２０１３年 第１期 第３５卷总第２２３期 ＬＯＧＩＳＴＩＣＳ ＥＮＧＩＮＥＥＲＩＮＧ ＡＮＤ ＭＡＮＡＧＥＭＥＮＴ 物流工程与管理 经济与管理 ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７４－４９９３．２０１３．０１．０４８ 基于ＢＰ神经网络的我国粮食产量预测 口孙淑生，任（武汉科技大学管理学院，湖北娟 武汉４３００８１） 【摘要】粮食是一个国家的立国之本，对于中国而言，粮食问题占据举足轻重的地位，甚至关系到整个社会的稳 定。文中基于ＢＰ神经网络，在过去二十三年的粮食产量数据的基础上对中国２０１２—２０１６年的粮食产量进行了预测，基 于预测结果可知未来五年中国粮食是可以满足人口的需求的，从而确定未来五年政府的粮食储备工作．－ｑ－￣有所缓解。 【关键词】ＢＰ神经网络；粮食产量；预测 【中图分类号】ＴＰ１８３ 【文献标识码】 Ｂ 【文章编号】 １６７４—４９９３（２０１３）０１—０１２７—０２ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＢＰＮＮ ｆｏｒ Ｆｏｒｅｃａｓｔ ｏｆ Ｃｈｉｎｅｓｅ Ｇｒａｉｎ Ｏｕｔｐｕ 口ＳＵＮ Ｓｈｕ—ｓｈｅｎｇ，ＲＥＮ Ｊｕａｎ （Ｓｃｈｏｏｌ ｏｆ Ｍａｎａｇｅｍｅｎｔ，Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ ４３００８１，Ｃｈｉｎａ） 【Ａｂｓｔｒａｃｔ】Ｇｒａｉｎ ｉｓ ｔｈｅ ｏｆｕｎｄａｔｉｏｎ ｏｆ ａ ｃｏｕｎｔｒｙ，ｆｏｒ Ｃｈｉｎａ，ｇｒａｉｎ ｐｒｏｂｌｅｍ ｏｃｃｕｐｙ ａｎ ｉｍｐｏｒｔａｎｔ ｓｔａｔｕｓ，ａｎｄ ｅｖｅｎ ｒｅｌａｔｅｄ ｔｏ ｔｈｅ ｓｔａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｗｈｏｌｅ ｓｏｃｉｅｔｙ．Ｂａｓｅｄ ｏｎ ｔｈｅ ｆｏｏｄ ｐｒｏｄｕｃｔｉｏｎ ｏｆ ｐａｓｔ ２３ ｙｅａｒｓ，ｔｈｉｓ ｔｈｅｓｉｓ ｆｏｒｅｃａｓｔ ｔｈｅ ｇｒａｉｎ ｏｕｔｐｕｔ ｏｆ ｃｈｉｎａ ｆｏｒｍ ２０１２ ｔｏ ２０１６ ｂｙ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ｔｈｅｎ ａｎａｌｙｚｅ ｗｅａｔｈｅｒ ｃａｎ Ｃｈｉｎａ’Ｓ ｇｒａｉｎ ｍｅｅｔ ｔｈｅ ｎｅｅｄｓ ｏｆ ｔｈｅ ｐｏｐｕｌａｔｉｏｎ ｏｒ ｎｏｔ ｂａｓｅｄ ｏｎ ｐｒｅｄｉｃｔｉｎｇ ｏｕｔｅｏｍｅｓ．Ｃｏｎｓｅｑｕｅｎｔｌｙ，ｔｈｉｓ ｔｈｅｓｉｓ ｕｎｄｅｒｌｉｅｓ ｇｒａｉｎ ｒｅｓｅｒｖｅｓ ｗｏｒｋ ｏｆ ｔｈｅ ｇｏｖｅｒｎｍｅｎｔ ｉｎ ｎｅｘｔ ５ ｙｅａｒｓ． 【Ｋｅｙ ｗｏｒｄｓ】ＢＰＮＮ；ｒｇａｉｎ ｏｕｔｐｕｔ；ｆｏｒｅｃａｓｔ １ 引言 期进行了测定，然后建立了预警模型，对我国近期的粮食产量 走势进行了预。 基于以上分析，本文将基于ＢＰ神经网络对我国粮食产量 进行预测，以便预测精度更高，更合乎我国粮食生产的客观 实际。 ２ ＢＰ神经网络的描述 ＢＰ网络是一种具有三层或三层以上神经元的神经网络， 粮食是人们维持生存的必需品，粮食产量的高低严重影 响到粮食的安全体系进而关系到人的生存需要能否满足，它 是整个国家安全系统的一个重要部分。我国是一个处于经济 转型阶段的人口大国，其粮食安全不能出现任何闪失，因为粮 食生产的波动必然会引发整个国民经济乃至金融界的波动。 国际上预测粮食产量主要有三种方法：气象产量预测法、 遥感技术、统计动力学生长模拟法。这三种方法的预测提前 包括输入层、中间层（隐层）和输出层。上下层之间实现全连 接，而每层神经元之间无连接。当一对学习样本提供给网络 期通常为两个月左右，预测误差为产量的５～１０％。这是由于 当地表作物尚未生长到一定程度时，很难利用遥感技术进行 预测，而目前世界气象科学的发展水平对１个月以上的天气 情况还难以作出可靠预测。 国内研究粮食产量预测的文献不是特别多。张素文、李 晓青主要是用传统的多元回归模型的方法，分析了湖南近５０ 年来粮食播种面积、粮食产量的总体变化趋势；对影响湖南省 后，神经元的激活值从输入层经各中间层向输出层传播，在输 出层的各神经元获得网络的输入响应。接下来，按照减少目 标输出与实际输出之间误差的方向，从输出层反向经过各中 间层回到输入层，从而逐层修正各连接权值，这种算法称为 “误差反向传播算法”，即ＢＰ算法。最常见得是三成ＢＰ网， 如图１所示： ３ ＢＰ神经网络的模型建立 粮食总产量的各项因子做了灰色关联分析，建立模型预测出 湖南省２０１０年的粮食总产量。尹宗成将粗糙集理论引入我 ①变量假定：参数ｋ＝１，２…．，ｍ。 网络输入向量Ｐ＾＝（ｏ。，ｎ：…．，。 ）； 国粮食产量预测，通过属性约简从诸多影响因素中提取关键 因素，并对各因素重要程度进行排序，得到一致、完备的预测 规则。刘兴、顾海英利用谱分析法对中国粮食生产的波动周 网络目标向量 ＝（Ｙ。，Ｙ２…．，Ｙ。）； 中间层单元输入向量，输出向Ｓ ＝（Ｓ ，ｓ：，…， ），输出 【收稿日期】２０１２—１２—１６ 【作者简介】孙淑生（１９６８一），女，黑龙江齐齐哈尔人，武汉科技大学管理学院，教授，博士后，管理科学与工程系主任，研究方向： 物流管理、现代管理理论与方法。 任娟（１９８８一），女，湖北仙桃人，武汉科技大学管理学院硕士研究生，研究方向：物流管理。 １２８ 向 ８ ＝ ，Ｌ ▲Ｔ●● 物流工程与管理 第３５卷 本，把剩下的３组数据作为检验样本对未来的产量作以预测； 把目标误差设为０．０００１，训练次数设为５０００次，学习率定位 Ｏｆ ▲ ６ 为０．０１。 利用ＭＡＴＬＡＢ编程我们就可以得到一下的结果： ６ Ｐ ） ¨ 从图２训练误差性能曲线图我们可以看出来，只需要迭 代２次就达到了我们的误差界限，从而可见我们选择改进后 的ＬＭ算法的训练函数是非常合适的。 Ｄ＾● ▲ｔ．● Ｏ▲ 图１三层ＢＰ网 ▲Ｔ● 输出层单元输入向量，输出向量Ｌ ＝（ｆ ，ｚ …．，ｚ。），输 出向量Ｃ ＝（ｃｌ，ｃ２，…，Ｃ。）； 输入层至中间层的连接权Ｗ ｉ：１，２，…，ｎ， ＝１， ２，…，Ｐ； 中间层至输出层的连接权 ， ＝１，２…．，Ｐ，ｔ＝１， ２，…Ｐ； 图２网络迭代图 中间层各单元的输出阀值ｏｊ√＝１，２，．．．，Ｐ； 输出层各单元的输出阀值 ， ＝１，２，．．．，ｐ； ②模式传播过程： 中间层各单元的输入： ＝ Ｚｗ Ｗ ，吼～ ｏｉ Ｊ．＝ｌ，２，．．．，；Ｐ 通过仿真来检验网络对训练样本的输出，得到的运行结 果如下： Ｃｏｌｕｍｎｓ １ ｔｈｒｏｕｇｈ ５ ４．５１１９ ４．５７３１ ４．３１３７ ４．６９０１ ４．８５３６ Ｃｏｌｕｍｎｓ ６ ｔｈｒｏｕｇｈ ８ ４．９７３５ ５．０１３６ ５，２８３０ 中间层各单元的输出：ｂｉ＝，（Ｓｊ） 输出层各单元的输出：￡ ６，一 ＝１，２，…，Ｐ； ｔ＝１，２，．．．，ｑ； ｔ＝１，２…．，ｑ； 通过对训练数据观察可以看出，对训练数据的仿真拟合 具有很高的精度。 我们对检验样本仿真得到预测数据如下： ａ＝５．３０７１ ５．４６４０ ５．７】０７ 输出层各单元的响应：Ｃ ＝，（Ｌ ）误差函数：０（ｎ）＝ｐｕｒｅｌｉｎ＝ｎ ４ ＢＰ神经网络输入数据的预处理 输入数据的预处理就是将数据归一化或标准化，是指通 表１ 过变换处理将网络的输人数据限制在［０，１］区间内，常见的变 换式：＿ｉ＝ ｍａｘ ；其中， 代表输入数据，Ｘｍｉｎ代表数据变 ｒｎｉｎ 化的最小值，９ｆｍａｘ代表数据变化的最大值。这样将１９８９～２０１ １ 的数据输入值进行归一化处理，减少了识别数据的动态范围， 使得预测结果更准确。 ５模型的实证研究 本文的预测系统模型采用的是ＢＰ神经网络的三层模型， 由表１可知，预测误差较小，预测的情况也比较理想。 利用该模型对我国未来五年的粮食产量预测如表２： 表２ ２０１２￣２０１６年粮食产量预测值（亿吨） 输入层有１２个神经元，隐层有１０个神经元，输出层有１个神 经元，即粮食的产量。输入层与隐层的传输函用双曲正切ｓ 形函数（函数表达式为ｏ（ｎ）＝ｔａｎｓｉｇ（ｎ）＝ Ｊ十 ），隐层与输 出层的传递函数为线性传输函数（函数表达式为ａ（ｎ）＝ ｐｕｒｅｌｉｎ＝ｎ），训练函数用ｔｒａｉｎｇｌｍ。其算法最大的优点就是避 免了陷入局部最优化状态。 在选用的１１组数据里面，用其中的８组数据作为训练样 ６结论 通过ＢＰ人工神经网络对２０１２～２０１６年（下转第７５页） 第１期 刘军等：基于微粒群算法的农产品物流配送路径优化研究 表４ 微粒群算法与分派算法的最好结果比较 粒群算法各参数：将种群规模划定为４０，由两个规模为２２的 子种群组成（子种群间有２个重叠的微粒数），Ｗ…＝０．９， … ：０．４，ｃ ＝２，ｃ ＋ｃ ＝２，最大进化２００代。将程序运行１０次， 得出实验１０次２００次迭代的平均结果，如表３所示。 表３平均计算结果 ６结语 将农产品物流配送问题归结为车辆数目不确定的带时间 窗的车辆路径问题，并在微粒群算法理论的基础上提出具有 自适应能力的ＣＯＭＰＳＯ算法来求解该问题，较好地反映了农 将种群运行２００次的结果显示，４０个微粒表现出了相同 的配送方案，且该配送方案１００％达到最优解。最终结果是： 产品物流配送的特殊性，同时避免了计算的溢出，使计算结果 需采用３辆车完成任务，总的行驶路径长９１０ｋｍ。其中第一 中每个解始终代表一种配送方案。数值试验表明，该改进的 辆车实际装载量为８ｔ（吨），实现满载，配送线路为：０—３—１— 微粒群算法能有效处理车辆数目不确定的带时间窗的车辆路 ２—０，路径长２４０ｋｍ；第二辆车装载７ｔ离开配送中心，经路线０ 径问题，为农产品物流配送路径的选择提供最佳方案。 —６—４—０，行驶２６５ｋｍ完成任务，满载率为８７．５％；第三辆车 满载率也是８７．５％，装载７ｔ，经０—８—５—７—０，行驶路径长 ［参考文献］ ４０５ｋｍ完成任务。图１是该ＣＯＭＰＳＯ的进化过程，全过程运 ［１］王凤云，冉文学，张巧霞．蚁群算法在卷烟配送路径优化 行时间为，显然，改进的微粒群算法能很快得到一个最优解。 中的应用研究［Ｊ］．物流技术，２０１１，（５）：６９—７２． ［２］邱荣祖，钟聪儿等．基于ＧＩＳ和与禁忌搜索集成技术的农 产品物流配送路径优化［Ｊ］．数学的实践与认识，２０１１， （１０）：１４５—１５２． ［３］叶安新．基于遗传算法的烟草配送车辆路径优化问题 ［Ｊ］．计算机系统应用，２０１１，（４）：２４１—２４４． ［４］Ｎ．Ｃｏｒｍｉｅｒ；Ｇ．Ｃｏｒｍｉｅｒ；Ｇ．Ｐｏｉｔｒａｓ；Ｌ．一Ｅ．Ｂｒｉｚｚｉ；Ａｕｔｏｍａｔｅｄ ｃｒｉｔｉｃａｌ ｐｏｉｎｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ ＰＩＶ ｄａｔａ ｕｓｉｎｇ ｍｕｌｔｉｍｏｄａｌ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ［Ｊ］；Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｆｏｒ Ｎｕｍｅｒｉｃａｌ Ｍｅｔｈｏｄｓ ｉｎ Ｆｌｕｉｄｓ；２０１２，（７）：９２３—９３８． ［５］Ｙａｎｗｕ Ｇｕ；Ｍｕｌｔｉ—Ｏｂｊｅｃｔｉｖｅ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ Ｍｕｌｔｉ—Ａｇｅｎｔ Ｅｌｅｖａｔｏｒ Ｇｒｏｕｐ Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ Ｂａｓｅｄ ｏｎ Ｒｅａｌ—Ｔｉｍｅ Ｐａｒｔｉｃｌｅ 图１进化２００代的ＣＯＭＰＳＯ运行结果 Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ［Ｊ］；Ｅｎｇｉｎｅｅｒｉｎｇ；２０１２，（４）： ３６８—３７８． 将本文的算法与常用的分派算法进行比较，如表４所示。 ［６］王红玲，郑纲．烟草配送路径优化的研究与应用［Ｊ］．中国 改进的微粒群算法不仅运行时间比其他算法要少，且因为其 商贸，２０１２，（２）：１４０—１４１． 在搜索最短路径时，会自行寻找满足要求的最少车辆数，因 ［７］李军．车辆调度问题的分派启发式算法［Ｊ］．系统工程理 此，其计算结果，解的质量和稳定性会明显优于其它算法。改 论与实践，１９９９，１１７，（１）：２７—３３ １６． 进的微粒群算法是求解车辆路径问题的一种较好方法。 （上接第１２８页） 许多有待解决的问题，需要我们进一步地分析研究，相信随着 中的我国粮食产量的预测可知，未来五年我国粮食产量将达 研究的不断深入，神经网络会在预测领域发挥越来越重要的 到６亿多吨，基本满足我国人口的需求量，政府储存粮食的工 作用。 作可以有所缓解。 ＢＰ神经网络的预测虽然很精确，但其算法依然存在着一 ［参考文献］ 定的局限性，主要表现在以下四个方面： ［１］杨江民，张凤太．基于主成分分析法的重庆直辖ｌ０年后 ①没有确定隐层神经元个数的确定性方法； 农业发展动态研究［Ｊ］． ②网络学习率不稳定； ［２］褚春雷．几种方法在粮食产量预测中的比较研究［Ｊ］． ③用ＢＰ所得到的网络性能差； ［３］施彦，韩力群，廉小亲．神经网络设计方法与实例分析 ④网络易陷入局部最小，使ＢＰ网络不能以高精度逼近 ［Ｍ］．北京：北京邮电大学出版社． 实际系统。 ［４］葛哲学，孙志强．神经网络理论与ＭＡＴＬＡＢ Ｒ２００７实现 总之，在基于ＢＰ神经网络的粮食产量预测研究中存在着 ［Ｍ］．北京：电子工业出版社．
