CN108288115A - 一种物流企业日常短期快递业务量预测方法 - Google Patents
一种物流企业日常短期快递业务量预测方法 Download PDFInfo
- Publication number
- CN108288115A CN108288115A CN201810212384.1A CN201810212384A CN108288115A CN 108288115 A CN108288115 A CN 108288115A CN 201810212384 A CN201810212384 A CN 201810212384A CN 108288115 A CN108288115 A CN 108288115A
- Authority
- CN
- China
- Prior art keywords
- data
- express delivery
- delivery amount
- neural network
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于物流快递业务量预测技术领域,公开了一种物流企业日常短期快递业务量预测方法,使用改进惯性权重的粒子群优化算法来优化反向传播神经网络;同时采用新的横向数据选择方法为BP神经网络选取输入数据。通过优化后的BP神经网络来预测物流公司日常短期的快递业务量,进而能够在不同时间段内动态申请合数量的云计算资源,以处理快递包裹数据和监控包裹运输过程。本发明能够预测日常短期快递业务量,申请合适数量的云资源,既可以按时处理完所有快递包裹的业务数据,又不会造成过多云资源的浪费。本发明能够应用于物流公司日常短期的快递业务量预测,对降低物流企业成本和提升用户服务质量具有重大意义。
Description
技术领域
本发明属于物流快递业务量预测技术领域,尤其涉及一种物流企业日常短期快递业务量预测方法。
背景技术
目前,业内常用的现有技术是这样的:
根据物流快递公司历史数据来预测未来的快递业务量是一种时间序列预测,而当前反向传播(BP)神经网络在时间序列预测方面具有较为广泛的应用。BP神经网络是一种误差反向传播机制的单项前馈网络,其具有较强的非线性、自学习、自适应、泛化等能力。但其本身存在容易陷入局部最优、收敛速度慢及网络结构难以确定等缺点,那么克服这些缺点是一个及其重要的问题。目前,很多研究学者使用智能优化算法优化BP神经网络以提高网络的预测性能。智能优化算法中最为突出的是粒子群优化算法(PSO),该算法具有结构简单、参数少、记忆性强及搜索速度快等优点,其适用于优化BP神经网络。然而,PSO本身同样存在容易过早收敛、局部寻优能力较差等缺点。其中,惯性权重这个参数对PSO算法的开采能力具有极大的影响。PSO算法中原始的惯性权重是线性递减的,为了平衡PSO算法的局部和全局搜索能力的作用,需要改进惯性权重递减策略。通过改进PSO算法来优化BP神经网络以改善BP神经网络的预测性能。另一方面,现存很多关于其他领域的研究都是基于历史数据来预测未来长期情况,这对于物流公司而言是不利的,因为物流公司每天不同时间段内的快递业务量是动态变化的。为了处理这些快递包裹数据,需要申请合适数量的云计算资源。如果申请的云计算资源过多则会造成部分资源浪费;如果申请的云计算资源过少则会造成快递包裹数据的延迟处理,从而有可能会导致快递包裹延迟到达目的地。因此,短期的快递业务量预测是非常重要的。
综上所述,现有技术存在两方面的问题:
一方面,惯性权重线性递减的PSO算法具有较差的局部搜索能力,进而会降低PSO与BP神经网络的混合模型的预测性能。另一方面,长期的快递业务量预测对于物流公司来说有着不利的影响。针对第一个问题,本专利中首先提出PSO算法中的惯性权重非线性递减策略。相比经典的惯性权重线性递减策略,在该算法早期搜索过程中,惯性权重非线性递减策略中惯性权重取得较小值的概率比较大,从而有利于提高算法的全局开采能力,以尽快靠近最优解的位置;在该算法后期搜索过程中,惯性权重非线性递减策略中惯性权重取得较小值的概率比较大,从而有利于提高算法的局部开采能力,以细致搜索最优解的位置。通过改进惯性权重的PSO算法来优化BP神经网络,然后使用优化后的混合模型IPSO-BP来预测物流公司的快递业务量。另一方面,根据历史数据预测未来长期快递业务量的情况既有可能导致物流公司费用成本的增加,也有可能导致快递包裹数据的延迟处理,进而会降低用户满意度。为了解决这个问题,本专利为神经网络的输入提供一种数据选择方法。这种方法将历史的多天中同一时间段的快递业务量数据划分为同一个数据子集,然后根据一定规则从每个数据子集中选择训练和测试样本数据,以提供神经网络的训练。通过这种方式,物流公司日常不同时间段的短期快递业务量就能得到较为精确的预测,进而根据预测的快递业务量来动态调整不同时间段所需云资源数量,以处理快递包裹数据和监控快递包裹的运输过程。本专利采用改进惯性权重策略的PSO算法优化BP神经网络,同时为BP神经网络选取合适的训练和测试数据,然后使用优化后的BP神经网络来预测物流公司短期快递业务量,从而动态调整日常不同时间段内所需的云计算资源。
解决上述技术问题的难度和意义:
本发明提出的解决方案不仅能够大大地降低物流企业的费用成本,而且也能够提高用户服务满意度。
发明内容
针对现有技术存在的问题,本发明提供了一种物流企业日常短期快递业务量预测方法。
本发明是这样实现的,一种物流企业日常短期快递业务量预测方法包括以下步骤:
步骤一,采用横向数据选择方法以确定BP神经网路的输入数据;
所述横向数据选择方法为:
假设一个小时作为一个固定步长。实验中,将数据集中同一步长内的快递业务量组成一个子集,则可以构建48个子集。假设一个样本中选择的起点为i,输入数据的维度为d。关于训练样本,训练样本输入的第1组数据是从第1个子集中选择第i+1到i+d之间的d个数据,输出数据选择第i+d+1个数据;同理,其他组的数据选取也是类似的操作。当i=0时,训练样本的输入数据为1到d,输出数据为d+1。此外,测试样本的选择和训练样本的选择相似。
步骤二,使用改进惯性权重递减策略的PSO算法和BP神经网络的混合模型IPSO-BP来预测日常短期不同时间段内的快递业务量。
进一步,所述短期快递业务量预测算法为:
反向传播(BP)神经网络具有较强的自学习、自适应、泛化与容错能力,其常被应用于有关时间序列预测的领域。然而,BP神经网络具有收敛速度较慢、容易早熟及网络结构复杂等缺点,那么对于应对BP神经网络的缺点显得尤为重要。目前常见的方法是使用智能优化算法来优化BP神经网络,以克服BP神经网络自身存在的缺陷。在智能优化算法中,PSO算法是一种较为优秀的算法。由于PSO算法拥有参数少、结构简单、搜索速度快及记忆性强等优点,同时该算法没有GA算法中复杂的交叉和变异等操作,其在优化BP神经网络上具有较大优势。因此,本发明将采用改进惯性权重递减策略的PSO算法来优化BP网络各层神经元之间的连接权值与阈值,旨在改善网络的预测性能。
1)BP神经网络
反向传播(BP)神经网络是一种以误差反向传播方式训练的前馈型网络。它能够自主学习并存储大量的输入输出映射关系,而无需提前了解表达这种映射关系的数学公式。该算法采用梯度下降法的学习规则,将误差反向传播至各层神经元并不断地调节神经网络各层神经元之间的连接权值与阈值,使网络全局误差最小化。BP网络结构包含输入层、隐含层和输出层。
BP神经网络结构中的一个节点代表一个神经元,其利用非线性传递函数来计算输入向量与连接权重向量之积。BP神经网络的预测性能很容易受到隐含层节点数量的影响,因此根据下面的经验公式来确定网络结构中隐含层节点数:
h=2·p+1(1);
式(1),h表示隐含层节点数,p表示输入层节点数。此外,q表示输出层节点数;
BP神经网络的训练由以下四步组成:
①神经网络参数初始化:包括隐含层节点数、学习精度、最大训练次数、初始学习率、初始连接权值与阈值等;
②通过下面公式计算隐含层节点的输出值:
其中,j=1,2,…,p,i=1,2,…,h。神经网络的输入向量为X=(x1,x2,…,xp),输入层所有节点到隐含层第i个节点的连接权值为Wi=(wi1,wi2,…,wip)T,第i个节点的激活值为neti,wij表示从输入层第j个节点到隐含层第i个节点的连接权值,θi代表隐含层第i个节点的阈值,yi表示隐含层第i个节点的输出值,函数f是隐含层第i个节点的激励函数,该函数通常为S型激励函数。
③计算输出层节点的输出值:
计算的方法与②中的方法类似,输出层的激励函数通常为线性激励函数;
④最小化输出层节点的误差值E,并通过误差反向传播机制重新调整神经网络各层神经元之间的连接权值与阈值,最后当满足截止条件时终止网络的训练:
其中,yt表示预测的输出值,表示实际的输出值。
2)改进的粒子群优化算法PSO
粒子群优化算法(PSO)属于群智能进化计算技术的一种,其根据模拟鸟群捕食行为而设计的一种进化算法。该进化算法的基本思想是通过群体个体之间的相互协作和信息共享来搜寻最优解。PSO被广泛应用于神经网络训练、函数优化及其他进化算法的相关领域。本专利中,我们选择PSO算法作为BP神经网络的优化算法。这里,假设种群在d维的搜索空间中寻找最优解,种群粒子数量为n,第i个粒子在d维搜索空间中的位置Xi和速度Vi分别为:
Xi=(xi1,xi2,…,xid) (4);
Vi=(vi1,vi2,…,vid) (5);
其中,i=1,2,…,n。
PSO算法可划分为以下三步:
①参数初始化:随机产生含有位置与速度的n个粒子的种群。
②计算适应度值:计算种群中每个粒子的适应度值。
③更新粒子的个体最优解和全局最优解:将粒子的当前解与历史最优解进行比较以记录粒子个体的最优解pbest;同时比较全部粒子的最优解与历史全局最优解,得出当代的全局最优解gbest。
④更新粒子个体的位置与速度:利用公式(6)和(7)来更新粒子个体的位置与速度:
Vi=w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi) (6);
Xi=Xi+Vi (7);
公式(6)中包含三个组件,第一组件被称为“记忆项”,其表示粒子个体之前的搜索速度;第二个组件被称为“自我认知项”,其表示粒子个体趋向于自身最优解进行搜索;第三个组件被称为“社会认知项”,其表示粒子趋向于种群最优解进行搜索。其中,w表示惯性权重因子,其控制着粒子上一代搜索速度对当代搜索速度的影响,并发挥着平衡与调节PSO算法的局部和全局开采搜索能力的作用。当w取值较大时,种群的全局搜索能力就会变强,其利于该算法在搜索过程中越过局部极小值点;当w取值较小时,种群的局部搜索能力就会变强,其利于该算法收敛到最优解。当种群的搜索空间是复杂的非线性空间时,PSO算法中线性惯性权重递减策略并不能高效地适应算法的搜索。因此,本发明提出非线性递减策略来调节PSO算法中惯性权重。基于PSO算法的线性惯性权重递减策略的思想,本发明进一步提出了一种新的非线性惯性权重递减策略,其更新过程如公式(8)所示:
其中,t表示当前迭代次数,Tmax表示最大的迭代次数,η表示曲线调节因子。通常,wmax=0.9,wmin=0.4。当η=1.9,Tmax=100时,PSO算法中非线性和线性惯性权重递减函数的变化曲线如图3所示。相比线性惯性权重递减策略,在PSO算法早期搜索中,非线性惯性权重递减策略中的惯性权重以较大的概率取得较小值,其利于提高该算法的全局开采能力,进而尽快地接近最优解;在PSO算法后期搜索中,非线性惯性权重递减策略中的惯性权重以较大的概率取得较小值,其利于提高该算法的局部开采能力,进而更加细致地搜寻最优解。c1和c2表示算法中的学习因子,分别调节向最优个体粒子方向和全局最优粒子方向搜索飞行的步长,以使得粒子向自身历史最优解和种群全局最优解靠拢。通常,c1=c2=1.49445。r1和r2均为介于[0,1]内的随机数。为了阻止粒子发生不稳定飞行的情况,粒子搜索速度被限制在[-Vmin,Vmax]内,即满足公式(9)所示的条件。
⑤算法终止条件:当满足最大迭代次数或者搜索到的最优值满足预设最小适应阈值时,结束算法的迭代;否则,转至第②步,继续下一轮算法的搜索。
3)IPSO-BP混合模型
本发明将改进PSO算法与BP神经网络相结合,被称为IPSO-BP混合模型。本专利中,将神经元之间的连接权重和阈值视为PSO算法中的粒子。IPSO-BP混合模型可划分为以下七步:
①将选取好的数据归一化到[-1,1]内。
②随机产生含有速度和位置的n个粒子初始种群。
③计算每个粒子的适应度值,并更新个体最优解与种群最优解gbest。
④采用以下公式(10)和公式(11)来更新种群中粒子的速度与位置;
Vi=w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi) (10);
Xi=Xi+Vi (11);
⑤最小化全局误差值E,并通过误差反向传播机制来更新神经网络各层神经元之间的连接权值与阈值。如果结束条件不满足,则转至第③步;如果结束条件满足,则终止算法的训练。
⑥使用训练好的神经网络来预测数据。
⑦将BP神经网络的预测数据从[-1,1]内进行反归一化处理。
4)预测精确度的评价指标
采用以下四种指标来评估IPSO-BP混合模型的预测精确度,其分别为:平均误差AE,平均绝对误差MAE,均方误差MSE,平均相对误差MAPE。,各个指标的计算方法如公式(12-15)所示。
其中,yq和分别表示第q组训练中实际的输出值和预测的输出值,N表示训练样本的总组数。
本发明另一目的在于提供一种物流企业日常短期快递业务量预测系统,该系统包括三个模块:
数据选择模块:假设一个小时作为一个固定步长。实验中,将数据集中同一步长内的快递业务量组成一个子集,则可以构建48个子集。假设一个样本中选择的起点为i,输入数据的维度为d。关于训练样本,训练样本输入的第1组数据是从第1个子集中选择第i+1到i+d之间的d个数据,输出数据选择第i+d+1个数据;同理,其他组的数据选取也是类似的操作。
网络预测模块:
①将数据选择模块中选取的数据归一化到[-1,1]内;
②随机产生包含初始速度和位置的n个粒子的初始种群;
③计算种群粒子的适应度值,并更新个体最优适应度值与种群最优适应度值。
④使用下面两个公式来更新粒子的速度与位置;
Vi=w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi);
Xi=Xi+Vi;
⑤最小化全局误差值,并通过误差反向传播机制来更新神经网络各层神经元之间的连接权值与阈值。如果结束条件不满足,则转到第3)步;如果结束条件满足,则终止算法的训练。
⑥使用训练的神经网络来预测数据。
⑦将预测数据从[-1,1]内进行反归一化处理。
性能评估模块:
使用以下四种指标来评估本专利所提出的IPSO-BP混合模型的预测精确度,其分别为:平均误差AE,平均绝对误差MAE,均方误差MSE,平均相对误差MAPE。
本发明另一目的在于提供一种实现所述物流企业日常短期快递业务量预测方法的计算机程序。
本发明另一目的在于提供一种搭载有所述计算机程序的计算机。
本发明另一目的在于提供一种一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述物流企业日常短期快递业务量预测方法。
本发明的优点及积极效果为:基于本发明的详细阐述和实验结果,在平均相对误差(MAPE)评价指标上,所提出的混合模型IPSO-BP比基本BP、GA-BP和经典线性惯性权重递减的PSO-BP模型分别降低1.0188%、1.9709%、0.7093%,从而有效地表明本发明能够较为精确地预测日常短期快递业务量。基于本发明的研究工作,物流企业可以动态地调整一天中不同时间段内所需要的合适数量的云资源,进而处理大量快递包裹数据和监控快递包裹运输流程,既能降低物流公司的费用成本,也能提升用户的满意度。
附图说明
图1是本发明实施提供的物流企业日常短期快递业务量预测系统示意图。
图2是本发明实施提供的三层BP神经网络结构图。
图3是本发明实施提供的PSO算法惯性权重非线性和线性函数变化曲线图。
图4是本发明实施提供的网络训练样本的选取图。
图5是本发明实施提供的IPSO-BP模型在不同数据维度下MAPE值图。
图6是本发明实施提供的PSO算法的适应度值变化曲线图。
图7是本发明实施提供的四种模型网络的短期快递业务量预测图。
图8是本发明实施提供的物流企业日常短期快递业务量预测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明做进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作进一步描述。
如图1,本发明实施例提供的一种物流企业日常短期快递业务量预测系统,该系统包括三个模块:
数据选择模块:假设一个小时作为一个固定步长。实验中,将数据集中同一步长内的快递业务量组成一个子集,则可以构建48个子集。假设一个样本中选择的起点为i,输入数据的维度为d。关于训练样本,训练样本输入的第1组数据是从第1个子集中选择第i+1到i+d之间的d个数据,输出数据选择第i+d+1个数据;同理,其他组的数据选取也是类似的操作。
网络预测模块:
①将数据选择模块中选取的数据归一化到[-1,1]内;
②随机产生包含初始速度和位置的n个粒子的初始种群;
③计算种群粒子的适应度值,并更新个体最优适应度值与种群最优适应度值。
④使用下面两个公式来更新粒子的速度与位置;
Vi=w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi);
Xi=Xi+Vi;
⑤最小化全局误差值,并通过误差反向传播机制来更新神经网络各层神经元之间的连接权值与阈值。如果结束条件不满足,则转到第3)步;如果结束条件满足,则终止算法的训练。
⑥使用训练的神经网络来预测数据。
⑦将预测数据从[-1,1]内进行反归一化处理。
性能评估模块:
使用以下四种指标来评估本专利所提出的IPSO-BP混合模型的预测精确度,其分别为:平均误差AE,平均绝对误差MAE,均方误差MSE,平均相对误差MAPE。
图2是本发明实施提供的三层BP神经网络结构图。
图3是本发明实施提供的PSO算法惯性权重非线性和线性函数变化曲线图。
图8,本发明实施提供的物流企业日常短期快递业务量预测方法,包括:
S101,采用横向数据选择方法为BP神经网络提供输入数据的选取。
1)实验数据
本发明的实验数据以圆通物流公司2016年日均快递业务量和当地营业网点提供的部分数据作为基础,采用正态分布的方式产生数据,然后将产生的数据作为BP网络的输入。关于实验数据的产生方式,在此做出以下的假设。
假设:物流公司能够通过统计分析方法从管理系统日志中获得一天不同时间段内的快递相关数据。假设一天不同时间段内的快递业务量均遵循正态分布,其数学表达式为N(μ,σ2),其中μ表示期望值,σ表示标准差。
上面假设选择正态分布来模拟快递业务量生成的原因在于:尽管一天不同时间段内的快递业务量不完全服从正态分布,然而统计分析学中经常采用正态转换方法将非完全正态数据变换成正态数据,例如似然函数对数方式,那么本假设同样仍然能够被应用。
通过以上假设的详细阐述,本发明选择正态分布作为实验数据的生成方式。实验中,我们将一个小时作为1个步长,那么一天的24小时就被划分为48个步长。同一步长内的快递业务量的期望值从[μi,min,μi,max]内随机选择,其中,i=1,2,…48,μi,max表示第i个步长内快递业务量最大的期望值,μi,min表示第i个步长内快递业务量最小的期望值。我们在[μi,min,μi,max]内随机选择一个数值μi作为第i个步长内的快递业务量期望值,标准差为sigmai=μi×7%,然后依赖正态分布方式产生不同步长内的快递业务量。
2)横向数据选择方法
使用横向数据选择方法来确定BP神经网络的输入。实验中,在所有天的数据中将同一步长内的快递业务量划分为一个子集,那么一天的24小时就被划分为48个子集。假设一个子集中选择的起始点为第i个数据,输入数据的维度为d个数据。关于训练样本,训练样本输入的第1组数据是从第1个子集中选择i+1到i+d的数据,输出数据选择第i+d+1个数据;同理,训练样本输入的第k组数据从第k个子集中选择i+1到i+d的数据,输出数据选择第i+d+1个数据。关于测试样本,测试样本输入的第1组数据是从第1个子集中选择i+2到i+d+1的数据,输出数据选择第i+d+2个数据;同理,测试样本输入的第k组数据从第k个子集中选择i+2到i+d+1的数据,输出数据选择第i+d+2个数据。如图4所示,当i=0时,则训练样本的输入数据为1到d,输出数据为d+1。
S102,使用改进惯性权重的PSO算法来优化BP神经网络,以预测物流企业日常短期快递业务量。
本发明提供的短期快递业务量预测算法为:
反向传播(BP)神经网络具有较强的自学习、自适应、泛化与容错能力,其常被应用于有关时间序列预测的领域。然而,BP神经网络具有收敛速度较慢、容易早熟及网络结构复杂等缺点,那么对于应对BP神经网络的缺点显得尤为重要。目前常见的方法是使用智能优化算法来优化BP神经网络,以克服BP神经网络自身存在的缺陷。在智能优化算法中,PSO算法是一种较为优秀的算法。由于PSO算法拥有参数少、结构简单、搜索速度快及记忆性强等优点,同时该算法没有GA算法中复杂的交叉和变异等操作,其在优化BP神经网络上具有较大优势。因此,本发明将采用改进惯性权重递减策略的PSO算法来优化BP网络各层神经元之间的连接权值与阈值,旨在改善网络的预测性能。
1)BP神经网络
反向传播(BP)神经网络是一种以误差反向传播方式训练的前馈型网络。它能够自主学习并存储大量的输入输出映射关系,而无需提前了解表达这种映射关系的数学公式。该算法采用梯度下降法的学习规则,将误差反向传播至各层神经元并不断地调节神经网络各层神经元之间的连接权值与阈值,使网络全局误差最小化。BP网络结构包含输入层、隐含层和输出层,其三层BP神经网络结构如图2所示。
BP神经网络结构中的一个节点代表一个神经元,其利用非线性传递函数来计算输入向量与连接权重向量之积。BP神经网络的预测性能很容易受到隐含层节点数量的影响,因此根据下面的经验公式来确定网络结构中隐含层节点数:
h=2·p+1 (1);
式(1),h表示隐含层节点数,p表示输入层节点数。此外,q表示输出层节点数;
BP神经网络的训练由以下四步组成:
①神经网络参数初始化:包括隐含层节点数、学习精度、最大训练次数、初始学习率、初始连接权值与阈值等;
②通过下面公式计算隐含层节点的输出值:
其中,j=1,2,…,p,i=1,2,…,h。神经网络的输入向量为X=(x1,x2,…,xp),输入层所有节点到隐含层第i个节点的连接权值为Wi=(wi1,wi2,…,wip)T,第i个节点的激活值为neti,wij表示从输入层第j个节点到隐含层第i个节点的连接权值,θi代表隐含层第i个节点的阈值,yi表示隐含层第i个节点的输出值,函数f是隐含层第i个节点的激励函数,该函数通常为S型激励函数。
③计算输出层节点的输出值:
计算的方法与②中的方法类似,输出层的激励函数通常为线性激励函数;
④最小化输出层节点的误差值E,并通过误差反向传播机制重新调整神经网络各层神经元之间的连接权值与阈值,最后当满足截止条件时终止网络的训练:
其中,yt表示预测的输出值,表示实际的输出值。
2)改进的粒子群优化算法PSO
粒子群优化算法(PSO)属于群智能进化计算技术的一种,其根据模拟鸟群捕食行为而设计的一种进化算法。该进化算法的基本思想是通过群体个体之间的相互协作和信息共享来搜寻最优解。PSO被广泛应用于神经网络训练、函数优化及其他进化算法的相关领域。本发明中,选择PSO算法作为BP神经网络的优化算法。这里,假设种群在d维的搜索空间中寻找最优解,种群粒子数量为n,第i个粒子在d维搜索空间中的位置Xi和速度Vi分别为:
Xi=(xi1,xi2,…,xid) (4);
Vi=(vi1,vi2,…,vid) (5);
其中,i=1,2,…,n。
PSO算法可划分为以下三步:
⑤参数初始化:随机产生含有位置与速度的n个粒子的种群。
⑥计算适应度值:计算种群中每个粒子的适应度值。
⑦更新粒子的个体最优解和全局最优解:将粒子的当前解与历史最优解进行比较以记录粒子个体的最优解pbest;同时比较全部粒子的最优解与历史全局最优解,得出当代的全局最优解gbest。
⑧更新粒子个体的位置与速度:利用公式(6)和(7)来更新粒子个体的位置与速度:
Vi=w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi) (6);
Xi=Xi+Vi (7);
公式(6)中包含三个组件,第一组件被称为“记忆项”,其表示粒子个体之前的搜索速度;第二个组件被称为“自我认知项”,其表示粒子个体趋向于自身最优解进行搜索;第三个组件被称为“社会认知项”,其表示粒子趋向于种群最优解进行搜索。其中,w表示惯性权重因子,其控制着粒子上一代搜索速度对当代搜索速度的影响,并发挥着平衡与调节PSO算法的局部和全局开采搜索能力的作用。当w取值较大时,种群的全局搜索能力就会变强,其利于该算法在搜索过程中越过局部极小值点;当w取值较小时,种群的局部搜索能力就会变强,其利于该算法收敛到最优解。当种群的搜索空间是复杂的非线性空间时,PSO算法中线性惯性权重递减策略并不能高效地适应算法的搜索。因此,本发明提出非线性递减策略来调节PSO算法中惯性权重。基于PSO算法的线性惯性权重递减策略的思想,本发明进一步提出了一种新的非线性惯性权重递减策略,其更新过程如公式(8)所示:
其中,t表示当前迭代次数,Tmax表示最大的迭代次数,η表示曲线调节因子。通常,wmax=0.9,wmin=0.4。当η=1.9,Tmax=100时,PSO算法中非线性和线性惯性权重递减函数的变化曲线如图3所示。相比线性惯性权重递减策略,在PSO算法早期搜索中,非线性惯性权重递减策略中的惯性权重以较大的概率取得较小值,其利于提高该算法的全局开采能力,进而尽快地接近最优解;在PSO算法后期搜索中,非线性惯性权重递减策略中的惯性权重以较大的概率取得较小值,其利于提高该算法的局部开采能力,进而更加细致地搜寻最优解。c1和c2表示算法中的学习因子,分别调节向最优个体粒子方向和全局最优粒子方向搜索飞行的步长,以使得粒子向自身历史最优解和种群全局最优解靠拢。通常,c1=c2=1.49445。r1和r2均为介于[0,1]内的随机数。为了阻止粒子发生不稳定飞行的情况,粒子搜索速度被限制在[-Vmin,Vmax]内,即满足公式(9)所示的条件。
⑤算法终止条件:当满足最大迭代次数或者搜索到的最优值满足预设最小适应阈值时,结束算法的迭代;否则,转至第②步,继续下一轮算法的搜索。
3)IPSO-BP混合模型
本发明将改进PSO算法与BP神经网络相结合,被称为IPSO-BP混合模型。本发明中,将神经元之间的连接权重和阈值视为PSO算法中的粒子。IPSO-BP混合模型可划分为以下七步:
①将选取好的数据归一化到[-1,1]内。
②随机产生含有速度和位置的n个粒子初始种群。
③计算每个粒子的适应度值,并更新个体最优解与种群最优解gbest。
④采用以下公式(10)和公式(11)来更新种群中粒子的速度与位置。
Vi=w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi) (10);
Xi=Xi+Vi (11);
⑤最小化全局误差值E,并通过误差反向传播机制来更新神经网络各层神经元之间的连接权值与阈值。如果结束条件不满足,则转至第③步;如果结束条件满足,则终止算法的训练。
⑥使用训练好的神经网络来预测数据。
⑦将BP神经网络的预测数据从[-1,1]内进行反归一化处理。
4)预测精确度的评价指标
采用以下四种指标来评估IPSO-BP混合模型的预测精确度,其分别为:平均误差AE,平均绝对误差MAE,均方误差MSE,平均相对误差MAPE。,各个指标的计算方法如公式(12-15)所示。
其中,yq和分别表示第q组训练中实际的输出值和预测的输出值,N表示训练样本的总组数。
下面结合具体分析对本发明作进一步描述。
实验评估
实验中,在为所提出的IPSO-BP混合模型选择合适参数的基础上,将分别对比BP、GA-BP、经典PSO-BP与IPSO-BP混合模型的四种预测性能评价指标,最后展示几种网络模型的预测结果对比图。
1)实验环境与参数设置
本发明使用Matlab 2014a编写,运行环境为Intel core i3 3.0GHz CPU、4G内存、64位Windows 7操作系统的PC。
BP神经网络输入分别选取从5到15维的数据,最大迭代次数为3000次,学习率为0.1,学习精度为1×10-4。关于GA-BP模型,GA的进化代数为100代,种群大小为20,交叉概率为0.3,变异概率为0.1。关于经典PSO-BP和IPSO-BP模型,PSO的进化代数为100代,种群大小为20。
2)实验结果与分析
如前所述,所提出的惯性权重非线性递减策略中的曲线调节因子η的不同取值会对PSO算法的搜索造成一定的影响。因此,为了观察这个影响,实验中为η设置不同的取值。如表1所示,在η=1.9情况下,MAPE值最小,此时说明实验获得最好的预测结果。那么在后续的实验中,η的取值均为1.9。
表1:η在不同取值下IPSO-BP混合模型MAPE值
η | 1.1 | 1.2 | 1.3 | 1.4 | 1.5 | 1.6 | 1.7 | 1.8 | 1.9 | 2.0 |
MAPE(%) | 12.8604 | 12.0751 | 13.7784 | 13.1118 | 13.7600 | 12.8239 | 14.9165 | 14.4792 | 11.5407 | 13.1499 |
η | 2.1 | 2.2 | 2.3 | 2.4 | 2.5 | 2.6 | 2.7 | 2.8 | 2.9 | 3.0 |
MAPE(%) | 12.2579 | 14.2896 | 12.3509 | 13.8656 | 13.2973 | 11.9948 | 13.2977 | 11.9906 | 12.3014 | 14.5658 |
表2:BP、GA-BP、经典PSO—BP和IPSO-BP模型在不同维度下的预测性能评价指标对比
为了为BP神经网络确定合适输入的数据维度,对比BP、GA-BP、经典PSO-BP与IPSO-BP四种模型的预测结果,实验中仿真了网络输入的数据维度分别从5维变化到15维的各种测试案例,其结果如表2和图5所示。由表2能够看出,在网络输入的数据维度选取合适的情况下,IPSO-BP混合模型比其他几种模型展现更好的预测结果。然而,在少量网络输入的数据维度下,IPSO-BP混合模型比其他几种模型的预测结果稍微差些,这可能由网络输入数据及数据维度的选取不合适所造成的。此外,由图5中能够得出,在网络输入的数据维度为13的情况下,IPSO-BP混合模型的预测结果在MAPE值上是最小的。因此,在后续的实验中,网络输入的数据维度均设置为13。
图6展示了PSO算法在搜索过程中适应度值的变化情况,当PSO算法进化代数为45代时,IPSO-BP混合模型的适应度值曲线基本得到收敛,表明了该算法已基本寻找到最优解。如果后面继续搜索的话,则仅仅只会增加算法搜索的时间成本。因此,本发明后续的实验中PSO算法的进化代数均选择为45代。
从上述的实验结果分析来看,能够得出如下结论:当PSO算法的惯性权重非线性递减策略中的曲线调节因子η设置为1.9、网络输入的数据维度设置为13以及PSO算法的进化代数设置为45时,IPSO-BP混合模型的预测结果在MAPE值上表现的相对较小,则说明取得更好的预测结果。
表3:四种模型在确定好的参数下的预测性能指标对比
模型 | AE | MAE | MSE | MAPE(%) |
BP | 9830.0 | 31168.9 | 1.80E+9 | 12.9185 |
GA-BP | 15027.7 | 3330.7 | 2.74E+9 | 13.8706 |
经典PSO-BP | 9753.8 | 27938.1 | 1.43E+9 | 12.6090 |
IPSO-BP | 9626.3 | 26906.5 | 1.33E+9 | 11.8997 |
基于以上的结论,本发明继续仿真大量的实验,其结果如表3和图7所示。表3展示了在确定好的参数下,BP、GA-BP、经典PSO-BP与IPSO-BP四种模型预测性能指标的对比,我们能够得出IPSO-BP混合模型在四种性能评估指标上的结果均优于其他三种模型。图7展示了这四种模型预测结果的实际对比图,我们从图中能够看出,相比其他模型,IPSO-BP混合模型在多数情况下的预测结果都更加接近实际值。
下面对本发明作进一步综合性的总结。
首先,本发明概括了PSO算法与BP神经网络的基本知识,并采用改进PSO算法来优化BP网络,以预测物流企业日常短期不同时间段内的快递业务量。最后将IPSO-BP模型与其他三种模型对比,大量实验结果表明所提出的IPSO-BP混合模型更加利于物流企业日常短期快递业务量的预测。
综上所述,本发明提出的改进IPSO-BP混合模型具有更好的预测效果,能够较为准确地预测日常短期快递业务量,进而能够动态调整不同时间段内的云资源数量,既保证能够快递包裹数据的及时处理,也不会导致过多云资源的浪费。基于本发明的工作,物流企业能够精确地预测日常短期快递业务量,从而为物流企业节省更多的费用成本,也能提升用户的服务质量。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种物流企业日常短期快递业务量预测方法,其特征在于,所述物流企业日常短期快递业务量预测方法包括以下步骤:
步骤一,采用横向数据选择方法用于提供BP神经网路输入数据的选取;
步骤二,使用改进PSO算法和BP神经网络的混合模型IPSO-BP来预测日常短期不同时间段内的快递业务量。
2.如权利要求1所述的物流企业日常短期快递业务量预测方法,其特征在于,BP神经网络训练方法包括:
①神经网络参数初始化:包括网络各层节点数、学习精度、最大训练次数、初始学习率、初始连接权值与阈值;
②通过下面公式计算隐含层节点的输出值:
其中,j=1,2,…,p,i=1,2,…,h;神经网络的输入向量为X=(x1,x2,…,xp),输入层所有节点到隐含层第i个节点的连接权值为Wi=(wi1,wi2,…,wip)T,第i个节点的激活值为neti,wij表示从输入层第j个节点到隐含层第i个节点的连接权值,θi代表隐含层第i个节点的阈值,yi表示隐含层第i个节点的输出值,函数f是隐含层第i个节点的激励函数,此处的激励函数一般为S型函数;
③计算输出层节点的输出值,输出层的激励函数一般为线性激励函数;
④计算并最小化输出层节点的误差值E,然后通过误差反向传播机制重新调整神经网络各层节点的连接权值与阈值,最后当满足截止条件时终止网络的训练:
其中,yt表示预测的输出值,表示实际的输出值。
3.如权利要求1所述的物流企业日常短期快递业务量预测方法,其特征在于,改进惯性权重的PSO更新公式如下:
其中,t表示当前代数,Tmax表示最大迭代次数,η表示曲线调整因子;一般情况下,wmax=0.9,wmin=0.4。
4.如权利要求1所述的物流企业日常短期快递业务量预测方法,其特征在于,IPSO-BP混合模型包括:
1)将数据集进行归一化处理;
2)随机产生含有n个粒子的初始种群,每个粒子包含初始速度和位置;
3)计算每个粒子的适应度值,并更新个体最优适应度值与种群最优适应度值;
4)使用两个公式
Vi=w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi);
Xi=Xi+Vi;
来更新粒子的速度与位置;
5)最小化全局误差值,并通过误差反向传播机制来更新神经网络各层神经元之间的连接权值与阈值;如果结束条件不满足,则转到第3)步;如果结束条件满足,则终止算法的训练;
6)使用训练的神经网络来预测数据;
7)将预测数据进行反归一化处理。
5.如权利要求1所述的物流企业日常短期快递业务量预测方法,其特征在于,利用新的横向数据选择方法以确定BP网络的输入数据;假设一个小时作为一个固定步长;将数据集中同一步长内的快递业务量组成一个子集,构建48个子集;一个子集中选择的起点是第i个数据,输入数据的维度为d;训练样本输入的第1组数据是从第1个子集中选择i+1到i+d的数据,输出数据选择第i+d+1个数据;
训练样本输入的第k组数据从第k个子集中选择i+1到i+d的数据,输出数据选择第i+d+1个数据;对于测试样本,测试样本输入的第1组数据是从第1个子集中选择i+2到i+d+1的数据,输出数据选择第i+d+2个数据;
测试样本输入的第k组数据从第k个子集中选择i+2到i+d+1的数据,输出数据选择第i+d+2个数据;当i=0时,训练样本的输入数据为1到d,输出数据为d+1。
6.如权利要求1所述的物流企业日常短期快递业务量预测方法,其特征在于,评估IPSO-BP混合模型的预测精确度的方法包括:平均误差AE,平均绝对误差MAE,均方误差MSE,平均相对误差MAPE;通过以下的公式计算而来:
其中,yq和分别表示第q组训练中实际的输出值和预测的输出值,N表示训练样本的总组数。
7.一种如权利要求1所述基于IPSO-BP的物流企业日常短期快递业务量预测系统,其特征在于,所述基于IPSO-BP的物流企业日常短期快递业务量预测系统包括三个模块:
数据选择模块:假设一个小时作为一个固定步长,将数据集中同一步长内的快递业务量组成一个子集,则可以构建48个子集;假设一个样本中选择的起点为i,输入数据的维度为d;关于训练样本,训练样本输入的第1组数据是从第1个子集中选择第i+1到i+d之间的d个数据,输出数据是第i+d+1个数据;同样地,其他组的数据选取也是类似的操作;
网络预测模块:
1)将数据选择模块中选取的数据归一化到[-1,1]内;
2)随机产生包含初始速度和位置的n个粒子的初始种群;
3)计算种群粒子的适应度值,并更新个体最优适应度值与种群最优适应度值;
4)使用两个公式来更新粒子的速度与位置;
Vi=w·Vi+c1·r1·(pbest-Xi)+c2·r2·(gbest-Xi);
Xi=Xi+Vi;
5)最小化全局误差值,并通过误差反向传播机制来更新神经网络各层神经元之间的连接权值与阈值;如果结束条件不满足,则转到第3)步;如果结束条件满足,则终止算法的训练;
6)使用训练的神经网络来预测数据;
7)将预测数据从[-1,1]内进行反归一化处理;
性能评估模块:使用四种指标来评估本专利所提出的IPSO-BP混合模型的预测精确度,其分别为:平均误差AE,平均绝对误差MAE,均方误差MSE,平均相对误差MAPE。
8.一种实现权利要求1~6任意一项所述物流企业日常短期快递业务量预测方法的计算机程序。
9.一种搭载有权利要求8所述计算机程序的计算机。
10.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-6任意一项所述物流企业日常短期快递业务量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810212384.1A CN108288115A (zh) | 2018-03-15 | 2018-03-15 | 一种物流企业日常短期快递业务量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810212384.1A CN108288115A (zh) | 2018-03-15 | 2018-03-15 | 一种物流企业日常短期快递业务量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108288115A true CN108288115A (zh) | 2018-07-17 |
Family
ID=62833815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810212384.1A Pending CN108288115A (zh) | 2018-03-15 | 2018-03-15 | 一种物流企业日常短期快递业务量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288115A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146134A (zh) * | 2018-07-18 | 2019-01-04 | 顺丰科技有限公司 | 一种高峰揽件量预测方法、系统、设备及存储介质 |
CN109472412A (zh) * | 2018-11-09 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 一种事件的预测方法及装置 |
CN109902858A (zh) * | 2019-01-23 | 2019-06-18 | 跨越速运集团有限公司 | 一种物流取货操作耗时智能预测方法及系统 |
CN110175695A (zh) * | 2019-04-19 | 2019-08-27 | 跨越速运集团有限公司 | 针对春节期间的货量预测方法及系统 |
CN110852665A (zh) * | 2018-08-21 | 2020-02-28 | 丰田自动车株式会社 | 信息处理装置以及信息处理方法、非临时性的存储介质 |
CN110928924A (zh) * | 2019-11-28 | 2020-03-27 | 江苏电力信息技术有限公司 | 基于神经网络的电力系统客户满意度分析与预测方法 |
CN111325398A (zh) * | 2020-02-19 | 2020-06-23 | 上海东普信息科技有限公司 | 网点货量的预测方法及系统、存储介质 |
CN111353624A (zh) * | 2018-12-21 | 2020-06-30 | 顺丰科技有限公司 | 一种件量预测效果评估方法和装置 |
CN111382843A (zh) * | 2020-03-06 | 2020-07-07 | 浙江网商银行股份有限公司 | 企业上下游关系识别模型建立、关系挖掘的方法及装置 |
CN111445125A (zh) * | 2020-03-25 | 2020-07-24 | 仲恺农业工程学院 | 农业机器人计算任务协同方法、系统、介质和设备 |
CN111553622A (zh) * | 2019-02-12 | 2020-08-18 | 北京京东尚科信息技术有限公司 | 一种配送路线的确定方法和装置 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN112749854A (zh) * | 2019-10-29 | 2021-05-04 | 顺丰科技有限公司 | 业务量极限数据处理方法、装置、计算机设备和存储介质 |
CN114579643A (zh) * | 2022-05-05 | 2022-06-03 | 国家邮政局邮政业安全中心 | 快递业务量预测方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
CN106600070A (zh) * | 2016-12-20 | 2017-04-26 | 郭建峰 | 基于ipso‑bp神经网络的短期股价预测算法 |
-
2018
- 2018-03-15 CN CN201810212384.1A patent/CN108288115A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
CN106600070A (zh) * | 2016-12-20 | 2017-04-26 | 郭建峰 | 基于ipso‑bp神经网络的短期股价预测算法 |
Non-Patent Citations (4)
Title |
---|
CHAO REN,ET AL.: "Optimal parameters selection for BP neural network based on particle swarm optimization: A case study of wind speed forecasting", 《KNOWLEDGE-BASED SYSTEMS》 * |
何明慧等: "改进的粒子群算法优化神经网络及应用", 《计算机工程与应用》 * |
蔡玥: "短时交通流量预测的IPSO-BPNN算法", 《计算机工程与应用》 * |
陈春玲等: "改进的BP算法对移动用户行为预测的研究", 《计算机技术与发展》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146134A (zh) * | 2018-07-18 | 2019-01-04 | 顺丰科技有限公司 | 一种高峰揽件量预测方法、系统、设备及存储介质 |
CN110852665A (zh) * | 2018-08-21 | 2020-02-28 | 丰田自动车株式会社 | 信息处理装置以及信息处理方法、非临时性的存储介质 |
CN109472412A (zh) * | 2018-11-09 | 2019-03-15 | 百度在线网络技术(北京)有限公司 | 一种事件的预测方法及装置 |
CN111353624B (zh) * | 2018-12-21 | 2023-10-10 | 顺丰科技有限公司 | 一种件量预测效果评估方法和装置 |
CN111353624A (zh) * | 2018-12-21 | 2020-06-30 | 顺丰科技有限公司 | 一种件量预测效果评估方法和装置 |
CN109902858A (zh) * | 2019-01-23 | 2019-06-18 | 跨越速运集团有限公司 | 一种物流取货操作耗时智能预测方法及系统 |
CN111553622A (zh) * | 2019-02-12 | 2020-08-18 | 北京京东尚科信息技术有限公司 | 一种配送路线的确定方法和装置 |
CN111553622B (zh) * | 2019-02-12 | 2023-11-07 | 北京京东振世信息技术有限公司 | 一种配送路线的确定方法和装置 |
CN110175695B (zh) * | 2019-04-19 | 2022-06-17 | 跨越速运集团有限公司 | 针对春节期间的货量预测方法及系统 |
CN110175695A (zh) * | 2019-04-19 | 2019-08-27 | 跨越速运集团有限公司 | 针对春节期间的货量预测方法及系统 |
CN112749854A (zh) * | 2019-10-29 | 2021-05-04 | 顺丰科技有限公司 | 业务量极限数据处理方法、装置、计算机设备和存储介质 |
CN112749854B (zh) * | 2019-10-29 | 2024-04-16 | 顺丰科技有限公司 | 业务量极限数据处理方法、装置、计算机设备和存储介质 |
CN110928924A (zh) * | 2019-11-28 | 2020-03-27 | 江苏电力信息技术有限公司 | 基于神经网络的电力系统客户满意度分析与预测方法 |
CN111325398A (zh) * | 2020-02-19 | 2020-06-23 | 上海东普信息科技有限公司 | 网点货量的预测方法及系统、存储介质 |
CN111382843A (zh) * | 2020-03-06 | 2020-07-07 | 浙江网商银行股份有限公司 | 企业上下游关系识别模型建立、关系挖掘的方法及装置 |
CN111382843B (zh) * | 2020-03-06 | 2023-10-20 | 浙江网商银行股份有限公司 | 企业上下游关系识别模型建立、关系挖掘的方法及装置 |
CN111445125A (zh) * | 2020-03-25 | 2020-07-24 | 仲恺农业工程学院 | 农业机器人计算任务协同方法、系统、介质和设备 |
CN111445125B (zh) * | 2020-03-25 | 2023-04-07 | 仲恺农业工程学院 | 农业机器人计算任务协同方法、系统、介质和设备 |
CN111738512A (zh) * | 2020-06-22 | 2020-10-02 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN111738512B (zh) * | 2020-06-22 | 2022-05-24 | 昆明理工大学 | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 |
CN114579643A (zh) * | 2022-05-05 | 2022-06-03 | 国家邮政局邮政业安全中心 | 快递业务量预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288115A (zh) | 一种物流企业日常短期快递业务量预测方法 | |
Chen et al. | Self-adaptive resource allocation for cloud-based software services based on iterative QoS prediction model | |
Ben Alla et al. | A novel task scheduling approach based on dynamic queues and hybrid meta-heuristic algorithms for cloud computing environment | |
Priore et al. | A comparison of machine-learning algorithms for dynamic scheduling of flexible manufacturing systems | |
Grimaldi et al. | PSO as an effective learning algorithm for neural network applications | |
Peng et al. | Knowledge-based resource allocation for collaborative simulation development in a multi-tenant cloud computing environment | |
Wang et al. | Stochastic model predictive control based on Gaussian processes applied to drinking water networks | |
Helbig et al. | Population-based metaheuristics for continuous boundary-constrained dynamic multi-objective optimisation problems | |
Yan-hua et al. | Optimization of cloud database route scheduling based on combination of genetic algorithm and ant colony algorithm | |
Lu et al. | The Fourth‐Party Logistics Routing Problem Using Ant Colony System‐Improved Grey Wolf Optimization | |
Bahrpeyma et al. | An adaptive RL based approach for dynamic resource provisioning in Cloud virtualized data centers | |
Al-hnaity et al. | Predicting financial time series data using hybrid model | |
Wang et al. | A new chaotic starling particle swarm optimization algorithm for clustering problems | |
Li et al. | Cloud manufacturing service composition optimization with improved genetic algorithm | |
Karthikeyan et al. | COSCO2: AI‐augmented evolutionary algorithm based workload prediction framework for sustainable cloud data centers | |
Zhao et al. | Annual Energy Consumption Forecasting Based on PSOCA‐GRNN Model | |
Samsudin et al. | A hybrid GMDH and least squares support vector machines in time series forecasting | |
Treur | Mathematical analysis of the emergence of communities based on coevolution of social contagion and bonding by homophily | |
Horng et al. | Ordinal optimization of G/G/1/K polling systems with k-limited service discipline | |
Singh et al. | Short-term electricity load forecast using hybrid model based on neural network and evolutionary algorithm | |
Pei et al. | Predicting agent-based financial time series model on lattice fractal with random Legendre neural network | |
CN114650321A (zh) | 用于边缘计算的任务调度方法及边缘计算终端 | |
Yao et al. | Smart city landscape design based on improved particle swarm optimization algorithm | |
Gowri et al. | Fog-cloud enabled internet of things using extended classifier system (XCS) | |
Feldman et al. | Using approximate dynamic programming to optimize admission control in cloud computing environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180717 |
|
WD01 | Invention patent application deemed withdrawn after publication |