BP神经网络在道路运输信用管理系统中的应用

来源:用户上传      作者:

　　【摘要】    道路运输行业信用体系是社会信用体系的重要组成部分之一。本文将从道路运输信用管理系统出发，结合近年来比较火热的神经网络算法展开设计，深入技术研究，将道路运输信用评级系统的评级机制得到进一步升级。
　　【关键词】    道路运输    行业信用体系    BP神经网络
　　一、引言
　　本文主要借助M省道路运输领域的信用管理的实例，融入BP神经网络算法思想实现信用评价模型，设计并实现了集研究信用评价、信息归集、信息发布等众多功能于一身的信用评级系统。
　　二、BP神经网络算法
　　BP神经网络算法基于现有BP算法基础上得以延伸和创新，是一种神经网络的基本模型。相比于过去的神经网络算法而言，局部极小及收敛速度慢的问题得以解决，同时算法本身更容易使人理解。BP神经网络的模型结构如图1所示：
　　三、道路运输信用评价体系构建
　　道路运输信用是一个抽象化概念，必须借助定量的分析来评价它。并且在这一过程中还需进行过滤，去重，归一化等环节。（1） 信用评价指标的选择。本文所研究的道路运输信用评价指标是基于德国开源数据库中的指标，这一数据库是国际上通用的最为标准的道路运输信用数据库。该数据库指标存储完备。拥有大量交通运输信用管理数据，具体包括交通运输企业，运输流程，运输信用考核评价数据等。 （2） 评价指标量化处理。围绕一般数据分析角度进行研究，信用评价数据中存在一些连续数据和一些间断数据，这些数据非连续，因此需要进行量化处理，需要进行处理，主要借助均方离散化操作。其中基本思路为：将一串数值散列化放置于一个固定区间。其次，取连续全部的指标属性以及取值范围，包括区间内的中间值，最大值，最小值。我们需要设定离散级别，并划分为N个区间，并划分后的区间进行排序编码。对所有连续指标属性求对应的哈希数值，实现区间编码，最终完成离散化。
　　四、基于BP神经网络算法的道路运输管理信用评价模型设计
　　1、网络隐含层数设计。基于BP神经网络算法实现道路运输信用管理系统最关键就是网络隐含层的设計，这对BP神经网络算法性能影响极大。一般来说，隐含层节点数的设置没有一个统一的规定，节点越多多网络泛化能力越好，但训练收敛速度越慢。而在实际研究中主要是通过给出估计值来实现对层数的设计。
　　2、输出输入层设计。输入输出层设计主要是实现对输入输出节点的设计，而节点数目选取取决于输入向量维度。参照上节建立的道路运输信用管理评价指标分析思路，提取出八个指标个数，八个输入向量维度。其中，输出层共有八个节点，同时分为两类，并采用1个神经元。
　　5、 基于BP神经网络算法的信用评价模型性能分析。通过表1可以发现，在众多算法中BP神经网络和L-M算法收敛速度较快这是由于神经网络算法内部计算原理与迭代规则导致的。
　　结论：本文站在规范化，科学化的角度对这一研究主题进行深入剖析，理论结合实际，具有上升性和指导意义。在研究过程中也存在一些数据信息误差，但能同样够为计算机领域的深入发展起到借鉴作用。
　　参  考  文  献
　　[1]汤木兰. 我国道路客运市场信用体系构建研究[D].长安大学，2009.
　　[2]谢小林. 道路运输行业信用评级系统研究[D].西南交通大学，2006.
转载注明来源:https://www.xzbu.com/1/view-15135065.htm