结合经济指标修正的GA-BP模型港口货物吞吐量预测

王新杰 陈淮莉

【关键词】 港口货物吞吐量预测;经济指标;GA-BP模型;主成分分析;上海港

0 引 言

随着“一带一路”建设的不断推进，我国进出口贸易总额逐年稳步上升，港口物流业迅速发展。有效预测港口货物吞吐量，能够优化资源配置、协调集疏运系统，为港口货运作业规划提供科学依据。常用的港口货物吞吐量预测方法有人工神经网络模型、时间序列模型、灰色预测模型和回归模型。人工神经网络模型有Elman神经网络、灰色神经网络和BP神经网络等算法，这些算法对非线性关系预测效果较好，但对网络的初始阈值和权值有较强依赖，容易陷入局部最优解;时间序列模型有移动平均法、指数平滑法以及自回归差分移动平均（ARIMA）模型等，这些算法能够较好地体现数据季节性变化，但对于突变波动的预测效果较差;灰色预测模型仅需少量数据即可进行预测，多应用于短期货物吞吐量年度数据的预测;回归模型可以突出数据变化的影响因素，通常会结合新兴技术广泛应用于港口货物吞吐量预测领域，但该方法需要大量的技术经济指标作为模型建立的依据，且数据统计难度较大。

影响港口货物吞吐量的因素众多且存在非线性关系。BP神经网络模型进行预测效果较好，但该模型容易陷入局部最优，且各月份因素指标获取难度较大;遗传算法（Genetic Algorithm，GA）具有良好的全局搜索能力，而经济指标[1]对货物吞吐量影响最大。因此，基于遗传算法优化神经网络模型（GA-BP模型），结合经济指标提出能够较好体现非线性变化、突出因果关系、数据收集难度适中的货物吞吐量短期预测模型。选取2012―2020年上海港货物吞吐量月度数据，运用GA-BP模型进行预测分析，并根据上海市经济指标设定经济影响函数，对准预测结果进行修正。试验证明，结合经济指标影响的GA-BP模型的预测效果比传统时间序列模型和BP神经网络模型更优。

1 考虑经济指标影响的GA-BP模型

1.1 问题描述

以全月货物吞吐量数据为一个预测周期，根据m周期的历史数据即{yt m+1，yt m+2，…，yt}，预测得到未来一个周期货物吞吐量的准预测值 ，其中yt表示第t月的货物吞吐量实际值。由于根据历史数据趋势外推得到的准预测值不能体现因果关系且具有不确定性，加之港口货物吞吐量必然受到港口腹地經济、港口规模、政策、天气等因素的影响，其中经济因素影响最显著，因而根据港口腹地经济指标对准预测值进行修正得到最终预测值 。具体流程见图1。

1.2.1 GA-BP模型

2 GA-BP模型算法

本文采用GA对BP的初始阈值和权值进行优化，确定最优初始阈值和权值后再运用BP进行预测，流程见图2。

为提高验证准确性，将上海港2012―2020年各月份货物吞吐量数据划分为3组进行训练和验证预测，数据集划分结果见图3。

通过SPSS软件对各个特征指标进行主成分分析，得到5个主成分并通过加权平均的方法计算综合得分。对结果进行非负处理并转化为[1，101]，最终得到各月份的经济指数。为体现经济指数对货物吞吐量的影响，运用MATLAB软件对2012―2020年的货物吞吐量与经济影响指数进行灰色关联度分析，得到二者的灰色关联度为0.74;根据经济影响指数得到各月度经济影响函数，并对GA-BP模型输出的准预测值进行修正（其中r=0.74，n=0.1），得到最终预测值（见表2）。

由表3可知，考虑经济指标影响的GA-BP模型预测结果的平均绝对误差为217.3、均方根误差为273.7、平均绝对误差百分比为5.2%。这说明预测效果优于ARIMA模型和BP神经网络模型。

4 结 语

利用GA较强的全局寻优能力，对BP的初始阈值和权值进行优化，同时考虑经济指标的影响，对港口货物吞吐量进行短期预测。结果表明：考虑经济指标影响的GA-BP模型预测效果最优，可以为同类型港口的货物吞吐量预测提供参考。然而，由于月度经济数据的缺失率较高、获取难度较大，因此部分指标采用指数指标作为替代，以致该模型存在一定的局限性。此外，运用该模型对其他港口货物吞吐量进行预测时，经济影响函数的参数需要根据数据进行修正。未来可在经济指标的选取以及模型参数的动态确定上作进一步研究。

参考文献：

[1] 黄建康，姚远. 港口吞吐量预测影响因素辨识研究[J]. 商场现代化，2014（22）：76-78.

[2] 梁明奇，王敏，朱江龙. 基于主成分分析法的五排水库水质评价[J]. 湖北大学学报（自然科学版），2021（2）：163-169.

[3] 杨洋，陈家俊. 基于群智能算法优化BP神经网络的应用研究综述[J]. 电脑知识与技术，2020（35）：7-10，14.