基于GA-SVM的三峽大壩過壩貨運量預測

（武漢理工大學 交通學院，湖北 武漢 430063）

1 引言

貨運量是貨物出行交通量的派生需求，不僅與最終產品的重量或體積相關，而且與中間產品生產和銷售的組織、運輸方式的選擇以及運輸組織效率等多種因素有關。而區域經濟發展水平與最終產品的產品結構、中間產品的生產和銷售組織、運輸組織效率等因素有著密切的關系。因此，區域經濟發展與域內貨運量密切相關。對于貨運量的準確預測,不僅有利于中央及各省市交通主管部門對公路客貨市場的發展趨勢進行宏觀的把握,而且有利于運輸企業決策者的決策行為[1]。

2 長江流域經濟發展及產業結構

長江是我國空間開發最重要的通道之一，貨運量位居全球內河第一，被譽為“黃金水道”，在我國總體發展格局中具有重要戰略地位。長江干線連接我國西南、華中以及華東三大城市群和經濟區，沿岸從上而下依次設有重慶、武漢、南京和上海等經濟中心及航運樞紐，長江干線流域內“七省二市”（云南省、四川省、重慶市、湖北省、湖南省、江西省、安徽省、江蘇省和上海市）經濟發展迅速且前景良好，是我國綜合實力最雄厚、生產互動最頻繁的區域之一。三峽樞紐[2]工程建成后極大地改善了庫區上游的通航條件，進一步發揮了水運成本低廉的優勢，為長江航運發展提供了新的契機。隨著國家“長江經濟帶”戰略的實施，三峽樞紐的戰略地位將更加突出。在國家戰略和經濟發展的推動下，三峽過壩整體仍呈現增長趨勢。2004-2016年三峽過壩貨運量、長江流域經濟發展相關歷史數據見表1。由表1可以看出，2004年三峽大壩完成貨運量4 308.5萬t，而2016年完成過壩貨運量為12 761.74萬t，同比增長6.1%，相比于2004年增長了196.2%，年均增長率為25.5%。其中上行完成貨運量6 900.19萬t，下行完成貨運量5 861.55萬t，分別占總量的54.1%和45.9%。經濟數據方面，近15年來區域各項數據均呈現增長趨勢，經濟增長速度穩定，GDP13年內增長約4倍，三大產業發展迅速，產業結構趨于合理。進出口貿易額總體上呈現穩定增長趨勢，人民生活水平持續提高，居民收入不斷攀升，推動消費市場運行，增幅呈現逐年提高態勢。長江流域經濟產業結構的發展態勢對三峽樞紐中長期綜合交通規劃具有重要的指導作用。

表1 2004-2016年長江干線流域基礎數據統計

3 三峽過壩貨運量預測

3.1 基于GA-SVM的模型構建

GA-SVM是結合遺傳算法和統計學習理論的合稱[4]。利用遺傳算法全局最優性及其自身潛在并行性的優勢對支持向量機進行改進，構造出遺傳算法優化支持向量機模型。支持向量機的性能很大程度上取決于參數C和σ，合理地選擇參數能提高其性能，傳統的參數選取方式具有一定的缺陷，而利用遺傳算法進行支持向量機參數的選擇能克服這種缺陷，從而改進支持向量機的性能。其基本思路是：首先對支持向量機模型參數編碼，然后根據設計好的遺傳算法適應度函數進行遺傳操作，完成計算后將最優參數代入第一步支持向量回歸機程序，并建立模型預測數據組，從而達到預測目的。

3.2 過壩貨運量預測

為證明指標數據的定量分析對預測具有現實意義，采用經遺傳算法改進后的支持向量機模型預測貨運量。利用構建好的gaSVMcgForRegress函數來實現遺傳算法的參數尋優迭代，函數接口為：其中支持向量機采用3-e-SVM，核函數采用RBF函數，懲罰參數C的取值范圍為[2-5,25]，RBF核函數參數σ的取值范圍為[2-5,25]，遺傳算法的最大進化代數為200，種群最大數量取20，交叉概率取0.4，變異概率取0.01。

為了能定量分析選取的指標對于預測具有現實意義，從相關性的角度來進行計算。將表1中數據導入到SPSS軟件中，對貨運量與其他指標做相關性分析，得到的結果見表2。

表2 過壩貨運量與其他指標相關系數表

根據表2所得數據來看，所有的相關性系數r均大于0.9，表明三峽過壩貨運量與其他經濟產業結構指標之間存在顯著相關性。由于各數據指標之間存在巨大差異，在運用模型預測前，需要對原始數據進行歸一化處理，結果見表3。

根據不同的預測目標，表3由9個影響因素和1個預測目標構成。預測目標：三峽過壩貨運總量（Y0）；預測的主要影響因素：GDP（X1）、第一產業產值（X2）、第二產業產值（X3）、第三產業產值（X4）、進出口貿易總額（X5）、城鎮居民人均可支配收入（X6）、農村居民家庭人均純收入（X7）、社會消費品零售總額（X8）以及固定資產投資額（X9）。首先前9行數據作為libsvm-mat工具箱中訓練函數svmtrain的輸入向量，而將第10行數據作為輸入向量所對應的輸出向量；利用這種思路對三峽過壩貨運量及主要貨類運量進行模型的擬合訓練，得到相應的訓練模型之后，再將前9行數據輸入到工具箱中svmpredit函數中去，得到三峽過壩貨運量的預測情況。反歸一化數據見表4。

表3 歸一化數據

表4 GA-SVM模型預測值及其誤差

GA-SVM模型利用遺傳算法的全局尋優能力搜索最優懲罰參數C和核函數參數σ，而傳統的SVM模型僅依靠經驗確定其值[5]。支持向量機的高維分類及映射能力的關鍵靠兩個參數C和σ實現，僅依靠經驗對其賦值存在一定的主觀性，很難得到最優結構。因此利用遺傳算法的全局尋優能力彌補這一“短處”，取得較好效果。GA-SVM模型原始值和預測值擬合曲線如圖1所示。從圖1可以看出預測值和實際值之間基本重合，誤差較小。傳統SVM和GA-SVM模型預測相關結果對比見表5。

表5 傳統SVM和GA-SVM模型預測相關結果對比

基于表5中GA-SVM預測模型所提供的最優參數C和σ對2017-2021年的三峽過壩貨運總量進行預測，基礎數據通過灰色模型預測，歸一化后代入程序，預測結果及反歸一化數值見表6。

表6 GA-SVM模型預測值及其誤差

表6反歸一化數值表示2017-2021年預測貨運總量分別為：13 125萬t，13 652萬t，14 029萬t，15 589萬t，15 765萬t。

4 長江流域產業經濟發展對三峽過壩貨運量的影響

三峽過壩貨運量的預測受很多因素的影響，其中最主要的就是區域經濟發展和產業結構調整等因素。對表1中長江流域共9個省、直轄市的GDP、第一產業、第二產業、第三產業和同期過壩貨運量作對數處理后（如圖2所示），從宏觀方面分析長江流域經濟結構變化對貨運量的影響。

從圖2可以看出，2004年以來，第一產業、第二產業、第三產業總值以及貨運量呈現穩定上升的趨勢，貨運量與GDP二者的變化趨勢相關程度很高。

圖2 長江流域經濟發展與貨運量趨勢

三產業占比趨勢如圖3所示。從圖3可以看出，三大產業呈現非均衡增長，就增速而言，第二產業平均增速較大，第一產業最小。整個長江流域仍以第二產業為主導產業，占比維持在50%左右。然而隨著產業優化升級等調整政策的實行，第三產業迅猛發展，并于2015年首次占比超過50%，首次超過第二產業產值。不難發現，長江干線流域第三產業逐漸取代第二產業的主導地位，側面上說明政府產業優化升級等調整政策取得良好的成效。

圖3 三產業占比趨勢

長江流域單位GDP的貨運量趨勢如圖4所示。由圖4可知，長江干線流域單位GDP貨運量（即貨運量與GDP的比值，單位：萬t/億元）總體處在下降趨勢。原因在于，一方面長江干線流域省份加快產業結構調整步伐，在發展工業的同時，帶動現代物流、信息、旅游、金融等服務業迅速發展，增加居民收入，促進社會消費；另一方面大力培育戰略性新興產業，減少高能耗高物耗的產業，導致單位GDP產生貨運量逐年下降。

圖4 長江流域單位GDP的貨運量趨勢

5 結語

本文根據搜集的9個影響因素近13年的歷史數據，以及作為預測指標的三峽過壩貨運總量近13年的統計數據，運用建立的GA-SVM模型進行訓練和預測，經實證此模型具有高精度性，證明經濟發展與貨運量之間存在一定的內在聯系。通過分析長江流域貨運量、GDP和產業結構變化趨勢，得到兩個結論：一是經濟總量與貨運量呈現正相關；二是貨運量受到內部結構即產業結構的影響。長江干線流域第三產業比重逐步增大，單位GDP產生的貨運量持續下落，反映產業結構調整帶來的貨物附加值提高，改善過去粗放式發展忽視經濟質量的情況，提高了經濟質量。

本文運用該模型對未來五年過壩貨運總量進行預測，為以后三峽過壩貨運量預測提供了一種新思路和方法，具有一定的參考作用。