基于神經(jīng)網(wǎng)絡鐵路貨運量的預測

1、基于神經(jīng)網(wǎng)絡的鐵路貨運量預測研究匯報人 學號 專業(yè) 指導老師 摘要針對現(xiàn)有鐵路貨運量預測方法存在較大突變性誤差的問題，用以學習記憶波動情況，建立基于神經(jīng)網(wǎng)絡預測鐵路貨運量模型，并以我國19922013年鐵路貨運量為實例對方法進行檢驗，并與兩種傳統(tǒng)預測方法結果進行對比。實例表明，該方法有效減小突變性誤差，預測精度較高，神經(jīng)網(wǎng)絡在進行動態(tài)系統(tǒng)預測時效果更佳。關鍵詞：鐵路貨運量；神經(jīng)網(wǎng)絡；預測1研究背景及意義1.1研究背景貨運量預測是鐵路運輸部門一項重要工作, 因此, 關于鐵路貨運量預測理論和方法的研究一直是一個熱點。但是，鐵路貨運量受多種因素影響, 且各因素的作用機制通常不能或無法用精確的數(shù)學語言

2、來準確描述。目前, 國內(nèi)學者已利用灰色系統(tǒng)理論 、分形理論、Rough Set 理論 、回歸分析 、支持向量機模型 、徑向基神經(jīng)網(wǎng)絡 、BP 神經(jīng)網(wǎng)絡等方法對鐵路貨運量進行預測。1.2研究意義鐵路貨運量預測是根據(jù)鐵路運輸現(xiàn)狀的統(tǒng)計數(shù)據(jù), 結合國民經(jīng)濟和社會發(fā)展規(guī)劃及相關運輸行業(yè)發(fā)展規(guī)劃, 采用數(shù)理統(tǒng)計方法對規(guī)劃年度內(nèi)鐵路貨物運輸量進行推測，具有重要意義：1、作為制定鐵路發(fā)展規(guī)劃的依據(jù)及運輸企業(yè)經(jīng)營決策的前提；2、是合理制定鐵路運輸發(fā)展計劃的基礎，是評價鐵路建設項目經(jīng)濟效益和社會效益的重要依據(jù)之一；3、鐵路貨運量作為貨運市場體系中的重要統(tǒng)計指標，為鐵路運輸占有貨運市場份額提供了重要的依據(jù)；預測貨

3、運量發(fā)展趨勢是制定鐵路貨物運輸營銷戰(zhàn)略的前提和基礎，對鐵路貨運組織的實施具有重要作用。由此可見，對鐵路貨運量進行預測研究具有重大意義1.3數(shù)據(jù)來源數(shù)據(jù)來源于中國統(tǒng)計局統(tǒng)計年鑒。為檢驗方法的有效性和實用性,以我國1992 2013年鐵路貨運量數(shù)據(jù)為例,進行擬合和測試。選取鐵路貨運量影響因素為:國內(nèi)生產(chǎn)總值、工業(yè)增加值、全國鋼鐵產(chǎn)量、能源生產(chǎn)總量、全國糧食產(chǎn)量、全國鐵路貨車擁有量、全國鐵路營業(yè)里程。這7個影響因素分別記為X1、X2、X3、X4、X5、X6、X7,全國鐵路貨運量記為Y。數(shù)據(jù)如下表所示。將數(shù)據(jù)進行隨機打亂，以年份為編號，如下圖所示，一共22個樣本，其中18個學習，4個進行檢驗。2.構建

4、模型神經(jīng)網(wǎng)絡模型結構為：m×n×p選取鐵路貨運量影響因素為:國內(nèi)生產(chǎn)總值、工業(yè)增加值、全國鋼鐵產(chǎn)量、能源生產(chǎn)總量、全國糧食產(chǎn)量、全國鐵路貨車擁有量、全國鐵路營業(yè)里程，即輸入層為個數(shù)為7，輸出層為全國鐵路貨運量，個數(shù)為1，2.1隱含層節(jié)點數(shù)的選取選取一個隱含層，隱含層節(jié)點數(shù)的選取是一門藝術，通過不斷試驗選定為45，過程如下：學習樣本個數(shù)18全部樣本個數(shù)22輸入層元素7輸出層元素1學習速率參數(shù)1.5平滑因子參數(shù)0.7訓練控制誤差0.01分級迭代級數(shù)16數(shù)據(jù)轉換區(qū)間=0.20.8采用控制變量法，其他參數(shù)也都默認不變，隱含層節(jié)點數(shù)分別取5，10，20，25，30，35，40，45、

5、50、55、60、65發(fā)現(xiàn)n取45時各項誤差都最小，如下表所示：隱含層節(jié)點數(shù)5101520253035404550556065學習誤差4540.5384533.3354467.7424845.3074148.6673868.9493888.9344014.1863631.864472.8624611.6174384.6014095.468檢驗誤差5028.9796831.2395931.4265132.1461768.2062085.6033560.0262503.8192198.9651537.6711487.5242216.6772475.764全部誤差4633.1775029.83647

6、67.4094898.7093827.6033610.8223831.2333784.6753416.3324098.644219.3124077.0963851.971為了避免n=45附近有更佳的隱含層節(jié)點數(shù)，所以取4149之間的隱含層節(jié)點數(shù)分別計算，通過比較得出隱含層節(jié)點數(shù)n為45時，各項誤差最小，計算結果如下表迭代次數(shù)35414243444546474849學習誤差3888.9343965.1424277.4133765.0463981.4443631.864025.2623776.1434540.2684355.207檢驗誤差3560.0262719.2342379.8322481.1

7、011400.152198.9651855.6062481.1014540.2682397.773全部誤差3831.2333769.3693999.9273566.1533650.5033416.3323725.9673575.744252.1174069.9462.2訓練控制誤差和分級迭代級數(shù)的確定剛開始也是采用控制其他參數(shù)不變只改變其中一個參數(shù)的方法，控制誤差為0.01，迭代級數(shù)為16，是最佳的組合，后來試驗兩個參數(shù)進行微小的變動，這樣可以避免一些誤差比較小的組合，訓練控制誤差分別取0.005、0.01、0.02、0.03、0.04；迭代次數(shù)分別為8-18，計算結果如下表，果不其然，發(fā)現(xiàn)控

8、制誤差為0.005，分級迭代次數(shù)為15時誤差最小，計算結果如下表2.3學習速率和動量系數(shù)確定跟前面的方法一樣，若采用控制變量法進行確定參數(shù)，最好的組合應該是學習速率為1.5，動量系數(shù)為0.7；但是若進行兩個參數(shù)進行微小的變動，動量系數(shù)分別取0.5、0.6、0.7、0.8、0.9；學習速率分別取0.5、1.0、1.5、2.0，可以看出學習速率1.0，動量系數(shù)為0.5的時候誤差最小，又避免漏掉了更優(yōu)的組合，計算結果如下表最終各參數(shù)確定如下：學習樣本個數(shù)18全部樣本個數(shù)22輸入層元素7隱含層節(jié)點數(shù)45輸出層元素1學習速率參數(shù)1.5平滑因子參數(shù)0.7訓練控制誤差0.01分級迭代級數(shù)16數(shù)據(jù)轉換區(qū)間=0

9、.20.83.模擬結果分析3.1模擬結果誤差分析根據(jù)上面確定的各參數(shù)，用構造的基于神經(jīng)網(wǎng)絡鐵路貨運量預測模型進行模擬預測，計算相對誤差，計算測結果如下表結果分析：根據(jù)上表計算結果顯示，相對誤差的最大值為2.232%，最小值為0.182%，相對誤差平均值為1.138%，誤差值還是很小的，精度比較高。3.2擬合結果通過模擬結果圖可以發(fā)現(xiàn)，除了個別點又很小的偏差外，兩條曲線基本是重合的，效果非常好，說明用本神經(jīng)網(wǎng)絡預測模型預測值精度很高。4與傳統(tǒng)方法進行比較分析4.1選擇兩種傳統(tǒng)方法進行預測傳統(tǒng)的BP神經(jīng)網(wǎng)絡和線性回歸方法進行鐵路貨運量的預測，預測結果和本神經(jīng)網(wǎng)絡進行比較分析，計算結果如下本神經(jīng)網(wǎng)絡

10、模型預測相對誤差的最大值為2.232%，最小值為0.182%，相對誤差平均值為1.138%；傳統(tǒng)BP神經(jīng)網(wǎng)絡預測相對誤差的最大值為7.172%，最小值為0.207%，相對誤差平均值為2.452%；線性回歸模型預測相對誤差的最大值為3.874%，最小值為0.254%，相對誤差平均值為2.326%；所以無論是從相對誤差的最大值、最小值和平均值比較，都是本神經(jīng)網(wǎng)絡模型預測的結果精度最高，效果最好，而且相對于兩種傳統(tǒng)方法精度有很大的提高，提高一倍多。4.2三種方法擬合結果通過計算三種方法的殘差，通過殘差圖可以看出，傳統(tǒng)的BP神經(jīng)網(wǎng)絡和線性回歸模型殘差都比較大，本神經(jīng)網(wǎng)絡效果最好，精度最高。5總結BP神

11、經(jīng)網(wǎng)絡的運用極其廣泛，并且在很多領域都很實用，本文通過神經(jīng)網(wǎng)絡建立全國鐵路貨運量預測模型，并以我國19922013年鐵路貨運量為實例對方法進行檢驗,并與傳統(tǒng)預測方法結果進行對比。實例表明本文中的神經(jīng)網(wǎng)絡方法用來預測鐵路貨運量是可行的，效果是顯著的，比傳統(tǒng)方法精度提高很多。通過本次學習研究也有一些體會，試驗樣本還是比較少，若能多一些樣本進行學習和檢驗結果或許會更好；參數(shù)的試算做的還不夠充分，可以再實驗多次得到更佳的參數(shù)組合；各個參數(shù)之間是相互影響的，固定其他參數(shù)不變而改變其中一個的方法，根據(jù)之前的小小嘗試發(fā)現(xiàn)，往往會有漏掉更好的組合，所以這是今后大家要好好研究的地方。參考文獻1. 胡伍生.神經(jīng)網(wǎng)絡理論及其工程應用M.測繪出版社,2006.2. 俞大剛.線性回歸模型分析M.北京:中國統(tǒng)計出版社,1987.3. 中國統(tǒng)計年鑒M.2013.Yearbook of China StatisticsM.2013.4. 郭玉華,陳治亞.基于經(jīng)濟周期的鐵路貨運量神經(jīng)網(wǎng)絡預測研究J.鐵道學報，2010.5. ZHA