一种基于混合神经网络的钢铁物流成本预测方法及系统

1.本发明涉及物流信息技术领域，特别是涉及一种基于混合神经网络的钢铁物流成本预测方法及系统。


背景技术：

2.随着经济发展，物流产业在各行各业的重要性日益上升，因而对于物流成本的预测至关重要。
3.在钢铁产业领域，物流同样有着重要作用。然而，由于传统的钢铁物流成本预测方式往往是基于经验进行预测，对于钢铁物流成本预测这类影响因素繁杂的预测往往极度不准确，存在着诸多缺陷，这导致了钢铁企业物流成本预估、核算困难，不利于钢铁企业的经济发展及钢铁物流管理水平的进步。


技术实现要素：

4.为了克服现有技术的不足，本发明的目的是提供一种基于混合神经网络的钢铁物流成本预测方法及系统。
5.为实现上述目的，本发明提供了如下方案：
6.一种基于混合神经网络的钢铁物流成本预测方法，包括：
7.获取待测的钢铁物流成本数据；
8.将所述待测的钢铁物流成本数据输入至训练好的预测模型中，得到预测完成的钢铁物流成本；
9.所述预测模型的确定方法为：
10.获取训练的钢铁物流成本数据；
11.对所述训练的钢铁物流成本数据进行预处理，得到训练集和测试集；
12.对预设的混合神经网络进行初始化，并根据所述训练集对初始化后的混合神经网络进行训练，得到训练后的混合神经网络；
13.基于全局最优的优化方法对所述训练后的混合神经网络进行参数迭代，得到所述训练好的预测模型。
14.优选地，还包括：
15.根据所述测试集对所述训练好的预测模型进行模型测试。
16.优选地，所述训练的钢铁物流成本数据的表达式为s＝{x1，x2，...，xn，y}，其中，s为所述训练的钢铁物流成本数据的历史数据集合，xn为第n个影响因素，y为钢铁物流成本值。
17.优选地，所述影响因素包括车辆出发起始地点、车辆运输目的地、车辆类型、运输日天气、路况、货物种类和货物重量。
18.优选地，所述对所述训练的钢铁物流成本数据进行预处理，得到训练集和测试集，包括：
19.对所述历史数据集合进行矩阵化处理，得到第一数据矩阵和第二数据矩阵；所述第一数据矩阵的表达式为x＝[x
ij
]m×n，所述第二数据矩阵的表达式为y＝[yi]m×1；其中，x为所述第一数据矩阵，x
ij
为第i条所述历史数据集合中的第j个影响因素；yi为第i条所述历史数据集合中的物流成本值；n为所述影响因素的数量；m为所述钢铁物流成本数据的总计条数；
[0020]
分别对所述第一数据矩阵和所述第二数据矩阵进行归一化处理，得到第一归一化数据和第二归一化数据；所述第一归一化数据的表达式为x
*
＝2
×
所述第二归一化数据的表达式为其中，x
max
为所述影响因素的最大值，x
min
为所述影响因素的最小值；y
max
为所述物流成本值的最大值；y
min
为所述物流成本值的最小值；
[0021]
分别对所述第一归一化数据和所述第二归一化数据进行矩阵化表示，得到第一处理矩阵和第二处理矩阵；所述第一处理矩阵的表达式为所述第二处理矩阵的表达式为其中，x
*
为所述第一处理矩阵，为第i条所述历史数据集合中的第j个影响因素的归一化后的值，y
*
为所述第二处理矩阵，为第i条所述历史数据集合中的物流成本值的归一化后的值；
[0022]
根据所述第一处理矩阵和所述第二处理矩阵确定所述训练集和所述测试集。
[0023]
优选地，所述对预设的混合神经网络进行初始化，并根据所述训练集对初始化后的混合神经网络进行训练，得到训练后的混合神经网络，包括：
[0024]
获取所述预设的混合神经网络；所述混合神经网络包括依次连接的输入层、隐藏层和输出层；所述输入层的输入节点的数量等于所述影响因素的数量；
[0025]
根据所述影响因素的数量确定所述隐藏层的节点数量；所述隐藏层的节点数量的公式为：其中，n
*
为所述隐藏层的节点数量，a为预设的经验值；
[0026]
根据所述第二处理矩阵确定所述输出层的节点数量；
[0027]
初始化所述混合神经网络的混合神经网络参数；所述混合神经网络参数包括所述混合神经网络的学习率、训练目标最小误差、最大迭代次数、节点权重、节点偏置、激活函数和输出函数；
[0028]
根据所述训练集对初始化混合神经网络参数后的所述混合神经网络进行训练，得到训练后的混合神经网络。
[0029]
优选地，所述基于全局最优的优化方法对所述训练后的混合神经网络进行参数迭代，得到所述训练好的预测模型，包括：
[0030]
确定钢铁物流成本预测值与准确值之间的损失值；所述损失值的计算公式为c＝(y
*-y)2；其中c为所述损失值，y
*
为所述钢铁物流成本预测值；
[0031]
在训练过程中，当所述混合神经网络到一个新的钢铁物流成本损失c
t
后，对c
t
进行随机的扰动，得到新的钢铁物流成本损失c
t 1
，并以概率p选择是否更新本次扰动，并将预设
的优化常量乘以系数进行更新；所述概率的表达式为其中，k为所述优化常量；
[0032]
当更新的所述优化常量达到所述最大迭代次数时，取多个连续的所述钢铁物流成本损失并判断是否均在所述概率下不被接受，若是，则得到所述训练好的预测模型。
[0033]
优选地，所述待测的钢铁物流成本数据的表达式为t＝{x1，x2，...，xn}；其中，t为所述待测的钢铁物流成本数据的集合；xn为第n个影响因素。
[0034]
一种基于混合神经网络的钢铁物流成本预测系统，包括：
[0035]
待测数据获取模块，用于获取待测的钢铁物流成本数据；
[0036]
预测模块，用于将所述待测的钢铁物流成本数据输入至训练好的预测模型中，得到预测完成的钢铁物流成本；
[0037]
模型确定模块，具体包括：
[0038]
训练数据获取单元，用于获取训练的钢铁物流成本数据；
[0039]
预处理单元，用于对所述训练的钢铁物流成本数据进行预处理，得到训练集和测试集；
[0040]
初始化单元，用于对预设的混合神经网络进行初始化，并根据所述训练集对初始化后的混合神经网络进行训练，得到训练后的混合神经网络；
[0041]
优化单元，用于基于全局最优的优化方法对所述训练后的混合神经网络进行参数迭代，得到所述训练好的预测模型。
[0042]
优选地，还包括：
[0043]
测试模块，用于根据所述测试集对所述训练好的预测模型进行模型测试。
[0044]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0045]
本发明提供了一种基于混合神经网络的钢铁物流成本预测方法及系统，针对传统物流成本预测方法中存在的随机性进行了改进，利用混合神经网络提高了预测结果的精确程度，并同时优化了传统混合神经网络中存在的局部最优及迭代次数过多的问题，有很高的预测精确度以及较高的可实施性。
附图说明
[0046]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0047]
图1为本发明提供的实施例中的预测方法的流程图；
[0048]
图2为本发明提供的实施例中的混合神经网络的结构示意图；
[0049]
图3为本发明提供的实施例中的模型训练和预测流程图；
[0050]
图4为本发明提供的实施例中的混合神经网络的激活函数的示意图。
具体实施方式
[0051]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0052]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0053]
本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
[0054]
本发明的目的是提供一种基于混合神经网络的钢铁物流成本预测方法及系统，能够提高对钢铁物流成本的预测精度。
[0055]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0056]
图1为本发明提供的实施例中的预测方法的流程图，如图1所示，本发明提供了一种基于混合神经网络的钢铁物流成本预测方法，包括：
[0057]
步骤100获取待测的钢铁物流成本数据；
[0058]
步骤200将所述待测的钢铁物流成本数据输入至训练好的预测模型中，得到预测完成的钢铁物流成本；
[0059]
所述预测模型的确定方法为：
[0060]
步骤201：获取训练的钢铁物流成本数据；
[0061]
步骤202：对所述训练的钢铁物流成本数据进行预处理，得到训练集和测试集；
[0062]
步骤203：对预设的混合神经网络进行初始化，并根据所述训练集对初始化后的混合神经网络进行训练，得到训练后的混合神经网络；
[0063]
步骤204：基于全局最优的优化方法对所述训练后的混合神经网络进行参数迭代，得到所述训练好的预测模型。
[0064]
优选地，还包括：
[0065]
步骤300：根据所述测试集对所述训练好的预测模型进行模型测试。
[0066]
优选地，所述训练的钢铁物流成本数据的表达式为s＝{x1，x2，...，xn，y}，其中，s为所述训练的钢铁物流成本数据的历史数据集合，xn为第n个影响因素，y为钢铁物流成本值。
[0067]
图2为本发明提供的实施例中的模型训练的流程图，如图2所示，混合神经网络有三层，第一层输入层的节点都是输入节点，每个节点表示一个输入的数据，钢铁物流成本数据集合用以下集合s表示：
[0068]
s＝{x1，x2，...，xn，y}
[0069]
如此，输入层输入节点需要分别输入x1，x2，...，xn。
[0070]
其中n表示该集合中总的影响钢铁物流成本的影响因素，xi表示第i个影响因素，满足1≤i≤n，y表示钢铁物流成本值。
[0071]
优选地，所述影响因素包括车辆出发起始地点、车辆运输目的地、车辆类型、运输日天气、路况、货物种类和货物重量。
[0072]
进一步地，上述影响钢铁物流成本的影响因素是指车辆出发起始地点、车辆运输目的地、车辆类型、运输日天气(晴，雨，雾，雪等)、路况、货物种类、货物重量以及与成本相关的所有此方法验证为可利用的因素。
[0073]
图3为本发明提供的实施例中的模型训练和预测流程图，正如图3所示，本实施例提供的训练和预测方法包括：
[0074]
s1，获取历史相关的钢铁物流成本数据；
[0075]
s2，预处理所述的钢铁物流成本数据；
[0076]
s3，初始化混合神经网络，并训练神经网络，最后采用全局最优的优化方式进行参数迭代，优化模型；
[0077]
s4，利用优化的混合神经网络对钢铁物流成本预测。
[0078]
优选地，所述步骤202包括：
[0079]
对所述历史数据集合进行矩阵化处理，得到第一数据矩阵和第二数据矩阵；所述第一数据矩阵的表达式为x＝[x
ij
]m×n，所述第二数据矩阵的表达式为y＝[yi]m×1；其中，x为所述第一数据矩阵，x
ij
为第i条所述历史数据集合中的第j个影响因素；yi为第i条所述历史数据集合中的物流成本值；n为所述影响因素的数量；m为所述钢铁物流成本数据的总计条数；
[0080]
分别对所述第一数据矩阵和所述第二数据矩阵进行归一化处理，得到第一归一化数据和第二归一化数据；所述第一归一化数据的表达式为数据和第二归一化数据；所述第一归一化数据的表达式为所述第二归一化数据的表达式为其中，x
max
为所述影响因素的最大值，x
min
为所述影响因素的最小值；y
max
为所述物流成本值的最大值；y
min
为所述物流成本值的最小值；
[0081]
分别对所述第一归一化数据和所述第二归一化数据进行矩阵化表示，得到第一处理矩阵和第二处理矩阵；所述第一处理矩阵的表达式为所述第二处理矩阵的表达式为其中，x
*
为所述第一处理矩阵，为第i条所述历史数据集合中的第j个影响因素的归一化后的值，y
*
为所述第二处理矩阵，为第i条所述历史数据集合中的物流成本值的归一化后的值；
[0082]
根据所述第一处理矩阵和所述第二处理矩阵确定所述训练集和所述测试集。
[0083]
具体的，本实施例中输入的数据是以矩阵形式进行输入：
[0084]
x＝[x
ij
]m×n，y＝[yi]m×1。
[0085]
其中元素x
ij
第i条历史数据中集合s中的第j个影响因素，元素yi代表第i条历史数据中的物流成本值。x和y矩阵的划分需要由实现者手动对数据进行切割处理，使用矩阵运
算可以通过向量运算大大降低运算及实现的复杂性。
[0086]
进一步地，本实施例中输入数据之前，对数据矩阵x，y进行归一化以及训练集，测试集数据的划分。
[0087]
归一化处理，让所有数据的值在[-1，1]之间，采用以下公式：
[0088][0089]
其中max，min分别代表xi对应的钢铁物流成本影响因素、钢铁物流成本y中的最大最小值。
[0090]
处理后的数据采用以下矩阵x
*
，y
*
表示：
[0091][0092]
其中，矩阵元素分别表示x
ij
，yi归一化后的值
[0093]
更进一步地，对归一化之后的矩阵数据x
*
，y
*
进行矩阵划分，取其中的前80％作为训练数据集剩下20％作为测试集
[0094]
优选地，所述步骤203包括：
[0095]
获取所述预设的混合神经网络；所述混合神经网络包括依次连接的输入层、隐藏层和输出层；所述输入层的输入节点的数量等于所述影响因素的数量；
[0096]
根据所述影响因素的数量确定所述隐藏层的节点数量；所述隐藏层的节点数量的公式为：其中，n
*
为所述隐藏层的节点数量，a为预设的经验值；
[0097]
根据所述第二处理矩阵确定所述输出层的节点数量；
[0098]
初始化所述混合神经网络的混合神经网络参数；所述混合神经网络参数包括所述混合神经网络的学习率、训练目标最小误差、最大迭代次数、节点权重、节点偏置、激活函数和输出函数；
[0099]
根据所述训练集对初始化混合神经网络参数后的所述混合神经网络进行训练，得到训练后的混合神经网络。
[0100]
具体的，本实施例中根据数据集中x
*
初始设置混合神经网络的输入节点数量，输入节点的数量设置为集合s＝{x1，x2，...，xn，y}中x的数量，即为影响钢铁物流成本的影响因素数量；
[0101]
进一步地，根据影响钢铁物流成本的影响因素数量设置混合神经网络隐藏层节点数量，依据隐藏层节点设置的经验公式：
[0102][0103]
其中，n是影响钢铁物流成本的影响因素数量，1是因为输出节点仅有1个，a可以取1～10内任意值；
[0104]
更进一步地，根据数据集中y
*
初始设置混合神经网络输出节点数量，由钢铁物流成本数据集可以知仅有1个输出，输出节点数同样设置为1。
[0105]
接着继续配置神经网络参数，完善神经网络：
[0106]
先设置学习率，训练目标最小误差，最大迭代次数：
[0107]
手动的设置学习率α＝0.01，这个数值不能设置的过大或者过小，过大会导致调整
幅度过大，不易得出最优预测钢铁物流成本模型；过小可能导致调整过程迭代次数过多，效率低下。设置训练目标最小误差β＝0.001。
[0108]
再分别手动设置输入层-＞隐藏层，隐藏层-＞输出层各个节点的权重w，偏置b；
[0109]
设置隐藏层，输出层的激活函数f(x)：
[0110][0111]
f(x)是激活函数，非线性函数，可以把隐藏层输出以及预测物流成本输出映射到[-1，1]之内，如图4所示。
[0112]
可以得到隐藏层，输出层的输出：
[0113][0114]
其中，hj是隐藏层对输出层的输入，w
ij
，b
ij
分别是第i个输入节点与第j个隐藏层节点之间的权重与偏置。分别是第i个隐藏节点与输出节点之间的权重与偏置，可以得到预测的物流成本y。
[0115]
再进一步地，混合神经网络初始化完成之后，输入前述钢铁物流成本数据集训练，在训练的同时需要不断的依据钢铁物流成本预测输出值与准确输出值的损失使用全局最优的优化方式调整各层之间的权重和偏置，优化混合神经网络，达到预测钢铁物流成本最精准的目的，既防止了过拟合化、局部最优现象，也提升了迭代效率。
[0116]
全局最优优化的调整方式如下：
[0117]
首先定义一个较大的常量k＝2000，
[0118]
并定义出钢铁物流成本预测值与准确值之间的损失c：
[0119]
c＝(y
*-y)2。
[0120]
其中y
*
表示钢铁物流成本的预测值，y表示与之对应的钢铁物流成本的实际值。目的是使得c尽量小。
[0121]
进一步的，当混合神经网络得到一个新的钢铁物流成本损失c
t
后，对其进行随机的扰动，得到新的钢铁物流成本损失c
t 1
，并以概率p选择是否更新这次扰动。
[0122][0123]
其中c
t
，c
t 1
为上述的钢铁物流成本损失，k为初始化的常量，
[0124]
同时更新k＝k
×
0.99。
[0125]
重复上述迭代过程，直到达到最大迭代次数。接着取若干个连续的钢铁损失c，若都在上述p下不被接受，全局最优优化调整结束。
[0126]
混合神经网络模型调整完成后，一种基于混合神经网络的钢铁物流成本预测方法也实现完成。之后只需要输入用于测试的钢铁物流成本影响因素数据集进行模型测试即可，当然最后还需要对输出层输出的的钢铁物流预测成本矩阵进行反归一化得到矩阵作为模型预测成果输出与比对验证模型的准确率。
[0127]
优选地，所述步骤204包括：
[0128]
确定钢铁物流成本预测值与准确值之间的损失值；所述损失值的计算公式为c＝(y
*-y)2；其中c为所述损失值，y
*
为所述钢铁物流成本预测值；
[0129]
在训练过程中，当所述混合神经网络到一个新的钢铁物流成本损失c
t
后，对c
t
进行随机的扰动，得到新的钢铁物流成本损失c
t 1
，并以概率p选择是否更新本次扰动，并将预设的优化常量乘以系数进行更新；所述概率的表达式为其中，k为所述优化常量；
[0130]
当更新的所述优化常量达到所述最大迭代次数时，取多个连续的所述钢铁物流成本损失并判断是否均在所述概率下不被接受，若是，则得到所述训练好的预测模型。
[0131]
优选地，所述待测的钢铁物流成本数据的表达式为t＝{x1，x2，...，xn}；其中，t为所述待测的钢铁物流成本数据的集合；xn为第n个影响因素。
[0132]
本实施例中，今后用户若是需要预测钢铁物流成本，只需要按输入顺序将影响因素输入即可，就可以得到按需求输出的预测的钢铁物流成本y。，输入数据用以下集合t表示：
[0133]
t＝{x1，x2，...，xn}；其中元素xi表示第i个影响钢铁物流成本的因素，一共有n个影响因素；
[0134]
本实施例还对应提供了一种基于混合神经网络的钢铁物流成本预测系统，包括：
[0135]
待测数据获取模块，用于获取待测的钢铁物流成本数据；
[0136]
预测模块，用于将所述待测的钢铁物流成本数据输入至训练好的预测模型中，得到预测完成的钢铁物流成本；
[0137]
模型确定模块，具体包括：
[0138]
训练数据获取单元，用于获取训练的钢铁物流成本数据；
[0139]
预处理单元，用于对所述训练的钢铁物流成本数据进行预处理，得到训练集和测试集；
[0140]
初始化单元，用于对预设的混合神经网络进行初始化，并根据所述训练集对初始化后的混合神经网络进行训练，得到训练后的混合神经网络；
[0141]
优化单元，用于基于全局最优的优化方法对所述训练后的混合神经网络进行参数迭代，得到所述训练好的预测模型。
[0142]
本发明的有益效果如下：
[0143]
本发明针对传统物流成本预测方法中存在的随机性进行了改进，同时优化了传统神经网络中存在的局部最优及迭代次数过多的问题，有很高的预测精确度以及较高的可实施性。
[0144]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0145]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说
明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。