基于遺傳神經(jīng)網(wǎng)絡(luò)算法的城市區(qū)域圈物流預(yù)測研究

楊粟涵　于蕾

摘 要

BP神經(jīng)網(wǎng)絡(luò)算法的初始值和閾值用遺傳算法來進(jìn)行優(yōu)化，用此優(yōu)化后的遺傳神經(jīng)網(wǎng)絡(luò)算法對城市區(qū)域圈物流量進(jìn)行預(yù)測。以合肥都市圈為例，用2013-2018年與物流量相關(guān)的六個指標(biāo)作為輸入來預(yù)測2019年城市圈的物流貨運量。使用Matlab7.0軟件編碼運行，結(jié)果證明，該算法時間少、精度高，預(yù)測效果更好。

關(guān)鍵詞

物流量預(yù)測;遺傳算法;BP神經(jīng)網(wǎng)絡(luò)

中圖分類號： TP301.6 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A

DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 06 . 80

0 引言

區(qū)域經(jīng)濟(jì)一體化近年來發(fā)展迅速，各城市間生產(chǎn)要素自由流動，互利互惠，形成命運共同體。各城市間頻繁地進(jìn)行物資和信息的交換，僅僅一個城市的各種數(shù)據(jù)已不能滿足相關(guān)部門對當(dāng)?shù)亟?jīng)濟(jì)發(fā)展水平的衡量。城市區(qū)域圈內(nèi)數(shù)據(jù)共享，形成協(xié)同效應(yīng)，方能體現(xiàn)數(shù)據(jù)統(tǒng)計的準(zhǔn)確性。本文以合肥都市圈為例，研究合肥，馬鞍山，蕪湖，淮南，六安，滁州六個城市的相關(guān)物流數(shù)據(jù)，通過對歷史數(shù)據(jù)的分析來對下一年的物流數(shù)據(jù)進(jìn)行預(yù)測。

城市的物流貨運量反映了城市經(jīng)濟(jì)發(fā)展對物流運輸?shù)男枨螅诂F(xiàn)代高速變化的經(jīng)濟(jì)形勢下，物流貨運需求量不斷變化，及時準(zhǔn)確地預(yù)測顯得尤為重要。但是城市區(qū)域圈貨運量受很多因素的影響，而且與其影響因素存在著復(fù)雜的非線性映射關(guān)系[1]，很多傳統(tǒng)的數(shù)據(jù)預(yù)測方法是基于時間序列，或者是因果關(guān)系[2]，其數(shù)據(jù)的內(nèi)部結(jié)構(gòu)與復(fù)雜性不能完全被反映。因此，尋找有效較優(yōu)的城市區(qū)域圈物流貨運量預(yù)測方法甚為必要。

1 城市區(qū)域圈物流預(yù)測

對物流數(shù)據(jù)的預(yù)測方法很多，一般有兩種：定性預(yù)測法和定量預(yù)測法。一般情況下的常用定性預(yù)測是專家預(yù)測法，常用的定量預(yù)測法主要包括概率統(tǒng)計和運籌學(xué)中的回歸分析預(yù)測法、時間序列預(yù)測法、灰色預(yù)測法、彈性預(yù)測法等。合肥都市圈物流貨運量受該區(qū)域經(jīng)濟(jì)形勢、產(chǎn)業(yè)結(jié)構(gòu)布局、貨物運輸量等其他因素影響，且其與影響因子之間存在非線性關(guān)系，因此采用傳統(tǒng)的預(yù)測方法難以為繼。合肥都市區(qū)域圈主要的物流貨運量影響因子有：產(chǎn)業(yè)結(jié)構(gòu)布局，包括第一產(chǎn)業(yè)、第二產(chǎn)業(yè)和第三產(chǎn)業(yè)增加值;區(qū)域社會居民消費，即區(qū)域社會消費品零售總額;區(qū)域進(jìn)出口貿(mào)易，即區(qū)域進(jìn)出口貿(mào)易總額;區(qū)域人口，即年末常住人口總量。因此，采集以上6個影響因子的數(shù)據(jù)，通過啟發(fā)式算法建立模型來預(yù)測城市區(qū)域圈的物流貨運量。

2 遺傳神經(jīng)網(wǎng)絡(luò)算法

2.1 遺傳算法

遺傳算法是參照達(dá)爾文生物進(jìn)化論和遺傳學(xué)機(jī)理的一種模擬計算算法模型，是通過模擬生物進(jìn)化來從可行解中搜尋最優(yōu)解的方法[3]。遺傳算法是從代表問題可行解解集的其中一個種群開始，種群則由經(jīng)過編碼的一定數(shù)目的個體所組成。個體實際上是帶有特征的染色體實體。染色體是多個基因的集合，基因型決定了個體的外部表現(xiàn)。開始需要進(jìn)行編碼工作，初始代種群產(chǎn)生之后，按適者生存、優(yōu)勝劣汰的原理，逐代演化出越來越優(yōu)的近似解。在每一代進(jìn)行個體選擇時，是根據(jù)問題域中個體的適應(yīng)度大小，并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合、交叉、變異，產(chǎn)生出代表新的種群。

遺傳算法的三種操作：（1）選擇-復(fù)制：一個種群S，規(guī)模為N，每個染色體xi∈S的被選擇概率為P（xi）， 分N次從S中隨機(jī)選定N個染色體，進(jìn)行復(fù)制。

（2）交叉：就是互換兩個染色體某些位上的基因。種群中產(chǎn)生了新個體，決定了遺傳算法的全局搜索能力。把交叉率記為參加交叉運算的染色體占染色體總數(shù)的比例，記為Pc，取值范圍可以從0.4到0.99。（3）變異：就是改變?nèi)旧w某個（些）位上的基因。決定了遺傳算法的局部搜索能力，同時保持種群的多樣性。把變異率記為發(fā)生變異的基因位數(shù)占染色體基因總位數(shù)的比例，記為Pm，取值范圍可以從0.0001到0.1。

算法步驟：（1）群體中個體適應(yīng)度值的計算;（2）利用比例選擇算子，計算個體被選中遺傳到下一代的概率;（3）采用模擬輪盤賭操作來確定個體是否被遺傳到下一代中。

2.2 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)算法具有大規(guī)模地進(jìn)行并行處理、分布式的信息存儲方式、良好的自組織學(xué)習(xí)能力等優(yōu)良性能[4]，理論上可以逼近任意一個函數(shù)，有非常強(qiáng)的非線性映射的能力，并且網(wǎng)絡(luò)中的中間的層數(shù)、各層的處理單元數(shù)、網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)等各項參數(shù)都可以根據(jù)實際情況來進(jìn)行設(shè)定，靈活性非常大。

一般為兩層BP網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)階段有兩個：（1）把學(xué)習(xí)樣本輸入，通過網(wǎng)絡(luò)結(jié)構(gòu)和上一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層開始向后把各神經(jīng)元的輸出計算出來;（2）修改權(quán)值和閾值，從最后一層開始，向前計算各權(quán)值、閾值對總誤差的影響，然后進(jìn)行修改。兩個階段交替反復(fù)，直至達(dá)到條件收斂。

2.3 遺傳神經(jīng)網(wǎng)絡(luò)算法建模

圖1 BP神經(jīng)網(wǎng)絡(luò)算法流程圖

BP神經(jīng)網(wǎng)絡(luò)算法能夠解決大規(guī)模復(fù)雜非線性問題，但是其有局部尋優(yōu)的特性，易陷入局部最優(yōu)，引起震蕩、收斂速度慢等。遺傳算法是一種全局優(yōu)化算法，通過其選擇交叉變異操作，能夠有效的擺脫陷入局部最優(yōu)的困境，獲得全局最優(yōu)解。因此，可以采用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值[5]，并賦給神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值與閾值，即可解決其局部最優(yōu)的困境。

3 遺傳神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)

根據(jù)合肥區(qū)域圈物流貨運量的影響因素，選取合肥，馬鞍山，蕪湖，淮南，六安，滁州六個城市的2013-2018年第一產(chǎn)業(yè)增加值、第二產(chǎn)業(yè)增加值、第三產(chǎn)業(yè)增加值、區(qū)域社會消費品零售總額、區(qū)域進(jìn)出口貿(mào)易總額、年末常住人口總量六項指標(biāo)作為城市區(qū)域圈物流貨運量預(yù)測的輸入變量。由于上述各個指標(biāo)的數(shù)量級不一樣、單位不一樣，比如億元和萬元單位之間在量級上差別很大。該類數(shù)據(jù)直接輸入，會使得神經(jīng)網(wǎng)絡(luò)發(fā)生震蕩，難以收斂，同時也會使得遺傳網(wǎng)絡(luò)收斂速度降低，因此需要對原始數(shù)據(jù)進(jìn)行歸一處理，公式為：

其中，X（t）為數(shù)據(jù)歸一化處理后的結(jié)果，min（d（t））為原始數(shù)據(jù)中的最小值，max（d（t））為原始數(shù)據(jù)中的最大值。歸一化處理后保證后續(xù)數(shù)據(jù)處理的準(zhǔn)確性，實驗顯示，歸一后的數(shù)據(jù)在（0，1）之間。

使用 MATLAB 7.0軟件環(huán)境進(jìn)行遺傳神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與測試，用合肥城市區(qū)域圈2013-2018年相關(guān)物流影響因子數(shù)據(jù)作為輸入，2019年城市圈物流貨運量作為輸出。主要部分為利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)重以及初值進(jìn)行優(yōu)化。

（1）確定遺傳算法個體編碼的長度。設(shè)置全局變量，把輸入所需的權(quán)值和閾值合并成一個個體，神經(jīng)網(wǎng)絡(luò)的權(quán)重包括兩部分，輸入層與隱含層之間的權(quán)值以及隱含層與輸出層的權(quán)值。閾值包括中間隱含層的各神經(jīng)元的閾值和輸出層神經(jīng)元的閾值，由此確定編碼長度。

（2）根據(jù)解編碼函數(shù)，將每一個個體拆分，分別賦權(quán)值，并通過傳輸函數(shù)，計算輸出，并計算網(wǎng)絡(luò)輸出與實際值的誤差平方和。

（3）計算各個體的適應(yīng)值，用適應(yīng)度函數(shù)確定，并返回給遺傳算法主函數(shù)。

（4）遺傳算法主函數(shù)中通過選擇、交叉、變異，直至誤差滿足設(shè)定的值。

（5）BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試。是個不斷迭代選擇最佳參數(shù)的過程，不斷訓(xùn)練計算各個神經(jīng)元的權(quán)重，從而使輸出誤差結(jié)果能越來越小。

（6）結(jié)果輸出。

4 結(jié)論

根據(jù)實驗結(jié)果采用反歸一法得到2019年合肥城市區(qū)域圈的物流貨物量的預(yù)測值。可在本年末與真實數(shù)據(jù)進(jìn)行對比，驗證該算法的有效性。本文中的遺傳神經(jīng)網(wǎng)絡(luò)算法是用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，算法運行在收斂時間及解的質(zhì)量精度上都比原始神經(jīng)算法要有所改進(jìn)，具有一定的可行性。城市區(qū)域圈物流量以及其他相似數(shù)據(jù)可以借助遺傳神經(jīng)算法進(jìn)行預(yù)測，提供了一種客觀，科學(xué)、有效的決策方法，為城市區(qū)域圈的經(jīng)濟(jì)發(fā)展及規(guī)劃制定提供幫助。

參考文獻(xiàn)

[1]王穎林，賴笈宇，郭豐敏.建設(shè)需求量預(yù)測分析中的人工神經(jīng)網(wǎng)絡(luò)和多元回歸方法[J].武漢工程大學(xué)學(xué)報，2013：77-80，86.

[2]程學(xué)珍，林曉曉，朱春華，等.基于時序信息的模糊Petri 網(wǎng)電網(wǎng)故障診斷方法[J].電工技術(shù)學(xué)報，2017，32（14）：229-237.

[3]王小平，曹立明.遺傳算法：理論、應(yīng)用及軟件實現(xiàn)[M].西安：西安交通大學(xué)出版社，2002.

[4]侯媛彬，杜京義，汪梅.神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社，2007：8.

[5]馬銀軍.基于BP 神經(jīng)網(wǎng)絡(luò)的物流量預(yù)測方法研究[J].物流科技，2010（05）：81-83.