一种基于混合神经网络的钢铁物流成本预测方法及系统

技术特征：
1.一种基于混合神经网络的钢铁物流成本预测方法，其特征在于，包括：获取待测的钢铁物流成本数据；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；所述预测模型的确定方法为：获取训练的钢铁物流成本数据；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；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；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。2.根据权利要求1所述的基于混合神经网络的钢铁物流成本预测方法，其特征在于，还包括：根据所述测试集对所述训练好的预测模型进行模型测试。3.根据权利要求1所述的基于混合神经网络的钢铁物流成本预测方法，其特征在于，所述训练的钢铁物流成本数据的表达式为s＝{x1，x2，
…
，x
n
，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，x
n
为第n个影响因素，y为钢铁物流成本值。4.根据权利要求1所述的基于混合神经网络的钢铁物流成本预测方法，其特征在于，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。5.根据权利要求3所述的基于混合神经网络的钢铁物流成本预测方法，其特征在于，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：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＝[y
i
]
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；y
i
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；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；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；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。
6.根据权利要求5所述的基于混合神经网络的钢铁物流成本预测方法，其特征在于，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：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；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；根据所述第二处理矩阵确定所述输出层的节点数量；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；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。7.根据权利要求6所述的基于混合神经网络的钢铁物流成本预测方法，其特征在于，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：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；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；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。8.根据权利要求1所述的基于混合神经网络的钢铁物流成本预测方法，其特征在于，所述待测的钢铁物流成本数据的表达式为t＝{x1，x2，
…
，x
n
}；其中，t为所述待测的钢铁物流成本数据的集合；x
n
为第n个影响因素。9.一种基于混合神经网络的钢铁物流成本预测系统，其特征在于，包括：待测数据获取模块，用于获取待测的钢铁物流成本数据；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；模型确定模块，具体包括：训练数据获取单元，用于获取训练的钢铁物流成本数据；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；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；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。10.根据权利要求9所述的基于混合神经网络的钢铁物流成本预测系统，其特征在于，还包括：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。

技术总结
本发明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，方法包括获取待测的钢铁物流成本数据；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；其中预测模型为训练并优化好的混合神经网络。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，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。可实施性。可实施性。


技术研发人员：薄胜 李媛 程渤 叶弘毅 赵静怡
受保护的技术使用者：北京邮电大学
技术研发日：2022.04.02
技术公布日：2022/6/14