科技发展
您当前的位置 > 首页 > 科技发展
名称 基于BP神经网络的中国铁矿石需求量预测
发布机构 索引号 2189234/2009-00328
主题分类 科技发展 文号 2189234/2009-00328
发布日期 2009-10-12 主题词

基于BP神经网络的中国铁矿石需求量预测

发布日期:2009-10-12 00:00 信息来源: 访问量:? 字体 :[ 大 ][ 中 ][ 小 ]

 

伴随我国工业化、城镇化进程的不断推进,钢铁工业迅速发展,国民经济对钢铁的需求量不断增加,相应地对铁矿石需求量也在大幅上升,从而给我国铁矿石的生产带来了巨大的压力。为了满足铁矿石消费量持续增长的需求,我国铁矿石产量一路飙升,从l978年到2007年,铁矿石产量从l.18亿吨增长到了7.07亿吨,增长了5倍。2007年我国铁矿石产量占世界铁矿石总产量的20%,是世界上最大的铁矿石生产国。但是,铁矿石产量增长仍远远跟不上需求的增长。继2003年我国铁矿石进口量(1.48亿吨)超越日本、欧盟成为全球最大的铁矿石进口国后,进口铁矿占全球海运贸易量的比例不断加大。l978~2007年的30年间,中国进口铁矿石从802.02万吨增长到3.83亿吨,翻了45倍。

1 BP神经网络概述

神经网络是20世纪40年代新兴起来的一种预决策技术,因其具有极强的非线性动态处理能力,强大的自适应、自学习功能而被广泛应用于不同领域。在众多神经网络中,BP神经网络是最具代表性和应用最为广泛的一种网络模型,其功能也发展得最全面和完整,因此本文运用BP神经网络的方法建立铁矿石需求模型,并利用该模型对铁矿石需求量进行预测。

BP神经网络是误差反向传播的多层前馈网络,它可以任意精度逼近任意的连续函数,主要应用于非线性建模函数逼近模式分类等方面。BP神经网络由输入层、隐含层、输出层组成。在BP神经网络中,信号由输入单向传至输出,且同一层的神经元之间互不传递信号。每个神经元与相邻层的所有神经元相连。某一层的神经元的输出值通过连接权系数的加强或抑制传输到下一层的神经元。除了输入层外,每一神经元的输人为前一层所有神经元之输出值的加权和。

2 铁矿石需求量的BP神经网络预测模型的建立和Matlab实现

1989年Robert Hecht–Nielson证明了对于任何在闭区间的一个连续函数都可以用一个隐含层的BP网络来逼近,因而一个3层的BP网络可以完成任意的N维到M维的映射,所以本文采用3层BP神经网络。

2.1样本数据处理

对铁矿石的消费量,我们用国产原矿产量加净进口量来估算,由于我国铁矿石基本没有对外出口,铁矿石消费量约等于国产原矿产量加进口量的总和。本文铁矿石消费量按65%成品矿计量,我国进口铁矿石品位多数在65%左右,折合为成品矿换算系数是l。而国产原矿品位一般在35%左右,按品位折合为成品矿时,换算系数约为0.5。

2.2BP网络结构设计

输入层:根据铁矿石产量数据的特点以及我国进行5年规划的惯例,选择输入层神经元个数为5。即用1981~1985年的国内铁矿石需求量作为网络的输入,1986年的国内铁矿石需求量作为输出,依此类推,就得到22组数据。

输出层:由于输出的结果只有一个指标,即铁矿石需求量,因此取输出节点数为1。

隐含层:理论分析表明,具有单隐层的前向网络可以以任意精度映射任何的连续函数,本研究选用只有一个隐层的前向网络,而对于隐含层节点数使用经验公式sk×m/(mn)来确定。其中:m为输入层节点数,取5;n为输出层节点数,取l;K为学习样本个数,取22。由此可以计算出网络隐含层节点数为19个。

传递函数:一个神经网络,如果第一层是S型函数,而第二层是线形函数,就可以用来模拟任何函数(必须是连续有界的)。因此,确定隐含层传递函数为S型函数“tansig”,输出层传递函数为线形函数“purelin”。

训练函数:为了确定最快捷准确的训练函数,本文采用比较法来确定。利用Matlab中常用的训练函数训练网络,得到不同函数的训练结果,最终确定采用Levenberg Marquart算法。

trainlm()函数的迭代次数最少,收敛精度最高,故采用Levenberg Marquart算法是最为快速和精确的。

2.3 BP网络建立及训练

利用Matlab中的神经网络工具箱,可方便地直接在Matlab中调用相关函数实现BP网络模型的学习、训练、拟合及预测(仿真)过程。具体步骤为:

第一步,数据归一化。

为了在Maflab中计算的方便,在网络建立之前,需要对数据的大小进行归一化处理。本文采用的是[-l,1]归一化,利用Matlab工具箱中的preinnmx()函数把数据归一化为单位方差和零均值,这相当于把原始数据看成服从正态分布。

第二步,建立网络。

数据归一化后,通过newff()函数并使用选定的训练函数trainlm(),生成了一个前馈的5–19–1的三层BP神经网络。

第三步,训练网络。

通过train()函数对已生成的网络进行学习训练,学习步长设为200个周期,目标误差设为0.001,学习速度设为0.05并每隔20步显示一次结果。训练结果表明,训练从第三个周期开始,误差小于目标误差,误差平方和的均值为0.000281,此时停止训练。

第四步,网络仿真模拟及数据还原。

将经过归一化处理过的样本数据带入已训练的网络进行仿真模拟,此过程通过Matlab工具箱中的sim()函数来实现。最后将运算结果通过postmnmx()函数进行反归一化处理,从而得到有效的预测值。

2.4 BP网络模型检验

把1981~2007年的中国铁矿石消费量数据带入已训练好的模型,通过仿真模拟和数据的反归一化处理,可以得到l986~2007年铁矿石需求量的预测值。其中,误差百分比小于6%的有19项,占86.36%;大于6%的有2项,占13.64%。说明铁矿石需求预测的神经网络模型误差很小,该模型的泛化能力较好,模拟的结果比较可靠。

4 铁矿石需求量的BP神经网络预测分析

把2003~2007年中国铁矿石消费量的实际数据作为训练好的神经网络的输入,得到2008年需求量预测值。将2004~2007年实际数据以及2008年的预测结果作为输入,得到2009年预测值,依此类推,可以得到2008~2015年中国铁矿石需求量的预测结果。中国铁矿石需求量2008~2011年持续上升,2008年为78854万吨,2010年为86713万吨。2012~2015年中国铁矿石需求量进入高峰阶段,为87828万~90379万吨。

    运用BP神经网络仿真的效果十分理想,训练后的BP网络能很好地逼近给定的目标函数。可以看出,2008~2011年未来4年中国铁矿石需求呈上升趋势,但增幅将会下降;2012~2015年进人铁矿石需求高峰阶段,铁矿石需求趋于平缓。预测结果中2012~2015年我国铁矿石需求出现小幅波动,这主要是由于受美国次贷危机的影响世界经济出现下滑,我国经济受世界经济的影响所致。

5 结论

本文的应用研究主要是以1981~2007年铁矿石消费量的数据为基础,运用BP神经网络建立预测模型,并结合Matlab提供的神经网络工具箱对算法进行实现。经过对历年铁矿石消费量的分析,合理地设计了BP神经网络的结构。同时,通过比较Matlab中神经网络训练函数的训练步数、收敛精度及误差,反复训练确定了最佳的BP神经网络训练函数,合理地确定了最优的铁矿石需求量BP网络模型,取得了一定的定量分析结果。从预测结果可以得出,我国铁矿石需求量2008~2011年将持续上升,但增长幅度放缓,2012~2015年进入铁矿石需求高峰阶段。

                                                  《国土资源情报》2008(11)

扫一扫在手机打开当前页

基于BP神经网络的中国铁矿石需求量预测

2009-10-12

 

伴随我国工业化、城镇化进程的不断推进,钢铁工业迅速发展,国民经济对钢铁的需求量不断增加,相应地对铁矿石需求量也在大幅上升,从而给我国铁矿石的生产带来了巨大的压力。为了满足铁矿石消费量持续增长的需求,我国铁矿石产量一路飙升,从l978年到2007年,铁矿石产量从l.18亿吨增长到了7.07亿吨,增长了5倍。2007年我国铁矿石产量占世界铁矿石总产量的20%,是世界上最大的铁矿石生产国。但是,铁矿石产量增长仍远远跟不上需求的增长。继2003年我国铁矿石进口量(1.48亿吨)超越日本、欧盟成为全球最大的铁矿石进口国后,进口铁矿占全球海运贸易量的比例不断加大。l978~2007年的30年间,中国进口铁矿石从802.02万吨增长到3.83亿吨,翻了45倍。

1 BP神经网络概述

神经网络是20世纪40年代新兴起来的一种预决策技术,因其具有极强的非线性动态处理能力,强大的自适应、自学习功能而被广泛应用于不同领域。在众多神经网络中,BP神经网络是最具代表性和应用最为广泛的一种网络模型,其功能也发展得最全面和完整,因此本文运用BP神经网络的方法建立铁矿石需求模型,并利用该模型对铁矿石需求量进行预测。

BP神经网络是误差反向传播的多层前馈网络,它可以任意精度逼近任意的连续函数,主要应用于非线性建模函数逼近模式分类等方面。BP神经网络由输入层、隐含层、输出层组成。在BP神经网络中,信号由输入单向传至输出,且同一层的神经元之间互不传递信号。每个神经元与相邻层的所有神经元相连。某一层的神经元的输出值通过连接权系数的加强或抑制传输到下一层的神经元。除了输入层外,每一神经元的输人为前一层所有神经元之输出值的加权和。

2 铁矿石需求量的BP神经网络预测模型的建立和Matlab实现

1989年Robert Hecht–Nielson证明了对于任何在闭区间的一个连续函数都可以用一个隐含层的BP网络来逼近,因而一个3层的BP网络可以完成任意的N维到M维的映射,所以本文采用3层BP神经网络。

2.1样本数据处理

对铁矿石的消费量,我们用国产原矿产量加净进口量来估算,由于我国铁矿石基本没有对外出口,铁矿石消费量约等于国产原矿产量加进口量的总和。本文铁矿石消费量按65%成品矿计量,我国进口铁矿石品位多数在65%左右,折合为成品矿换算系数是l。而国产原矿品位一般在35%左右,按品位折合为成品矿时,换算系数约为0.5。

2.2BP网络结构设计

输入层:根据铁矿石产量数据的特点以及我国进行5年规划的惯例,选择输入层神经元个数为5。即用1981~1985年的国内铁矿石需求量作为网络的输入,1986年的国内铁矿石需求量作为输出,依此类推,就得到22组数据。

输出层:由于输出的结果只有一个指标,即铁矿石需求量,因此取输出节点数为1。

隐含层:理论分析表明,具有单隐层的前向网络可以以任意精度映射任何的连续函数,本研究选用只有一个隐层的前向网络,而对于隐含层节点数使用经验公式sk×m/(mn)来确定。其中:m为输入层节点数,取5;n为输出层节点数,取l;K为学习样本个数,取22。由此可以计算出网络隐含层节点数为19个。

传递函数:一个神经网络,如果第一层是S型函数,而第二层是线形函数,就可以用来模拟任何函数(必须是连续有界的)。因此,确定隐含层传递函数为S型函数“tansig”,输出层传递函数为线形函数“purelin”。

训练函数:为了确定最快捷准确的训练函数,本文采用比较法来确定。利用Matlab中常用的训练函数训练网络,得到不同函数的训练结果,最终确定采用Levenberg Marquart算法。

trainlm()函数的迭代次数最少,收敛精度最高,故采用Levenberg Marquart算法是最为快速和精确的。

2.3 BP网络建立及训练

利用Matlab中的神经网络工具箱,可方便地直接在Matlab中调用相关函数实现BP网络模型的学习、训练、拟合及预测(仿真)过程。具体步骤为:

第一步,数据归一化。

为了在Maflab中计算的方便,在网络建立之前,需要对数据的大小进行归一化处理。本文采用的是[-l,1]归一化,利用Matlab工具箱中的preinnmx()函数把数据归一化为单位方差和零均值,这相当于把原始数据看成服从正态分布。

第二步,建立网络。

数据归一化后,通过newff()函数并使用选定的训练函数trainlm(),生成了一个前馈的5–19–1的三层BP神经网络。

第三步,训练网络。

通过train()函数对已生成的网络进行学习训练,学习步长设为200个周期,目标误差设为0.001,学习速度设为0.05并每隔20步显示一次结果。训练结果表明,训练从第三个周期开始,误差小于目标误差,误差平方和的均值为0.000281,此时停止训练。

第四步,网络仿真模拟及数据还原。

将经过归一化处理过的样本数据带入已训练的网络进行仿真模拟,此过程通过Matlab工具箱中的sim()函数来实现。最后将运算结果通过postmnmx()函数进行反归一化处理,从而得到有效的预测值。

2.4 BP网络模型检验

把1981~2007年的中国铁矿石消费量数据带入已训练好的模型,通过仿真模拟和数据的反归一化处理,可以得到l986~2007年铁矿石需求量的预测值。其中,误差百分比小于6%的有19项,占86.36%;大于6%的有2项,占13.64%。说明铁矿石需求预测的神经网络模型误差很小,该模型的泛化能力较好,模拟的结果比较可靠。

4 铁矿石需求量的BP神经网络预测分析

把2003~2007年中国铁矿石消费量的实际数据作为训练好的神经网络的输入,得到2008年需求量预测值。将2004~2007年实际数据以及2008年的预测结果作为输入,得到2009年预测值,依此类推,可以得到2008~2015年中国铁矿石需求量的预测结果。中国铁矿石需求量2008~2011年持续上升,2008年为78854万吨,2010年为86713万吨。2012~2015年中国铁矿石需求量进入高峰阶段,为87828万~90379万吨。

    运用BP神经网络仿真的效果十分理想,训练后的BP网络能很好地逼近给定的目标函数。可以看出,2008~2011年未来4年中国铁矿石需求呈上升趋势,但增幅将会下降;2012~2015年进人铁矿石需求高峰阶段,铁矿石需求趋于平缓。预测结果中2012~2015年我国铁矿石需求出现小幅波动,这主要是由于受美国次贷危机的影响世界经济出现下滑,我国经济受世界经济的影响所致。

5 结论

本文的应用研究主要是以1981~2007年铁矿石消费量的数据为基础,运用BP神经网络建立预测模型,并结合Matlab提供的神经网络工具箱对算法进行实现。经过对历年铁矿石消费量的分析,合理地设计了BP神经网络的结构。同时,通过比较Matlab中神经网络训练函数的训练步数、收敛精度及误差,反复训练确定了最佳的BP神经网络训练函数,合理地确定了最优的铁矿石需求量BP网络模型,取得了一定的定量分析结果。从预测结果可以得出,我国铁矿石需求量2008~2011年将持续上升,但增长幅度放缓,2012~2015年进入铁矿石需求高峰阶段。

                                                  《国土资源情报》2008(11)