【分　 类】 医药卫生
【关 键 词】 货运量 BP神经网络 网络模型
【来 　源】 互联网
【收　 录】 中文学术期刊网

正文：

 
 

2. 数据归一化处理

一个合适的归一化方法能极大减少训练次数而加快训练速度。本文采用的是以S型函数作为转移函数，该函数的值域是[0, 1]，因此训练时要把数据规范到[0, 1]，因为0和1分别是S型函数的最小值和最大值，为了达到0或1必须训练很多次并修改权值，导致训练速度很慢,所以数据处理时应尽量避开0或1。归一化公式为：
 (i=1,2,…n)
式中——原始资料的第个实际样本的第i个实际样本的输入值
　　　——规范化后第个实际样本的第i个实际样本的输入值
　　　——根据数据实际情况所取的低于数据中最小值的数值
　　　——根据实际数据情况所取的大于数据中最大值的数值
数据归一化后的数据如表2所示：

年份	GDP      (亿元)	全社会固定资产投资  (亿元)	第一产业      (亿元)	第二产业    (亿元)	第三产业    (亿元)	货物周转量  (亿吨公里)	货运量      （万吨）
1999	-0.8692	-0.9542	-1.0000	-0.9481	-0.9415	-0.9199	1.0000
2000	-0.8610	-0.9530	-1.0000	-0.9442	-0.9369	-0.9186	1.0000
2001	-0.8452	-0.9476	-1.0000	-0.9384	-0.9278	-0.9188	1.0000
2002	-0.8262	-0.9394	-1.0000	-0.9312	-0.9178	-0.9183	1.0000
2003	-0.8151	-0.9334	-1.0000	-0.9265	-0.9116	-0.9190	1.0000
2004	-0.7899	-0.9150	-1.0000	-0.9146	-0.8994	-0.9135	1.0000
2005	-0.7817	-0.9030	-1.0000	-0.9067	-0.8975	-0.8818	1.0000
2006	-0.7609	-0.8832	-1.0000	-0.8876	-0.8876	-0.8844	1.0000

表 2 归一化后的数据表

3. 构建人工神经网络模型

选取表1中1999~2004年各指标值作为样本输入，1999~2004年的全社会货物运输量作为样本输出，以此来训练BP神经网络并预测2006年的全社会货物运输量。
建立一个含一个隐含层的BP神经网络，由于输入样本有六个指标故第一层（隐含层）神经元个数设置为2×6+1=13个，而样本输出仅一个全社会货物运输量指标，故第二层（输出层）神经元个数设置为一个。训练函数设置为trainlm函数，自适应函数设置为learngdm函数，第一层的传递函数设置为tansig函数，第二层的传递函数设置为purelin函数。训练周期设置为100，平均误差平方和设置为10^-10。
经过权值初始化后对BP网络进行训练，其模拟逼近的误差曲线如图1所示：
 
 
 
 
 
      
 
 
 
 
 
 
 
 
 
图1 误差曲线图
从图1可以看出，该BP网络经过六个训练周期即达到了要求的目标误差范
围，训练效果较好。用2005年各指标值作为模拟输入c，导入训练好的BP网络，经过模拟即可得到2006年的货物运输量预测值y， y=[1.0148]。最后利用postmnmx函数对y进行反归一化处理，得到2006年货物运输量的预测值为19417，与2006年货物运输量的实际值20817.75的误差率为0.0673。因为影响货物运输量的经济和非经济因素众多，故指标的选取不能完全反应出规律性，另外2005和2006年的货运量较前几年的增长幅度很大，因此，本文的预测还是可以接受的。

5. 结束语

   本文阐述的货运量需求预测模型，是建立在对经济与物流之间内在关系研究的基础上提出的BP神经网络预测模型。该模型在一定程度上反映了经济与货运量之间的复杂映射关系，它不同于以往简单的货运量预测线性回归或者时间序列预测模型，更重要的是本模型不是直接利用物流数据本身来预测货运量，而是采用经济指标来对货运量需求进行预测，为从经济与物流一体化的角度研究物流需求提供了新的思路。

 2/3   首页 上一页 1 2 3 下一页 尾页