基于改进粒子群优化算法的灰色神经网络的铁路货运量预测

摘要:针对现有铁路货运量预测方法的不足，提出基于改进粒子群优化算法的灰色神经网络（IPSOGNN）的铁路货运量预测方法，通过IPSO对常规灰色神经网络（GNN）的白化参数进行优化，改善了GNN的不足，保证了预测精度；同时利用灰色关联分析法，计算了铁路货运量和影响因素间的关联度，以最主要的6个关联因素，建立了基于IPSOGNN的铁路货运量预测模型。仿真实验结果表明，在铁路货运量预测中此模型预测精度优于常规GNN及其他预测方法，说明此预测方法有效可行。

关键词:铁路货运量预测；粒子群优化算法；灰色神经网络；灰色关联分析；BP神经网络；Elman神经网络

中图分类号: TP18文献标志码:A

引言

铁路货运量作为货运市场体系中的重要统计指标，为铁路运输所占的货运市场份额提供了重要的依据。因此，预测货运量发展趋势是制定铁路货物运输营销战略的前提和基础，对铁路货运组织的实施具有重要作用［1］。但铁路货运是一个复杂的社会经济系统，受社会、经济、自然等多种因素的综合影响，且各因素的作用机制通常不能或无法用精确的数学语言来准确描述，因此铁路货运量预测属于复杂的非线性系统问题，这就导致其预测建模的困难性与多样性［2］。目前国内学者已利用灰色系统理论［2-4］、分形理论［5-6］、粗糙集（Rough Set）理论［7］、支持向量机模型（Support Vector Machine, SVM）［8］、人工神经网络［9-11］等方法对铁路货运量进行预测。

受环境因素、突发事件的影响，铁路货运量具有很强的波动性，因此使灰色系统理论、分形理论、Rough Set理论在短期货运量预测中的预测精度往往不高，另外SVM模型因主要参数（核函数σ及惩罚因子c）选取的困难性影响了其实用性。而基于神经网络和灰色模型的灰色神经网络(Grey Neural Network, GNN)，结合了神经网络非线性拟合能力强及灰色模型计算量小、少样本情况下精度较高的特点，这就在不同程度上克服了上述不足。但由于GNN权值和阈值随机初始化，导致了网络易陷入局部最优，而且每次预测结果不同，且偏差较大。

粒子群优化(Particle Swarm Optimization, PSO)算法是基于群体智能理论的优化算法，算法概念非常简单，具有好的鲁棒性及非常好的全局搜索能力，利用PSO优化GNN的参数可以改善上述不足。针对标准PSO容易陷入局部极小点且过早收敛的问题，本文采用一种改进的PSO算法(IPSO)，该算法能够较好地调整全局与局部搜索能力之间的平衡；并将其应用于GNN的参数优化。仿真结果表明基于IPSOGNN方法的预测精度优于常规GNN及其他智能预测方法，更加适合于铁路货运量预测。

1基于IPSOGNN预测模型

1.1PSO算法及算法改进

PSO算法是Kennedy等［12］受鸟群觅食行为的启发后于1995年提出来的，是基于群体智能理论的优化算法，通过鸟之间的集体协作使群体达到最优的过程。为更好地控制算法的开发和探索能力，Shi等［13］引入惯性权重w形成了标准版本。