一种基于BP神经网络算法的港口货物流向统计方法和系统技术方案

本发明专利技术公开了一种基于BP神经网络算法的港口货物流向统计方法和系统，首先获取港口货物清单信息，录入形成清单数据池，执行显著样本数据及模糊样本数据构造；然后确定初始化模型A=A1∪A2，取输出结果中的较高置信度输出结果；执行神经网络训练；最后进行模型测试及输出，将清单数据池中的每组样本数据对应的网络模型输出作为货物流向信息，实现货物流向信息的统计。通过上述方案，本发明专利技术能够从港口货物清单信息挖掘出与货物流向相关的有效信息；能够实现简单数据、显著参数的常规推导得到货物流向信息，也可以尽可能地从复杂数据挖掘出有效参数，从而推导得到货物流向信息，两者互证互补，高效实现货物流向信息统计工作。高效实现货物流向信息统计工作。高效实现货物流向信息统计工作。

【技术实现步骤摘要】
一种基于BP神经网络算法的港口货物流向统计方法和系统


[0001]本申请属于计算机
，特别涉及一种基于BP神经网络算法的港口货物流向统计方法和系统。

技术介绍

[0002]港口货物流向是指港口货物源地到目标地的有效记录，港口货物流向与港口企业的经营状况，货物需求量，港口吞吐量，港口货物运转效率等等均具备较强关联性，尤其是通常被用作衡量港口货物源地到目标地经济往来程度，大量的数据记录可为统计主体提供经济状况分析、经济政策制定、发展前景预测提供分析基础，港口货物流向是一其中项运用频繁且较为重要的经济分析基础指标。国内外各主要港口都会针对运输货物进行基本信息记录，如重量、价值、期限、运费、货主、代理人、转运标记、保险单等等，港口货物流向通常可以基于记录的基本信息进行挖掘得到，例如基于二项因子{货物发源地，货物目标地}形成简单的货物流向记录。
[0003]而在实际运用中，对港口货物流向统计通常会遇到如下困难：（1）各国家/地区、港口对于港口货物运输的所记录的基本信息标准不同，某个或某些港口登记的基本信息，对于另一些港口，例如数量众多但未执行标准化的小型港口而言反而是非必要的可选信息，如此易于造成统计数据漏项缺项，有效的数据挖掘相对困难；（2）虽然从记录的相关基础数据可以执行简单的推导以得到所需要的项目信息，但是对于复杂的推导、海量的数据的情况而言，各基础数据之间的关系规律隐蔽，难以直观地基于经验、简单分析得到有效和准确的项目信息。例如，现有技术中专利CN109711773A公开了一种对集装箱货物流向流量统计方法，其运用聚类算法，将标准属性文件进行聚类，选取标准属性文件所在的簇，并将该簇中所有运输单据基于规则进行分类，最终计算运输节点之间的集装箱运输量、输出信息，该方案通过对运输单据基础信息的分类、挖掘得到货物流向信息，然而正如上述困难（2）所述，该专利方案得以成功挖掘数据正是基于运输单据中记录的装运地和卸货地的强关联性推导所得，对于未记录或不具有类似装运地和卸货地这种强关联、可简单推导的情况而言，该方案难以实现其目的。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供一种基于BP神经网络算法的港口货物流向统计方法和系统。
[0005]为实现上述目的，本申请提供了一种基于BP神经网络算法的港口货物流向统计方法，所述方法包括：步骤S110，获取港口货物清单信息，录入形成清单数据池，执行显著样本数据及模糊样本数据构造；步骤S120，确定初始化模型A=A1∪A2，其中A1为显著参数子bp网络模型，A2为模糊参数子bp网络模型，符号“∪”表示取输出结果中的较高置信度输出结果；执行神经网络训
练；步骤S130，模型测试及输出，将清单数据池中的每组样本数据对应的网络模型输出作为货物流向信息，实现货物流向信息的统计。
[0006]一实施例中，在显著样本数据及模糊样本数据构造步骤中，还包括步骤S1101，进行清单数据向量化：构建清单数据到向量空间的映射表；获取港口货物清单信息录入形成清单数据池后，从所述清单数据池中按预定数量M随机抽取清单数据；将所述随机抽取的每组清单数据基于映射表映射至向量空间Zm={am1,am2,
……
amn}；其中n为每组样本的基本信息数量，0<m<M；还包括步骤S1102，提取所述向量空间Zm的货物流向显著相关性参数Zm1，基于预设算法对所述显著相关性参数标定所述随机抽取的清单数据的每个清单数据的清单货物流向Dm；若标定成功，基于显著性相关参数Zm1合并所述标定成功的清单货物流向Dm作为第一训练数据集中的数据Tm1={Zm1,Dm}，并基于Zm去除所述显著相关性参数Zm1得到模糊相关性参数Zm2，进而合并所述标定成功的清单货物流向Dm作为第二训练数据集中的数据Tm2={Zm2,Dm};若标定不成功则将所述随机抽取的清单数据丢回所述清单数据池，同时重新获取其数量与所丢回的数量相等的清单数据，重复标定步骤，直至所标定的数量达到所述预定数量M。
[0007]一实施例中，所述步骤S120还包括：将A1、A2模型输出结果的置信度归一化至（0，1）空间，基于平衡系数a1
scale、
a2
scale
对归一化后的置信度进行系数加权。
[0008]一实施例中，所述执行神经网络训练具体包括：S1201参数初始化步骤，包括：初始化A1模型参数：根据Tm1序列中Zm1维度确定第一输入层节点数n1，根据第一输入层节点数n1确定第一隐含层节点数k1，确定第一输出层节点数o1；初始化A2模型参数：根据Tm2序列中Zm2维度确定第二输入层节点数n2，根据第二输入层节点数n2确定第二隐含层节点数k2，确定第二输出层节点数o2；分别初始化两个子bp网络模型的连接权值、偏置阈值，并选取激活函数；S1202训练步骤：基于Tm1样本序列中的各样本输入至A1，基于Tm2样本序列中的各样本输入至A2，正向计算各节点函数输出；计算损失函数，对损失函数求出各权值的偏导，基于梯度下降法反向传输过程优化，更新A1及A2的各参数值，重复上述训练步骤直至达到预设训练目标。
[0009]一实施例中，所述模型测试及输出步骤具体包括：从清单数据池中获取测试样本，将测试样本输入至所述训练后的训练后的Bp神经网络模型A，若模型输出符合预期，则将清单数据池中的清单数据输入训练后的Bp神经网络模型得到网络模型输出作为货物流向信息，实现货物流向信息的统计。
[0010]本申请还提供一种基于BP神经网络算法的港口货物流向统计系统，包括：样本构造模块，用于获取港口货物清单信息，录入形成清单数据池，执行显著样本数据及模糊样本数据构造；神经网络训练模块，用于确定初始化模型A=A1∪A2，其中A1为显著参数子bp网络模型，A2为模糊参数子bp网络模型，符号“∪”表示取输出结果中的较高置信度输出结果；执行神经网络训练；
测试及输出模块，用于模型测试及输出，将清单数据池中的每组样本数据对应的网络模型输出作为货物流向信息，实现货物流向信息的统计。
[0011]一实施例中，所述样本构造模块还包括清单数据向量化模块，用于进行清单数据向量化：构建清单数据到向量空间的映射表；获取港口货物清单信息录入形成清单数据池后，从所述清单数据池中按预定数量M随机抽取清单数据；将所述随机抽取的每组清单数据基于映射表映射至向量空间Zm={am1,am2,
……
amn}；其中n为每组样本的基本信息数量，0<m<M；所述样本构造模块还包括显著样本数据及模糊样本数据构造模块，用于提取所述向量空间Zm的货物流向显著相关性参数Zm1，基于预设算法对所述显著相关性参数标定所述随机抽取的清单数据的每个清单数据的清单货物流向Dm；若标定成功，基于显著性相关参数Zm1合并所述标定成功的清单货物流向Dm作为第一训练数据集中的数据Tm1={Zm1,Dm}，并基于Zm去除所述显著相关性参数Zm1得到模糊相关性参数Zm2，进而合并所述标定成功的清本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络算法的港口货物流向统计方法，其特征在于，所述方法包括：步骤S110，获取港口货物清单信息，录入形成清单数据池，执行显著样本数据及模糊样本数据构造；步骤S120，确定初始化模型A=A1∪A2，并基于所述显著样本数据及模糊样本数据执行神经网络训练，以获得训练后的BP神经网络模型，其中A1为显著参数子bp网络模型，A2为模糊参数子bp网络模型，符号“∪”表示取输出结果中的较高置信度输出结果；步骤S130，模型测试及输出，将所述清单数据池中的每组样本数据对应的网络模型输出作为货物流向信息，实现货物流向信息的统计。2.如权利要求1所述的基于BP神经网络算法的港口货物流向统计方法，其特征在于，在显著样本数据及模糊样本数据构造步骤中，还包括步骤S1101，进行清单数据向量化：构建清单数据到向量空间的映射表；从所述清单数据池中按预定数量M随机抽取清单数据；将所述随机抽取的每组清单数据基于所述映射表映射至向量空间Zm={am1,am2,
……
amn}；其中n为每组样本的基本信息数量，0<m<M；还包括步骤S1102，提取所述向量空间Zm的货物流向显著相关性参数Zm1，基于预设算法对所述显著相关性参数标定所述随机抽取的清单数据的每个清单数据的清单货物流向Dm；若标定成功，基于显著性相关参数Zm1合并所述标定成功的清单货物流向Dm作为第一训练数据集中的数据Tm1={Zm1,Dm}，并基于Zm去除所述显著相关性参数Zm1得到模糊相关性参数Zm2，进而合并所述标定成功的清单货物流向Dm作为第二训练数据集中的数据Tm2={Zm2,Dm};若标定不成功则将所述随机抽取的清单数据丢回所述清单数据池，同时重新获取其数量与所丢回的数量相等的清单数据，重复标定步骤，直至所标定的数量达到所述预定数量M。3.如权利要求1所述的基于BP神经网络算法的港口货物流向统计方法，其特征在于，所述步骤S120还包括：将显著参数子bp网络模型、模糊参数子bp网络模型输出结果的置信度归一化至（0，1）空间，基于平衡系数a1
scale、
a2
scale
对归一化后的置信度进行系数加权。4.如权利要求2所述的基于BP神经网络算法的港口货物流向统计方法，其特征在于，所述执行神经网络训练具体包括：S1201参数初始化步骤，包括：初始化显著参数子bp网络模型参数：根据Tm1序列中Zm1维度确定第一输入层节点数n1，根据第一输入层节点数n1确定第一隐含层节点数k1，确定第一输出层节点数o1；初始化模糊参数子bp网络模型参数：根据Tm2序列中Zm2维度确定第二输入层节点数n2，根据第二输入层节点数n2确定第二隐含层节点数k2，确定第二输出层节点数o2；分别初始化两个子bp网络模型的连接权值、偏置阈值，并选取激活函数；S1202训练步骤：基于Tm1样本序列中的各样本输入至显著参数子bp网络模型，基于Tm2样本序列中的各样本输入至模糊参数子bp网络模型，正向计算各节点函数输出；计算损失函数，对损失函数求出各权值的偏导，基于梯度下降法反向传输过程优化，更新显著参数子bp网络模型及模糊参数子bp网络模型的各参数值；重复上述训练步骤直至达到预设训练目标。5.如权利要求1所述的基于BP神经网络算法的港口货物流向统计方法，其特征在于，所述模型测试及输出步骤具体包括：从所述清单数据池中获取测试样本，将测试样本输入至所述训练后的BP神经网络模
型，若模型输出符合预期，则将清单数据池中的清单数据输入BP神经网络模型得到网络模型输出作为货物流向信息，实现货物流向信息的统计。6.一种基于BP神...

【专利技术属性】
技术研发人员：赵衍维，
申请(专利权)人：江苏物润船联网络股份有限公司，
类型：发明
国别省市：