BP神经网络在防城港货物吞吐量预测中应用.docVIP

BP神经网络在防城港货物吞吐量预测中应用 　　摘要:由于港口吞吐量的影响因素相当多,这些影响因素中大部分又是不可量化指标,造成数据收集和确定的困难。在介绍BP算法的基础下,使用基于时间序列的BP神经网络模型对防城港货物吞吐量进行预测,该模型不仅解决影响因素多、数据难收集的问题,而且是货物吞吐量预测方法中精度很高的一种有效方法。 　　关键词:时间序列;BP神经网络;货物吞吐量;预测 　　中图分类号:F224文献标识码:A 　　Abstract: There are many factors that influence the port throughput, and the majority of these factors is not quantifiable indicators, resulting in data collection and identification difficult. This paper, based on BP network, uses time-series-based BP network model to predict Fangchenggang cargo throughput. The model not only solves the problem of the difficulty of data collection and identification, but also is one effective method of cargo throughput. 　　Key words: time series; BP network; cargo throughput; forecast 　　 　　0引言 　　港口是社会和国民经济发展的基础性设施,对国民经济发展具有不可代替的作用,是港口发展战略研究的重要内容。正确预测港口吞吐量,对于合理、科学的港口布局、基本设施投资、营运策略、发展战略以及与集疏运相关的综合运输规划是十分重要的,并且事关港口经济腹地经济的发展和我国在国际经济中的竞争力。 　　港口吞吐量是一个复杂变量,受到多方面因素的影响。就这一作用系统而言,还存在着许多无法确知的内容和关系,它符合BP神经网络预测的特征。文中拟以防城港吞吐量为建模数据,用BP神经网络预测理论对其预测进行探讨。 　　1BP神经网络 　　1.1BP神经网络的理论基础。BP神经网络(Back-Propagation Network)包括以下四个单元:处理单元,即神经网络的神经元,输入层的处理单元将输入值转入相邻的联接权重,隐层和输出层的处理单元将它们的输入值进行求和,并根据传递函数计算输出值;联接权重,它将神经网络的处理单元联系起来,其值根据各处理单元的联接程度确定;阈值,它使网络更自由地获取所要描述的函数关系;传递函数,它将输入数据转化为输出数据,通常为非线性的logsig和tansig函数,有的输出也采用线性的purelin函数。 　　BP算法是由两部分组成:信息的正向传递与误差的反向传播。在正向传播过程中,输入信息从输入层经隐层逐层计算传向输出层。如果在输出层没有得到期望输出,则计算输出层的误差变化值,然后转为反向传播,通过网络将误差信号沿原来的连接通路反传回来修改各神经元的权值和阈值直至达到期望目标。 　　1.2BP神经网络预测的特点。(1)BP神经网络能学习和存储大量输入输出模式映射关系,而无需事先了解描述这种映射关系的数学方程,只要能提供足够多的样本模式对供BP网络进行学习训练,它便能完成由n维输出空间的非线性映射。(2)神经网络训练完成后,可以利用该网络对样本区域内的其它输入量求解其输出值,这种求值的方法称为神经网络的仿真或泛化。神经网络是否成功不在于对样本本身拟合误差的大小,而关键在于其泛化效果。(3)前馈神经网络允许输入样本中带有较大的误差甚至个别错误,因为对权值的调整过程也是从大量的样本中提取统计特征的过程,反映正确的规律来自全体样本,个别样本中的误差不能对权值的调整带来很大影响。 　　2防城港货物吞吐量预测的BP神经网络建模 　　2.1建模原理。一般而言,影响港口货物吞吐量的因素可以分为可量化和不可量化因素。其中类似于港口所在地区的经济水平等指标是可量化,但是其它的影响因素如政策因素、港口自然条件、世界经济形势、管理因素、服务因素等指标是不可量化的,一些因素是不确定的,还有一些因素会随时间变化而变化的,此外,可能还存在一些没有考虑到的因素。同时,获取充足的历史数据相当困难。因此,本文采用基于时间序列的BP神经网络对防城港货物吞吐量进行预测。 　　(1)首先将样本序列分组,每m+1个值为一组,前m个值作为网络的输入,后一个值作为输出