基于BP神經(jīng)網(wǎng)絡(luò)的港口吞吐量預(yù)測(cè)模型——?dú)J州港的實(shí)證研究

江志娟（欽州學(xué)院 商學(xué)院，廣西 欽州 535000）

0 引 言

廣西北部灣經(jīng)濟(jì)區(qū)是我國(guó)西部大開(kāi)發(fā)地區(qū)唯一的沿海區(qū)域，也是我國(guó)與東盟國(guó)家既有海上通道、又有陸地接壤的區(qū)域。欽州港位于北部灣灣頂?shù)臍J州灣內(nèi)，是我國(guó)西南地區(qū)主要出海口。隨著《廣西北部灣經(jīng)濟(jì)區(qū)發(fā)展規(guī)劃》的實(shí)施，欽州港將建設(shè)面向東盟的區(qū)域性國(guó)際航運(yùn)中心，欽州港將發(fā)揮越來(lái)越重要的作用。港口吞吐量的預(yù)測(cè)是港口決策的重要依據(jù)，欽州港口吞吐量的預(yù)測(cè)將為區(qū)域性國(guó)際航運(yùn)中心建設(shè)、以及國(guó)家級(jí)經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)建設(shè)提供重要的決策依據(jù)。

港口吞吐量預(yù)測(cè)的常用方法主要有時(shí)間序列法、因果分析法、組合預(yù)測(cè)法。這三類方法都各有優(yōu)勢(shì)，但也存在自身的缺陷，使得預(yù)測(cè)的準(zhǔn)確性和精度難以保證。時(shí)間序列法，由于其只考慮了港口吞吐量自身歷史的變化，影響因素單一，使得預(yù)測(cè)結(jié)果會(huì)出現(xiàn)很大的誤差；因果分析法在預(yù)測(cè)的過(guò)程中未做到細(xì)致的研究港口吞吐量的變化規(guī)律和影響因素，也將因?yàn)樽兞窟x取的不當(dāng)，難以取得較好的預(yù)測(cè)效果；組合預(yù)測(cè)法在進(jìn)行單項(xiàng)預(yù)測(cè)模型選擇時(shí)，存在著一定的主觀性和隨機(jī)性，使得該方法在實(shí)際應(yīng)用時(shí)遇到了一定的障礙[1]。影響港口吞吐量的因素較多，且各因素之間存在復(fù)雜的非線性關(guān)系，BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何非線性函數(shù)，并且輸入和輸出變量的數(shù)目是任意的，因此，采用BP神經(jīng)網(wǎng)絡(luò)的方法，克服了常用方法中存在的缺陷，能夠?qū)χT多影響因素進(jìn)行動(dòng)態(tài)研究，建立港口吞吐量的預(yù)測(cè)模型。

1 BP神經(jīng)網(wǎng)絡(luò)的基本原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是S型函數(shù)，輸出量為0到1之間的連續(xù)量，權(quán)值的調(diào)整采用反向傳播（Baekpropagation）學(xué)習(xí)算法，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。BP神經(jīng)網(wǎng)絡(luò)是由輸入、輸出和若干隱含層構(gòu)成，每一層含多個(gè)神經(jīng)元。神經(jīng)元具有R個(gè)輸入，每個(gè)輸入都通過(guò)一個(gè)適當(dāng)?shù)臋?quán)值w與下一層相連，網(wǎng)絡(luò)輸出表示為 α=f（w×p＋）b ，其中：f表示輸入/輸出的激活函數(shù)。信息從輸入層經(jīng)過(guò)逐級(jí)的變換傳送到輸出層（見(jiàn)圖1），同時(shí)，誤差反向傳播，控制在一定精度內(nèi)。BP網(wǎng)絡(luò)的正向輸出和反向誤差計(jì)算，均可以通過(guò)MATLAB7.0實(shí)現(xiàn)。

2 基于BP神經(jīng)網(wǎng)絡(luò)的欽州港口吞吐量預(yù)測(cè)模型構(gòu)建

2.1 欽州港口吞吐量的影響因素確定

據(jù)2012年底進(jìn)行的實(shí)地調(diào)研結(jié)果顯示，欽州港口的后方腹地主要為廣西區(qū)、云南省、貴州省、四川省、重慶市和湖南省。其中廣西區(qū)內(nèi)貨運(yùn)量占90%左右，主要貨種為金屬礦石、糧食、原油、成品油、煤炭等；云南省占4%，主要貨種為金屬礦石、非金屬礦石、化肥、建材、成品油等；貴州、四川和重慶占4%，主要貨種為金屬礦石、化肥、成品油等；湖南占2%，主要貨種為鐵礦、錳礦等。首先，從港口貨物來(lái)源分析，影響欽州港口貨物吞吐量的地區(qū)主要是廣西區(qū)，因此，廣西區(qū)是欽州港重要的經(jīng)濟(jì)腹地，其地區(qū)經(jīng)濟(jì)總量直接影響欽州港口吞吐量。其次，從貨物的種類分析，廣西區(qū)內(nèi)的第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值直接影響港口吞吐量；第三產(chǎn)業(yè)提供交通運(yùn)輸服務(wù)，間接影響欽州港口吞吐量。最后，其他運(yùn)輸方式的發(fā)展也直接影響港口吞吐量，因此，廣西區(qū)外貿(mào)進(jìn)出口總額、鐵路貨運(yùn)量、公路貨運(yùn)量、水路貨運(yùn)量等要素直接影響欽州港口吞吐量。由于港口吞吐量的影響因素較多，同時(shí)各因素之間存在復(fù)雜的非線性關(guān)系，難以用一個(gè)線性的模型表達(dá)，因此，采用人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，進(jìn)而得到非線性網(wǎng)絡(luò)模型，實(shí)現(xiàn)欽州港口吞吐量的預(yù)測(cè)，能夠提高預(yù)測(cè)的準(zhǔn)確性。

1999～2012年影響欽州港口貨物吞吐量的廣西區(qū)各經(jīng)濟(jì)指標(biāo)值見(jiàn)表1，其中，X1，X2，X3，X4，X5，X6，X7，X8分別表示第一產(chǎn)業(yè)產(chǎn)值，第二產(chǎn)業(yè)產(chǎn)值，第三產(chǎn)業(yè)產(chǎn)值，外貿(mào)進(jìn)出口總額，鐵路貨運(yùn)量，公路貨運(yùn)量，水路貨運(yùn)量；Y表示欽州港港口吞吐量。

表1 影響欽州港口貨物吞吐量的廣西區(qū)各經(jīng)濟(jì)指標(biāo)值 單位：億元/萬(wàn)噸

2.2 模型的建立

BP網(wǎng)絡(luò)是一種單向傳播多層前向網(wǎng)絡(luò)，BP網(wǎng)絡(luò)運(yùn)用的是BP算法。BP算法是一種監(jiān)督學(xué)習(xí)算法，此算法除考慮最后一層外，還考慮網(wǎng)絡(luò)中其他各層權(quán)值參數(shù)的變化，使得算法適用于多層網(wǎng)絡(luò)。由于一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)可以任意逼近一個(gè)非線性函數(shù)，因此，選擇三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真模擬。其中輸入層為欽州港口吞吐量的各影響因素，即第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、外貿(mào)進(jìn)出口總額、鐵路貨運(yùn)量、公路貨運(yùn)量、水路貨運(yùn)量，共7個(gè)變量。輸出層為欽州港口吞吐量，為1個(gè)變量，根據(jù)經(jīng)驗(yàn)公式初步確定隱含層神經(jīng)元的個(gè)數(shù)取4個(gè)，經(jīng)過(guò)反復(fù)的訓(xùn)練，最終確定神經(jīng)元的個(gè)數(shù)為5個(gè)時(shí)，網(wǎng)絡(luò)預(yù)測(cè)的誤差最小，相對(duì)穩(wěn)定。網(wǎng)絡(luò)隱含層神經(jīng)元的激活函數(shù)采用S型正切函數(shù)tansig.m，輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù)purelin.m，采用改進(jìn)BP算法進(jìn)行學(xué)習(xí)，得到如圖2所示的BP網(wǎng)絡(luò)模型。此時(shí)，隱層神經(jīng)元的輸入權(quán)重為ω（i,j），閾值b1=[1.8546,1.0691,0.2035,-0.5142,-1.7573 ]；輸出層神經(jīng)元的輸入權(quán)重為ω2=[0.3542,-0.6036,-0.4570,-0.2524,0.6074]，閾值b2=0.5539。

其中，i=5為隱層神經(jīng)元個(gè)數(shù)，j=7為輸入變量個(gè)數(shù)。

圖2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

3 實(shí)例分析

根據(jù)上述分析，欽州港港口吞吐量的影響因素為第一產(chǎn)業(yè)產(chǎn)值（X1），第二產(chǎn)業(yè)產(chǎn)值（X2），第三產(chǎn)業(yè)產(chǎn)值（X3），外貿(mào)進(jìn)出口總額（X4），鐵路貨運(yùn)量（X5），公路貨運(yùn)量（X6）和水路貨運(yùn)量（X7），應(yīng)用1999～2012年的樣本數(shù)據(jù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。模型構(gòu)建由網(wǎng)絡(luò)訓(xùn)練、測(cè)試和預(yù)測(cè)三個(gè)階段進(jìn)行。因此，將數(shù)據(jù)分為訓(xùn)練樣本、測(cè)試樣本和預(yù)測(cè)樣本。

（1）訓(xùn)練樣本：1999～2010年的影響因素?cái)?shù)據(jù)作為訓(xùn)練樣本的輸入數(shù)據(jù)，2000～2011年的欽州港口貨物吞吐量作為訓(xùn)練樣本的輸出數(shù)據(jù)。

（2）測(cè)試樣本：2000～2011年的影響因素?cái)?shù)據(jù)作為測(cè)試樣本的輸入數(shù)據(jù)，2001～2012年的欽州港口貨物吞吐量作為測(cè)試樣本的輸出數(shù)據(jù)。

（3）預(yù)測(cè)：2001～2012年的影響因素?cái)?shù)據(jù)作為輸入數(shù)據(jù)，預(yù)測(cè)2002～2013年的欽州港口貨物吞吐量。

構(gòu)建三層的BP神經(jīng)網(wǎng)絡(luò)，應(yīng)用訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用測(cè)試樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，反復(fù)進(jìn)行訓(xùn)練和測(cè)試的過(guò)程，直到訓(xùn)練的誤差達(dá)到最小，此時(shí)得到最佳的BP網(wǎng)絡(luò)模型，再應(yīng)用預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，得出預(yù)測(cè)結(jié)果。

3.1 數(shù)據(jù)處理

為了加快BP網(wǎng)絡(luò)的學(xué)習(xí)速度，減少較大數(shù)值對(duì)預(yù)測(cè)結(jié)果的影響，需要將樣本數(shù)據(jù)進(jìn)行歸一化處理。本文應(yīng)用MTLAB神經(jīng)網(wǎng)絡(luò)工具箱中的premnmx函數(shù)進(jìn)行歸一化處理，采用postmnmx函數(shù)進(jìn)行反歸一化處理。

MATLAB7.0程序?qū)崿F(xiàn)過(guò)程如下：

3.2 網(wǎng)絡(luò)訓(xùn)練與測(cè)試

數(shù)據(jù)歸一化處理后，構(gòu)建三層BP網(wǎng)絡(luò)，其中，隱含層神經(jīng)元個(gè)數(shù)為5個(gè)，其激活函數(shù)為“tansig”；輸出層神經(jīng)元個(gè)數(shù)為1，其激活函數(shù)為“purelin”；應(yīng)用“train.m”函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，學(xué)習(xí)的速度快誤差小。其MATLAB7.0程序?qū)崿F(xiàn)如下：

網(wǎng)絡(luò)訓(xùn)練過(guò)程如圖3所示。

圖3 網(wǎng)絡(luò)訓(xùn)練過(guò)程

通過(guò)6次訓(xùn)練達(dá)到設(shè)定的精度，網(wǎng)絡(luò)學(xué)習(xí)的速度較快。應(yīng)用歸一化后的測(cè)試樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試，MATLAB7.0程序?qū)崿F(xiàn)過(guò)程如下：

得到測(cè)試結(jié)果如表2所示，在測(cè)試過(guò)程中，2012年欽州港口吞吐量的實(shí)際值為5 622萬(wàn)噸，預(yù)測(cè)值為5 619萬(wàn)噸，相對(duì)誤差為0.0016，相對(duì)誤差小于0.01，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功，可以用于欽州港口吞吐量的預(yù)測(cè)。

表2 目標(biāo)值與預(yù)測(cè)值對(duì)照表

3.3 預(yù)測(cè)

經(jīng)過(guò)多次反復(fù)訓(xùn)練，得到相對(duì)誤差最小時(shí)BP網(wǎng)絡(luò)的權(quán)值和閾值，運(yùn)用訓(xùn)練好的BP網(wǎng)絡(luò)權(quán)值和閾值預(yù)測(cè)，得到預(yù)測(cè)結(jié)果見(jiàn)表3，具體MATLAB7.0程序?qū)崿F(xiàn)如下：

表3 欽州港口吞吐量預(yù)測(cè)結(jié)果

4 結(jié) 論

BP網(wǎng)絡(luò)預(yù)測(cè)的方法相對(duì)于其他定量方法來(lái)說(shuō)，它能夠模擬多變量、無(wú)需對(duì)輸入變量做復(fù)雜的相關(guān)假定，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)能力，獲得輸入輸出之間的映射關(guān)系來(lái)進(jìn)行預(yù)測(cè)，因此BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)應(yīng)用于港口吞吐量的預(yù)測(cè)具有一定的應(yīng)用價(jià)值。隨著時(shí)間的推移，訓(xùn)練樣本的增加，能夠進(jìn)一步減小BP網(wǎng)絡(luò)的預(yù)測(cè)誤差，能夠獲得更好的預(yù)測(cè)效果。

[1]祝建.我國(guó)港口吞吐量預(yù)測(cè)方法研究綜述[J].中國(guó)水運(yùn)，2010(11):34-35.

[2]胡雪棉，趙國(guó)浩.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)煤炭需求預(yù)測(cè)模型[J].中國(guó)管理科學(xué)，2008(Z1):521-525.

[3]劉枚蓮，朱美華.基于BP神經(jīng)網(wǎng)絡(luò)的港口吞吐量預(yù)測(cè)模型[J].系統(tǒng)科學(xué)學(xué)報(bào)，2012(4):88-91.

[4]黃順泉，曲林遲，余思勤.中國(guó)港口功能的聚類和判別[J].交通運(yùn)輸工程學(xué)報(bào)，2011,11(4):77-83.

[5]丁松兵.基于因子分析的港口物流需求預(yù)測(cè)——以上海港為例[J].港口經(jīng)濟(jì)，2012(8):16-18.