基于人工神經網絡的時間序列分析方法在物流需求預測中的應用

摘要：當在對物流需求進行預測遇到較大波動的時間序列數據時，傳統的以統計學為基礎的預測方法在進行預測分析時誤差會很大，本文建立了基于人工BP神經網絡的預測方法并證明了其有效性。

關鍵詞：物流需求；人工神經網絡；時間序列

中圖分類號：F252文獻標識碼：A文章編號：1002-3100(2007)06-0003-03

Abstract: When logistics demand forecast faces greater volatility in time series data， the traditional analytic method based on statistics will have a huge error when it is used for prediction. It creates a forecasts method based on artificial BP neural network and proves its effectiveness.

Key words: logistics amount; artificial neural network; time series

物流需求預測，就是利用歷史的資料和市場信息，運用適當的方法和技巧，對未來的物流需求狀況進行科學的分析、估算和推斷。人工神經網絡（Artificial Neural Network，縮寫ANN）建模方法是一種有效的分析預測方法，人工神經網絡是基于對人腦組織結構、活動機制的初步認識提出的一種新型信息處理體系。通過模仿腦神經系統的組織結構以及某些活動機理，人工神經網絡可以呈現出人腦的許多特征，并具有人腦的一些基本功能，因此，它可以較好地揭示非線性時間序列在時延狀態空間中的相關性，從而達到預測的目的[1]。神經網絡理論中的Kolmogorov連續性定理從數學上保證了神經網絡用于時間序列預測的可行性[2]。本文運用基于神經網絡理論的誤差反向傳播算法（Error Back Propagation，簡稱BP算法），對某地區的物流需求進行預測，并同回歸分析方法預測的結果進行了比較。

1BP神經網絡

1.1算法思想。BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可以接受的程度，或進行到預先設定的學習次數為止。

1.2網絡模型與算法推導。采用BP算法的多層前饋網絡是至今為止應用最廣泛的神經網絡，1989年Robert Hecht-Nielson證明了對于閉區間內的任一連續函數都可以用一個隱層的BP網絡來逼近，一個三層的BP網絡可以完成任意的n維到m維的映照[3]。因此在多層前饋網的應用中，以圖1所示的三層前饋網絡的應用最為普遍。

2模型的實際應用

表1所示為某地區物流需求量的歷史數據，顯然數據為較長的時間序列且04年到05年有較大的數據波動，因此網絡輸入節點的選擇可以采用下面的方法：首先將序列分為兩部分，一部分為訓練數據，另一部分為檢驗數據，然后分別由小到大改變輸入節點數來訓練并檢驗其誤差大小。當輸入節點數增加，誤差不再有明顯減小時，則此時輸入節點數變化的臨界值即為應采用的數值。

從表2可以看出，神經網絡預測方法具有比回歸分析更好的吻合度和更高的準確度，當數據出現較大的波動時，這種波動對神經網絡的預測結果影響較小，因此神經網絡預測的穩定性較好，能克服傳統方法的缺點，準確地找出各種輸入和輸出之間的線性或非線性關系，是一種有效的分析預測方法。

參考文獻：

[1] 韓力群. 人工神經網絡理論、設計及應用[M]. 北京：化學工業出版社，2002.

[2] 盧學強，梁雪惠，盧學軍. 神經網絡方法在非線性時間序列預測中的應用[J]. 系統工程理論與實踐，1997(6):97-99.

[3] 曹順，劉婷. 基于BP神經網絡的企業信用評價研究[J]. 控制工程，2003，10(5):404-406.

[4] 楊小平. 基于主成分與BP神經網絡的股票價格預測分析[J]. 決策參考，2004(12):42-43.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”