基于神經(jīng)網(wǎng)絡(luò)鐵路貨運(yùn)量的預(yù)測(cè)

1、基于神經(jīng)網(wǎng)絡(luò)的鐵路貨運(yùn)量預(yù)測(cè)研究匯報(bào)人 學(xué)號(hào) 專業(yè) 指導(dǎo)老師 摘要針對(duì)現(xiàn)有鐵路貨運(yùn)量預(yù)測(cè)方法存在較大突變性誤差的問題，用以學(xué)習(xí)記憶波動(dòng)情況，建立基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)鐵路貨運(yùn)量模型，并以我國(guó)19922013年鐵路貨運(yùn)量為實(shí)例對(duì)方法進(jìn)行檢驗(yàn)，并與兩種傳統(tǒng)預(yù)測(cè)方法結(jié)果進(jìn)行對(duì)比。實(shí)例表明，該方法有效減小突變性誤差，預(yù)測(cè)精度較高，神經(jīng)網(wǎng)絡(luò)在進(jìn)行動(dòng)態(tài)系統(tǒng)預(yù)測(cè)時(shí)效果更佳。關(guān)鍵詞：鐵路貨運(yùn)量；神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)1研究背景及意義1.1研究背景貨運(yùn)量預(yù)測(cè)是鐵路運(yùn)輸部門一項(xiàng)重要工作, 因此, 關(guān)于鐵路貨運(yùn)量預(yù)測(cè)理論和方法的研究一直是一個(gè)熱點(diǎn)。但是，鐵路貨運(yùn)量受多種因素影響, 且各因素的作用機(jī)制通常不能或無法用精確的數(shù)學(xué)語言

2、來準(zhǔn)確描述。目前, 國(guó)內(nèi)學(xué)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(jī)模型 、徑向基神經(jīng)網(wǎng)絡(luò) 、BP 神經(jīng)網(wǎng)絡(luò)等方法對(duì)鐵路貨運(yùn)量進(jìn)行預(yù)測(cè)。1.2研究意義鐵路貨運(yùn)量預(yù)測(cè)是根據(jù)鐵路運(yùn)輸現(xiàn)狀的統(tǒng)計(jì)數(shù)據(jù), 結(jié)合國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展規(guī)劃及相關(guān)運(yùn)輸行業(yè)發(fā)展規(guī)劃, 采用數(shù)理統(tǒng)計(jì)方法對(duì)規(guī)劃年度內(nèi)鐵路貨物運(yùn)輸量進(jìn)行推測(cè)，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(yùn)輸企業(yè)經(jīng)營(yíng)決策的前提；2、是合理制定鐵路運(yùn)輸發(fā)展計(jì)劃的基礎(chǔ)，是評(píng)價(jià)鐵路建設(shè)項(xiàng)目經(jīng)濟(jì)效益和社會(huì)效益的重要依據(jù)之一；3、鐵路貨運(yùn)量作為貨運(yùn)市場(chǎng)體系中的重要統(tǒng)計(jì)指標(biāo)，為鐵路運(yùn)輸占有貨運(yùn)市場(chǎng)份額提供了重要的依據(jù)；預(yù)測(cè)貨

3、運(yùn)量發(fā)展趨勢(shì)是制定鐵路貨物運(yùn)輸營(yíng)銷戰(zhàn)略的前提和基礎(chǔ)，對(duì)鐵路貨運(yùn)組織的實(shí)施具有重要作用。由此可見，對(duì)鐵路貨運(yùn)量進(jìn)行預(yù)測(cè)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(guó)統(tǒng)計(jì)局統(tǒng)計(jì)年鑒。為檢驗(yàn)方法的有效性和實(shí)用性,以我國(guó)1992 2013年鐵路貨運(yùn)量數(shù)據(jù)為例,進(jìn)行擬合和測(cè)試。選取鐵路貨運(yùn)量影響因素為:國(guó)內(nèi)生產(chǎn)總值、工業(yè)增加值、全國(guó)鋼鐵產(chǎn)量、能源生產(chǎn)總量、全國(guó)糧食產(chǎn)量、全國(guó)鐵路貨車擁有量、全國(guó)鐵路營(yíng)業(yè)里程。這7個(gè)影響因素分別記為X1、X2、X3、X4、X5、X6、X7,全國(guó)鐵路貨運(yùn)量記為Y。數(shù)據(jù)如下表所示。將數(shù)據(jù)進(jìn)行隨機(jī)打亂，以年份為編號(hào)，如下圖所示，一共22個(gè)樣本，其中18個(gè)學(xué)習(xí)，4個(gè)進(jìn)行檢驗(yàn)。2.構(gòu)建

4、模型神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為：m×n×p選取鐵路貨運(yùn)量影響因素為:國(guó)內(nèi)生產(chǎn)總值、工業(yè)增加值、全國(guó)鋼鐵產(chǎn)量、能源生產(chǎn)總量、全國(guó)糧食產(chǎn)量、全國(guó)鐵路貨車擁有量、全國(guó)鐵路營(yíng)業(yè)里程，即輸入層為個(gè)數(shù)為7，輸出層為全國(guó)鐵路貨運(yùn)量，個(gè)數(shù)為1，2.1隱含層節(jié)點(diǎn)數(shù)的選取選取一個(gè)隱含層，隱含層節(jié)點(diǎn)數(shù)的選取是一門藝術(shù)，通過不斷試驗(yàn)選定為45，過程如下：學(xué)習(xí)樣本個(gè)數(shù)18全部樣本個(gè)數(shù)22輸入層元素7輸出層元素1學(xué)習(xí)速率參數(shù)1.5平滑因子參數(shù)0.7訓(xùn)練控制誤差0.01分級(jí)迭代級(jí)數(shù)16數(shù)據(jù)轉(zhuǎn)換區(qū)間=0.20.8采用控制變量法，其他參數(shù)也都默認(rèn)不變，隱含層節(jié)點(diǎn)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(shí)各項(xiàng)誤差都最小，如下表所示：隱含層節(jié)點(diǎn)數(shù)5101520253035404550556065學(xué)習(xí)誤差4540.5384533.3354467.7424845.3074148.6673868.9493888.9344014.1863631.864472.8624611.6174384.6014095.468檢驗(yàn)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(diǎn)數(shù)，所以取4149之間的隱含層節(jié)點(diǎn)數(shù)分別計(jì)算，通過比較得出隱含層節(jié)點(diǎn)數(shù)n為45時(shí)，各項(xiàng)誤差最小，計(jì)算結(jié)果如下表迭代次數(shù)35414243444546474849學(xué)習(xí)誤差3888.9343965.1424277.4133765.0463981.4443631.864025.2623776.1434540.2684355.207檢驗(yàn)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(xùn)練控制誤差和分級(jí)迭代級(jí)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(gè)參數(shù)的方法，控制誤差為0.01，迭代級(jí)數(shù)為16，是最佳的組合，后來試驗(yàn)兩個(gè)參數(shù)進(jìn)行微小的變動(dòng)，這樣可以避免一些誤差比較小的組合，訓(xùn)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(jì)算結(jié)果如下表，果不其然，發(fā)現(xiàn)控

8、制誤差為0.005，分級(jí)迭代次數(shù)為15時(shí)誤差最小，計(jì)算結(jié)果如下表2.3學(xué)習(xí)速率和動(dòng)量系數(shù)確定跟前面的方法一樣，若采用控制變量法進(jìn)行確定參數(shù)，最好的組合應(yīng)該是學(xué)習(xí)速率為1.5，動(dòng)量系數(shù)為0.7；但是若進(jìn)行兩個(gè)參數(shù)進(jìn)行微小的變動(dòng)，動(dòng)量系數(shù)分別取0.5、0.6、0.7、0.8、0.9；學(xué)習(xí)速率分別取0.5、1.0、1.5、2.0，可以看出學(xué)習(xí)速率1.0，動(dòng)量系數(shù)為0.5的時(shí)候誤差最小，又避免漏掉了更優(yōu)的組合，計(jì)算結(jié)果如下表最終各參數(shù)確定如下：學(xué)習(xí)樣本個(gè)數(shù)18全部樣本個(gè)數(shù)22輸入層元素7隱含層節(jié)點(diǎn)數(shù)45輸出層元素1學(xué)習(xí)速率參數(shù)1.5平滑因子參數(shù)0.7訓(xùn)練控制誤差0.01分級(jí)迭代級(jí)數(shù)16數(shù)據(jù)轉(zhuǎn)換區(qū)間=0

9、.20.83.模擬結(jié)果分析3.1模擬結(jié)果誤差分析根據(jù)上面確定的各參數(shù)，用構(gòu)造的基于神經(jīng)網(wǎng)絡(luò)鐵路貨運(yùn)量預(yù)測(cè)模型進(jìn)行模擬預(yù)測(cè)，計(jì)算相對(duì)誤差，計(jì)算測(cè)結(jié)果如下表結(jié)果分析：根據(jù)上表計(jì)算結(jié)果顯示，相對(duì)誤差的最大值為2.232%，最小值為0.182%，相對(duì)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(jié)果通過模擬結(jié)果圖可以發(fā)現(xiàn)，除了個(gè)別點(diǎn)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(luò)預(yù)測(cè)模型預(yù)測(cè)值精度很高。4與傳統(tǒng)方法進(jìn)行比較分析4.1選擇兩種傳統(tǒng)方法進(jìn)行預(yù)測(cè)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和線性回歸方法進(jìn)行鐵路貨運(yùn)量的預(yù)測(cè)，預(yù)測(cè)結(jié)果和本神經(jīng)網(wǎng)絡(luò)進(jìn)行比較分析，計(jì)算結(jié)果如下本神經(jīng)網(wǎng)絡(luò)

10、模型預(yù)測(cè)相對(duì)誤差的最大值為2.232%，最小值為0.182%，相對(duì)誤差平均值為1.138%；傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差的最大值為7.172%，最小值為0.207%，相對(duì)誤差平均值為2.452%；線性回歸模型預(yù)測(cè)相對(duì)誤差的最大值為3.874%，最小值為0.254%，相對(duì)誤差平均值為2.326%；所以無論是從相對(duì)誤差的最大值、最小值和平均值比較，都是本神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的結(jié)果精度最高，效果最好，而且相對(duì)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(jié)果通過計(jì)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(luò)和線性回歸模型殘差都比較大，本神經(jīng)網(wǎng)絡(luò)效果最好，精度最高。5總結(jié)BP神

11、經(jīng)網(wǎng)絡(luò)的運(yùn)用極其廣泛，并且在很多領(lǐng)域都很實(shí)用，本文通過神經(jīng)網(wǎng)絡(luò)建立全國(guó)鐵路貨運(yùn)量預(yù)測(cè)模型，并以我國(guó)19922013年鐵路貨運(yùn)量為實(shí)例對(duì)方法進(jìn)行檢驗(yàn),并與傳統(tǒng)預(yù)測(cè)方法結(jié)果進(jìn)行對(duì)比。實(shí)例表明本文中的神經(jīng)網(wǎng)絡(luò)方法用來預(yù)測(cè)鐵路貨運(yùn)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(xué)習(xí)研究也有一些體會(huì)，試驗(yàn)樣本還是比較少，若能多一些樣本進(jìn)行學(xué)習(xí)和檢驗(yàn)結(jié)果或許會(huì)更好；參數(shù)的試算做的還不夠充分，可以再實(shí)驗(yàn)多次得到更佳的參數(shù)組合；各個(gè)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(gè)的方法，根據(jù)之前的小小嘗試發(fā)現(xiàn)，往往會(huì)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(xiàn)1. 胡伍生.神經(jīng)網(wǎng)絡(luò)理論及其工程應(yīng)用M.測(cè)繪出版社,2006.2. 俞大剛.線性回歸模型分析M.北京:中國(guó)統(tǒng)計(jì)出版社,1987.3. 中國(guó)統(tǒng)計(jì)年鑒M.2013.Yearbook of China StatisticsM.2013.4. 郭玉華,陳治亞.基于經(jīng)濟(jì)周期的鐵路貨運(yùn)量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究J.鐵道學(xué)報(bào)，2010.5. ZHA