基于遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的煤炭鐵路運(yùn)量預(yù)測模型研究

張正義,王公強(qiáng),牛天河

西安鐵路職業(yè)技術(shù)學(xué)院,陜西西安710014

煤炭鐵路運(yùn)量預(yù)測能夠有效調(diào)度鐵路車輛和優(yōu)化煤炭運(yùn)輸資源配置，更為鐵路煤炭運(yùn)輸通道發(fā)展規(guī)劃提供重要決策依據(jù)[1]。煤炭鐵路運(yùn)輸受諸多因素影響，從經(jīng)濟(jì)走勢看，當(dāng)前我國供給側(cè)改革進(jìn)入“快車道”，煤炭的產(chǎn)量發(fā)生了較大的變化，同時(shí)煤炭的價(jià)格也出現(xiàn)了較大的波動，價(jià)格變動直接影響需求量，需求量的變化直接影響煤炭運(yùn)輸活動。綜合相關(guān)的調(diào)研數(shù)據(jù)并結(jié)合文獻(xiàn)資料，可將影響煤炭鐵路運(yùn)輸?shù)年P(guān)聯(lián)影響歸納為以下9個(gè)基本要素，包括煤炭平均價(jià)格、煤炭鐵路運(yùn)輸費(fèi)用、煤炭公路運(yùn)輸費(fèi)用、煤炭水路運(yùn)輸費(fèi)用、煤炭消費(fèi)量、工業(yè)總產(chǎn)值、鐵路通車?yán)锍獭⒚禾慨a(chǎn)量、鐵路運(yùn)煤專線里程，內(nèi)容如表1所示。

表1 煤炭鐵路運(yùn)輸相關(guān)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(jīng)網(wǎng)絡(luò)作為炭煤鐵路運(yùn)量預(yù)測模型構(gòu)建的基礎(chǔ)，此種建模方法能夠充分利用小波變換的優(yōu)勢特征，保證模型具備較強(qiáng)的逼近與容錯能力[2]。但影響煤炭鐵路運(yùn)量的因素具有較強(qiáng)的復(fù)雜性和隨機(jī)性及不確定性，小波神經(jīng)網(wǎng)絡(luò)會容易引起振蕩效應(yīng)和陷入局部極小[3]。為了有效的改進(jìn)這一問題，需要將具有自然進(jìn)化規(guī)律的遺傳算法引入小波神經(jīng)網(wǎng)絡(luò)[4]。本文建立的預(yù)測模型以遺傳算法來克服小波神經(jīng)網(wǎng)絡(luò)的前期搜索不足，并集合遺傳算法的全局搜索尋優(yōu)和BP網(wǎng)絡(luò)局部搜索尋優(yōu)，保證預(yù)測結(jié)果精確。優(yōu)化模型首先進(jìn)行小波神經(jīng)網(wǎng)絡(luò)的參數(shù)確定，然后以優(yōu)化后的參數(shù)進(jìn)行小波神經(jīng)網(wǎng)絡(luò)計(jì)算，直至得到最優(yōu)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(jīng)網(wǎng)絡(luò)煤炭鐵路運(yùn)量預(yù)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(jù)建立的模型設(shè)定MATLAB求解，求解關(guān)鍵程序示例如下：

（1）數(shù)據(jù)歸一化程序示例

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

（2）遺傳算法優(yōu)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(jīng)網(wǎng)絡(luò)訓(xùn)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(yùn)量');end

（4）適應(yīng)度函數(shù)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(shù)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(shí)例驗(yàn)證

由前文確定的影響因素可知，在進(jìn)行模型求解時(shí)輸入和輸出的變量如表2所示。

表2 煤炭鐵路運(yùn)量預(yù)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(shù)據(jù)進(jìn)行小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練,選取了表1中1986～2015年的數(shù)據(jù)進(jìn)行訓(xùn)練和測試。

計(jì)算中持續(xù)對參數(shù)進(jìn)行修正訓(xùn)練，顯示其初始種群數(shù)為30時(shí)，MATLAB計(jì)算所得的遺傳算法誤差曲線如圖2所示，適應(yīng)度函數(shù)值變化曲線如圖3所示。由圖2和3橫坐標(biāo)可知，適應(yīng)度函數(shù)值和誤差（嫡）函數(shù)趨于穩(wěn)定在算法進(jìn)行了100代之后就不再發(fā)生變化。因此，將最大進(jìn)化代數(shù)100作為算法的結(jié)束條件。表3所示為測試樣本預(yù)測值和實(shí)際值之間的差異，樣本的預(yù)測值與實(shí)際值對比如圖4所示。

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

圖3 預(yù)測模型的適應(yīng)度值曲線Fig.3 The fitness value curve of predictive model

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

從預(yù)測結(jié)果看：在選定的測試樣本中，其預(yù)測值和實(shí)際值之間的相對誤差均不高于3%，由此可知本文構(gòu)建的煤炭鐵路運(yùn)量預(yù)測優(yōu)化模型具有較高精度，能反映煤炭鐵路運(yùn)量的形成機(jī)理。

圖4 模型的實(shí)際運(yùn)量和預(yù)測值Fig.4 Actual volume and forecast value of the model

4 結(jié)論

（1）綜合相關(guān)資料數(shù)據(jù)，最終確定了影響煤炭鐵路運(yùn)輸量的關(guān)聯(lián)因素，選取其中9個(gè)核心要素煤炭平均價(jià)格、鐵路煤炭運(yùn)輸費(fèi)用、公路煤炭運(yùn)輸費(fèi)用、水路煤炭運(yùn)輸費(fèi)用、煤炭消費(fèi)量、工業(yè)總產(chǎn)值、鐵路通車?yán)锍獭⒚禾慨a(chǎn)量、現(xiàn)有鐵路運(yùn)煤專線里程進(jìn)行關(guān)聯(lián)；

（2）由建立的優(yōu)化模型計(jì)算得到的最終結(jié)果可知，算法得到的運(yùn)量預(yù)測值與實(shí)際值的相對誤差均不高于3%，由此可以驗(yàn)證模型精度較高，同時(shí)表明選取的影響因素具有很高的關(guān)聯(lián)性。

[1]張翠云.基于灰色馬爾可夫鏈的鐵路煤炭運(yùn)量預(yù)測研究[J].煤炭經(jīng)濟(jì)研究,2007(12):41-43

[2]陳哲,馮天謹(jǐn).小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的研究進(jìn)展[J].電子科學(xué)學(xué)報(bào),2000,22(3):496-502

[3]曾水玲,宋鶯嬌,徐蔚鴻.基于遺傳算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化[J].吉首大學(xué)學(xué)報(bào):自然科學(xué)版,2005,26(3):178-180

[4]石永奎,胡夢龍,劉陽,等.基于Hopfield神經(jīng)網(wǎng)絡(luò)的煤礦避災(zāi)硐室安全評價(jià)[J].煤炭技術(shù),2015,34(12):177-179

[5]杜文莉,周仁,趙亮,等.基于量子差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J].清華大學(xué)學(xué)報(bào):自然科學(xué)版,2012(3):331-335