港口物流量的定量预测带来了很大困难。本文结合遗传算法直接以适应度作为搜索信息,无需导数等其他辅助信息、使用多个点的搜索信息,具有隐含并行性、使用概率搜索技术等优点,采用基于GA-BP算法的模糊神经网络模型对这一受多种不确定因素影响的预测问题进行研究。本文选择国内某港口18年内的吞吐量为建模数据,用这种改进模型对此港口物流的发展进行了预测研究。

1模糊神经网络模型

人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息系统,是由多个非常简单的处理单元彼此按某种方式互相连接而形成的计算系统,该系统是靠其状态对外部信息的动态响应来处理信息的。目前人工网络模型已有上百种,模糊神经网络是一种新型的神经网络,它是在网络中引入模糊算法或者模糊权系数的神经网络。

1.1模糊神经网络的基本原理

模糊神经网络模型是通过神经网络实现的模糊逻辑系统结构,它具有模糊逻辑推理功能,同时网络的权值也具有明确的模糊逻辑意义,从而达到以神经网络及模糊逻辑各自的优点弥补对方不足的目的。模糊神经网络的特点在于把模糊逻辑方法和神经网络方法结合在一起,即以神经网络为框架的一种模糊推理系统。假设系统有n个输入x i=1,2,…,n,输出为y(多输入-单输出的模糊神经网络)。构造5层模糊神经网络的网络模型如图1所示。

1.2模糊神经网络的基本结构

第一层为输入层,该层共有n个节点直接与输入向量X相连,每个节点代表一个输入变量,I=O=x ,将输入值X=x ,…,x 传送到下一层。

第二层为模糊化层,若每个输入变量均定义有m个模糊集合,则此层共有n×m个节点,分为n组。第i组的m个节点输入都是x ,其输出分别是各输入量属于输出值模糊集合的隶属度函数μx ,μx 代表x 的第j个模糊集合。相应的隶属度函数为:

μO=exp-

其中1≤i≤n;1≤j≤m,c 和σ 分别表示隶属函数的中心值和宽度。调整该层的权值和阈值,也就意味着调整高斯函数的中心值和宽度,从而得到不同位置和形状的隶属函数。

第三层为规则层,其每个节点代表一个模糊规则,其作用是匹配模糊规则的前件,计算每条规则部分的组合配合,实现各输入模糊值的“乘”运算,即I=O= O。

第四层为去模糊层,该层的作用是实现归一化计算,即O= 。

第五层为输出层,清晰化计算,采用加权平均法,即y=O =I = w O。

可调参数w 为连接该层的权值。

在这个模糊神经网络中,可调参数有第5层的连接权值w 即规则参数与第2层的权值c 和阈值σ ,即高斯型隶属函数的中心值和宽度。

2模型算法设计

2.1GA-BP算法的原理

标准BP学习算法简洁实用,是目前神经网络训练中最常见的学习算法之一,但它的收敛速度慢而且可能陷入局部最优。GA算法提供了一种求解复杂系统优化问题的通用框架,采用多点并行操作机制寻找全局最优解,收敛速度快,能有效克服BP算法的缺陷。因此本文拟用GA算法改进BP学习算法。

GA-BP其主要优点如下:

(1)GA从许多初始点开始并行搜索,从而使搜索效率高,而且可以有效防治搜索过程收敛于局部最优解,而求得全局最优解。

(2)GA通过目标函数计算适应度,从而对问题的依赖性较小。

(3)GA基本属于随机寻优过程。

GA-BP算法的具体过程为:

第一步初始化群体P(包括交叉规模、交叉概率P 、变异概率P ),给出训练参数;对每一个输入向量做规格化处理,随机产生N组在0,1取值的初始网络权值。

第二步计算每个个体的评价函数,若达到预定值则转第四步,否则将评价函数排序,按下式的概率值选择网络个体。

p =

其中:F 为个体i的适应值,可用误差平方和计算误差E来衡量。

第三步按指定的概率进行交叉和变异操作,(即利用交叉概率P 对个体G 和个体G 进行交叉操作;利用突变概率P 对个体G 进行变异操作)产生新个体,淘汰父辈个体并转至第二步。

第四步选取群体中适应值最好的字符串,解码得神经网络优化的参数。

第五步采样得到权值、阈值,计算误差E,若满足条件则计算模糊神经网络的输出Y;否则转至第六步。

第六步用BP算法实时学习网络参数,在线调整w 、c 和σ 返回第五步。

2.2GA-BP算法的参数优化

利用GA-BP算法对2.1中模糊神经网络的模型结构进行参数优化,在GA中,交叉概率P 和变异概率P 的大小对算法的性能影响较大。一般选取范围P 为0.4～0.9,P 为0.01~0.1。这样群体在即将寻到最优值时,不会因变量变异而破坏此进程。交叉概率P 和变异概率P 的表达式为:

P =

P =

式中,f 、 分别为群体中的最大适合度和平均适合度。f - 体现了群体的收敛程度,K 和K 均为小于1.0的常数。

遗传操作完成之后,按适值选取最后一代群体中N个可能具有全局性的进化解,分别以这些解为初始权值,用BP神经网络进行求解,比较N个由神经网络求的最优解,从而获得全局最优解。其学习的目标函数为:

minE=y -

式中,y 表示希望输出值,表示输出值。

3算例分析

本文以某港口全港货物吞吐量作为样本,假设某港口吞吐量时间序列为:

X=x1,x2,…,xn

一般来说人们的目标是根据X预测Xn+ii=1,2,…。本文用Xn-i-Xn-i-1的差值来预测Xn+i的值。因此,时间序列可转换为:

Y=y1,y2,…,yn-1

式中,yi=Xi+1-Xii=1,2,…,n-1,从而将预测目标转换为通过Y预测 Yn+ii=1,2,…并采用最小、最大规范化方法对时间序列Y进行归一化处理即:

Y=X-V V -V

其中,X,Y分别为转换前、后的值,V 、V 分别为样本的最大值和最小值。

4仿真试验

为了验证GA-BP算法的有效性,利用Matlab软件,通过输入样本数据分别对网络进行训练与仿真,图2为经过标准BP神经网络模型训练输出的误差曲线;图3为通过本文的设计的应用GA-BP学习算法的模糊神经网络训练输出的误差曲线。通过两个图的比较,我们不难看出,本文所构造的GA-BP算法经过115次的训练,预测的误差就可以趋近于10-2。

5结论

通过以上分析,应用GA-BP学习算法的模糊神经网络模型与标准BP神经网络算法相比,具有平均相对误差较小,预测精度高等优点,在对港口物流量预测中取得了较好的效果,即应用GA—BP学习算法的模糊神经网络模型能适合于实际的港口物流量的预测。

参考文献:

[1] 王再明,王宏波. 灰色系统理论在港口吞吐量预测中的应用[J]. 武汉理工大学学报:交通科学与工程版,2005,29(3):456

-459.

[2] 黄顺泉. 关于港口吞吐量预测方法选择的探讨[J]. 集装箱化,2003(7):17-18.

[3] 贾星辰,王铁宁,裴帅. 基于BP神经网络的物流需求量预测模型研究[J]. 物流科技,2005,29(128):3-5.

[4] 殷峻暹,陈守煜,邱菊. 基于遗传与BP混合算法神经网络预测模型及应用[J]. 大连理工大学学报,2002,42(5):594-597.

[5] 唐琮沅,吴桂先. 基于改进型BP神经网络模型的机场物流吞吐量预测研究[J]. 物流技术,2006(8):35-37.

[6] 丛爽. 神经网络、模糊系统及其在运动控制中的应用[M]. 合肥:中国科学技术大学出版社,2001.

[7] 赵振宇,徐用懋. 模糊理论和神经网络的基础与应用[M]. 北京:清华大学出版社,1996.

注:本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文