基于遗传神经网络算法的城市区域圈物流预测研究杨粟涵于蕾摘要BP神经网络算法的初始值和阈值用遗传算法来进行优化，用此优化后的遗传神经网络算法对城市区域圈物流量进行预测。以合肥都市圈为例，用2013-2018年与物流量相关的六个指标作为输入来预测2019年城市圈的物流货运量。使用Matlab7.0软件编码运行，结果证明，该算法时间少、精度高，预测效果更好。关键词物流量預测;遗传算法;BP神经网络：TP301.6：ADOI：10.19694/j.cnki.issn2095-2457.2020.06.800引言区域经济一体化近年来发展迅速，各城市间生产要素自由流动，互利互惠，形成命运共同体。各城市间频繁地进行物资和信息的交换，仅仅一个城市的各种数据已不能满足相关部门对当地经济发展水平的衡量。城市区域圈内数据共享，形成协同效应，方能体现数据统计的准确性。本文以合肥都市圈为例，研究合---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---肥，马鞍山，芜湖，淮南，六安，滁州六个城市的相关物流数据，通过对历史数据的分析来对下一年的物流数据进行预测。城市的物流货运量反映了城市经济发展对物流运输的需求，在现代高速变化的经济形势下，物流货运需求量不断变化，及时准确地预测显得尤为重要。但是城市区域圈货运量受很多因素的影响，而且与其影响因素存在着复杂的非线性映射关系[1]，很多传统的数据预测方法是基于时间序列，或者是因果关系[2]，其数据的内部结构与复杂性不能完全被反映。因此，寻找有效较优的城市区域圈物流货运量预测方法甚为必要。1城市区域圈物流预测对物流数据的预测方法很多，一般有两种：定性预测法和定量预测法。一般情况下的常用定性预测是专家预测法，常用的定量预测法主要包括概率统计和运筹学中的回归分析预测法、时间序列预测法、灰色预测法、弹性预测法等。合肥都市圈物流货运量受该区域经济形势、产业结构布局、货物运输量等其他因素影响，且其与影响因子之间存在非线性关系，因此采用传统的预测方法难以为继。合肥都市区域圈主要的物流货运量影响因子有：产业结构布局，包括第一产业、第二产业和第三产业增加值;区域社会居民消费，即区域社会消费品零售总额;区域进出口贸易，即区域进出口贸易总额;区域人口，即年末常住人口总量。因此，采集以上6个影响因子的数据，通过启发式算法建立模型来预测城市区域圈的物流货运量。2遗传神经网络算法2.1遗传算法遗传算法是参照达尔文生物进化论和遗传学机理的一种模拟计算算法模型，是通过模拟生物进化来从可行解中搜寻最优解的方法[3]。遗传算法是从代表问题可行解解集的其中一个种群开始，种群则由经过编码的一定数目的个体所组成。个体实际上是带有特征的染色体实体。染色体是多个基因的集合，基因型决定---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---了个体的外部表现。开始需要进行编码工作，初始代种群产生之后，按适者生存、优胜劣汰的原理，逐代演化出越来越优的近似解。在每一代进行个体选择时，是根据问题域中个体的适应度大小，并借助于自然遗传学的遗传算子进行组合、交叉、变异，产生出代表新的种群。遗传算法的三种操作：（1）选择-复制：一个种群S，规模为N，每个染色体xi∈S的被选择概率为P（xi），分N次从S中随机选定N个染色体，进行复制。（2）交叉：就是互换两个染色体某些位上的基因。种群中产生了新个体，决定了遗传算法的全局搜索能力。把交叉率记为参加交叉运算的染色体占染色体总数的比例，记为Pc，取值范围可以从0.4到0.99。（3）变异：就是改变染色体某个（些）位上的基因。决定了遗传算法的局部搜索能力，同时保持种群的多样性。把变异率记为发生变异的基因位数占染色体基因总位数的比例，记为Pm，取值范围可以从0.0001到0.1。算法步骤：（1）群体中个体适应度值的计算;（2）利用比例选择算子，计算个体被选中遗传到下一代的概率;（3）采用模拟轮盘赌操作来确定个体是否被遗传到下一代中。2.2BP神经网络算法BP神经网络算法具有大规模地进行并行处理、分布式的信息存储方式、良好的自组织学习能力等优良性能[4]，理论上可以逼近任意一个函数，...