基于改進ANN的我國社會物流總成本預測研究

湖北科技學院數學與統計學院 張吉剛 梁娜

隨著科技持續進步、產業不斷升級，經濟快速發展，第三利潤源——物流受到越來越多的關注。但我國的物流成本高，并已成為一個巨大的障礙制約物流發展和經濟進步。正確預測社會物流成本，對有效控制物流活動過程的費用，對降低物流總成本，提高企業和社會經濟效益，有非常重要的意義。

物流業作為一個新興產業，相關統計數據缺失，很難構建出以大量歷史觀測數據為主要依據的數學模型，推斷預測目標。同時物流業屬于生產性服務業，物流需求屬于派生性需求，既包含了線性時序的成分，又包含了非線性時序的成分，呈現出線性和非線性的特性，是個復雜雙特征系統。神經網絡在解決預測問題時對數據的要求較低，建模比較容易且具有極強的模糊推理能力，特別適用于非線性系統的建模。

本文提出對我國WLCB序列作兩步預處理，逐步消除原始數據的線性特征，轉換成只具有非線性的序列，然后利用BPNN技術進行預測，與直接利用原始數據及只作一步預測處理的數據建立的BPNN模型相比較，消除WLCB的線性特征的改進模型充分發揮了BPNN模型的優勢，顯著改善了預測性能。

1 改進NN模型

改進的BPNN的WLCB預測模型，是要對WLCB序列原始數據作消除線性特征預處理，在預處理后的數據上建立BPNN預測模型。具體原理:先對WLCB數據求年增量、年增長率的預處理，WLCB年增長率序列仍具有線性特征，再對WLCB年增長率序列求年增長率的增長率處理，WLCB年增長率的增長率序列中已不含線性特征，然后用BPNN預測WLCB年增長率的增長率，最終轉化為對WLCB的預測，其流程如圖1所示。

圖1 改進BPNN模型原理示意圖

2 改進BPNN模型在WLCB預測中的應用

本文將上述改進BPNN模型應用到我國WLCB的預測之中，構建了我國WLCB序列預測模型。本研究選取1991～2011年期間的WLCB 為研究對象，數據來源于中國物流年鑒。按照下式對數據作預處理，所得數據及原始數據見表l。

表1 1991年至2011年我國社會物流總成本原始數據及預處理數據

圖2 WLCB值及年增量曲線圖

圖3 WLCB年增長率曲線圖

圖4 WLCB年增長率的增長率曲線圖

從圖2可以觀察到WLCB序列具有明顯的單調上升趨勢，WLCB年增量仍具較為明顯的上升趨勢，圖3中WLCB年增長率序列還有上升趨勢，含線性特征，圖4中WLCB年增長率的增長率已沒有了上升趨勢，不含線性特征，以具有非線性特征的WLCB年增長率的增長率序列作為網絡輸入，建立BPNN預測模型。

由于WLCB年增長率的增長率數據沒有1991，1992年，所以BPNN的總樣本量N=21。以1993～1996，1994～1997，1994～1998，……2002～2006年WLCB年增長率的增長率數據作為網絡輸入，1997～2007年的WLCB年增長率的增長率數據作為目標輸出，即以前5年WLCB年增長率的增長率數據作為BPNN的輸入變量，以當年增長率的增長率數據作為BPNN的輸出變量，組成樣本數據對網絡進行訓練。因此，BPNN的輸入神經元為5，輸出神經元為1，中間層的節點數經過實驗對比，最終選定為8個， 網絡結構為5-8-1，如圖5所示。

圖5 GDP預測的BPNN拓撲結構

在MATLB7的神經網絡工具箱中，訓練函數采用是數值優化L-M學習算法trainlm，輸入層與隱層、隱含層與輸出層之間的傳遞函數選為tansig,logsig函數。訓練次數最大設置為500次，網絡收斂誤差為0.0001。

將表1中WLCB年增長率的增長率，先進行歸一化處理，使樣本數據落在[0，1]范圍之內:式中:和分別是 數據中的最小值和最大值，再加載到設置好的BPNN中，按照圖1的模型原理，最終轉化為對WLCB值的預測。測試樣本(2009～2011年)的預測結果見表2，為顯示本模型的優越性，與以WLCB數據為輸入的BP模型、以WLCB的增長率為輸入的BP模型的結果進行比較。

表2 各模型對測試樣本的預測結果

由表2可知，三種模型中，本文的改進BPNN模型預測結果最好，其結果最接近于實際值。與WLCB原始數據相比，WLCB的增長率序列由于去除了部分線性特征， BP模型對測試樣本的預測精度大幅提高，以完全去除線性特征的WLCB年增長率的增長率數據為輸入的BP模型預測精度進一步提高，達到最優。

3 結語

本文提出以相鄰兩年的WLCB年增長率的增長率序列作為網路的輸入，建立基于BPNN的WLCB預測模型，對我國的WLCB進行預測，仿真實驗表明，改進的BPNN模型預測準確率明顯優于未經過數據處理的單一BPNN模型及以WLCB的增長率為輸入的BP模型的預測準確率。這一思想方法可以平移到其他的帶有增長趨勢的BPNN預測問題以及其他神經網絡的預測中。

[1]楊培華.基于拉動系數時間序列法的物流市場容量預測[J].消費導刊,2009(9).

[2]李慧.線性回歸預測與控制在物流作業成本法中的應用[J].重慶交通學院學報,2004(6).

[3]陳德良,王文科.多元線性回歸模型在物流需求預測中的應用[J].中國物流與采購,2009(20).

[4]濮帥.江蘇物流需求預測分析[J].物流科技,2009(9).

[5]梁娜.基于前饋型神經網絡股價預測的一點改進[J].科技創業月刊,2007(8).

[6]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京:電子工業出版社,2005.