基于神经网络的林区道路林产品货运量预测方法分析

李德才 (东北林业大学交通学院，黑龙江哈尔滨150040)

林区道路运输如今已经成为现代运输主要方式之一，同时，它也成为陆上货物运输的2个最基本运输方式之一。它在整个林业运输领域中都占有重要的地位，并扮演着愈来愈重要的角色。对我国林区道路林产品货运量及其发展趋势进行较为准确的预测可以有效规划和组织林区道路林产品货物运输，以提高林区道路林产品运输的经济效益和社会效益，从而满足国民经济快速增长和人民生活水平日益提高需要，对于林区道路林产品货运管理和决策具有十分重要的作用。

1 林区道路林产品货运量预测的研究方法

目前国内外已经有很多预测方式，按运输需求分析通常采用的方法一般分3种类型，即连续型、统计型和递推型。连续型包括灰色预测、模型法等预测方法;统计型包括德尔菲法(专家预测法)、趋势外推法、最小方差法、回归分析法、马尔柯夫预测法;递推型包括指数平滑法和残差辨识法［1－3］。

2 交通运输能力预测的实现

2．1 问题描述 人工神经网络作为一种并行的计算模型，具有传统建模方法所不具备的很多优点，有很好的非线性映射能力［4］。林区道路的货运量曲线是与很多因素有关的非线性函数。而对于抽取和逼近这种非线性函数，神经网络是一种比较合适的方法。它的优点在于具有模拟多变量而不需要对输入变量作复杂的相关假定的能力，不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽取和逼近隐含的输入/输出非线性关系。近年来的各方面研究表明相对于前几种方法，利用神经网络技术进行道路货运量预测可以进一步提高预测精度。笔者选取了12年的公路货运量数据，把每年看作一种类型的货运量数据，将这些数据依次按2001～2002年、2003年、2004～2012年进行分类，共计3类。该文采用第1种划分模式，把每一年不加区分地看成不同类型。

2．2 输入/输出向量设计 预测林区道路的货运量，从国家统计官网(http://data．stats．gov．cn/index)上得到 2001 ～2012年连续12年的准确数据作为参考(表1)。获得输入和输出变量后，对其进行归一化处理，将数据处理为［0，1］之间的数据。归一化的方法有很多种，这里采用如下公式:

近年，我国经济增长迅猛，交通运输能力也逐年攀升，而林区道路货运量的准确预测与我国的经济发展以及交通设施等都有紧密的联系。这里以我国2001～2012年的5个重要指标(包括国内生产总值、工业增加值、公路里程、民用载货车拥有量和货物运输量)作为网络训练的样本，预测2001～2012年的林区道路货运量，所有数据都已经归一化(表2)。

2．3 BP网络设计和网络训练 BP网络是各种系统预测中应用特别广泛的一种形式，这里采用BP网络对林区道路货运量进行预报。由于输入向量有5个元素，所以输入神经层的神经元就有5个。根据Kolomogorov定理可以知道，网络中间层的神经元可以取11个，而输出向量有2个，所以输出层中的神经元有2个。网络经过训练后才可以用于公路货运量预测的实际运用。考虑到网络的结构比较复杂，神经元个数比较多，需要适当增大训练次数和学习速率。训练参数的设定如下:训练次数，2 500;训练目标，0．000 000 35;学习速率，0．10。

经过5次网络训练后，得到的网络误差基本达到要求，见图1、2所示。

表1 2001～2012年公路货运量及其相关影响因素数据统计

表2 2001～2012年公路货运量及其相关影响因素归一化后数据统计

训练好的网络还需要进行测试才可以判定是否可以投入实际应用。这里的测试数据就是利用表1中的国内生产总值、工业增加值、公路里程、等级公路里程以及民用载货车拥有量来预测货运量和公路货运量，以检验误差能否满足要求。预报误差曲线如图2所示。由图可见，网络预测值和真实之间的误差非常小，除了第1次出现了一个相对较大的误差外，其余的误差均在0左右。即使是第1次的误差也只有0．06，这完全满足应用要求。

3 结论

借助我国2001～2012年国内生产总值的工业增加量，林区道路里程以及民用载货车拥有量和需要预测的输出林区道路货运量进行事前调查，用已知输入来预测输出，建立神经网络模型，运用MATLAB进行训练，再与已知输出相比较，检验误差。通过研究表明，基于神经网络的林区道路货运量的预测简单有效，准确并且容易掌握。

［1］何洪林，赵育新，钱俊，等．基于神经网络融合模型的头颅灌注图像分析［M］．杭州:浙江大学出版社，2010．

［2］韩琦．神经网络的稳定性及其在联想记忆中的应用研究［D］．重庆:重庆大学，2012．

［3］王琳．Hopfield神经网络盲均衡算法的研究［M］．南京:南京邮电大学出版社，2009．

［4］邢广成，强天伟．人工神经网络的发展与应用［J］．科技风，2012(15):66－89．