物流園區物流量處理能力分析與計算

曹 健，孫有望（同濟大學 交通運輸工程學院，上海 201804）

1 物流園區概述

1.1 物流園區物流量概念

物流量作為物流學科中一個十分重要的概念，至今仍沒有明確的定義，有學者認為物流量是指物流活動的各個作業環節產生的實物（物料、零部件、半成品、產成品等）在物流活動的整個過程中（包括庫存量、終端配送量、內向物流量、裝卸搬運量和運輸量等）的數量的總和，本文即將物流量如此定義。

1.2 物流園區的功能分區

物流園區根據規劃的功能以及不同功能區的業務特點、作業方式和布置形式，會選擇和設定不同的功能分區，包括以下7種常見的物流功能分區：倉儲區、加工區、配送區、集運區、聯運區、綜合服務區、行政區。

1.3 物流園區貨物分類

目前很多部門和單位從各自的角度提出了多種貨物分類的方案。其實，不同的貨物分類標準都是建立在實際應用和管理需求之上，本文對進入物流園區的貨物進行了簡要的分析，并將其分為4類貨物：集裝箱類貨物、笨重貨物、城市消費品、冷鏈貨物。

2 園區物流量計算

2.1 傳統物流量計算方法概述

園區的各功能設施內進行不同的物流作業，這些物流作業存在作業強度的差異，處理單位貨物時的面積需求也不同。以A（k,j）（k=1,2,3,4分別表示四類貨物，j=1,2,3,…,m）表示功能設施j處理單位貨物k所需的平均面積；T（k,j）表示貨物k在功能設施j中的平均停留時間；此外，還需要4類貨物的大致構成比例（百分數）數據，假設Rg（k）表示貨物k的進入物流園區的比例百分數。

記物流園區的每年的營業時間為T（取360天），則每個功能區的每年產生的物流量為：

將各功能區的物流量累加，得到物流園區全年的總物流量L為：

2.2 數據準備

2.2.1 全國物流園區各功能區的面積

前文僅從理論層面給出一個算法思路，若給出物流園區的類型和總面積，加上公式中相應的參數，便能夠粗略估算其產生的貨運量。要利用前文公式，首先需要分析很多的相關的案例，但全國的物流園區的相關數據比較困難，而且物流園區在規劃時的分類標準和功能分區情況不盡相同，與本文的分類標準也存在諸多差異，經過搜尋和處理（物流園區的某個功能區包含多重功能時采用均分的方式分攤面積），本節數據如表1所示：

表1 全國部分物流園區的各功能設施面積

2.2.2 各類貨物在物流園區停留時間

相關文章中[5]提及物流園區各類貨物的平均庫存時間，如表2所示。

2.2.3 處理單位重量各類貨物所需面積

前文在計算各類貨物的平均庫存期時假設作業發生在倉儲區，因此此處計算物流園區處理單位重量各類貨物所需面積也是按貨物在倉儲區中處理所需的面積，其它功能分區中的作業暫不考慮，在倉儲區中處理不同單位重量貨物需要的面積如表3所示。

表2 各類貨物的平均庫存期

2.2.4 貨物構成比例

各個城市和區域的社會環境不一樣，它的貨物構成比例也不固定，對于區域中的物流園區，由于功能不同、位置不同，所處理的貨物種類也不同，不能簡單的一概而論，這些都需要實際調研或查詢相關統計數據得到。經查詢得表4給出各類貨物的構成比例情況。

表4 各類貨物構成比例

2.3 部分園區物流總量計算

由于園區物流量僅僅來源于倉儲區、加工區、配送區、集運區和聯運區，與綜合服務區和行政區的關系并不密切，本文考慮整個園區的物流量即上述幾個區域處理的物流量之和。

應用上述計算方法，可以得到其他物流園區的全年物流量，具體數據如下表5所示。

表5 全國部分物流園區的物流量處理能力

3 基于MATLAB的神經網絡預測模型預測物流園區物流量

3.1 人工神經網絡

常用的經典預測方法都存在一個共同的局限性，即要求預先知道預測對象的數學模型，但是在實際應用當中，許多對象具有復雜的不確定性和時變性，很難建立其預測模型。而神經網絡的出現克服了建立模型及參數估計的困難，它不需要建立具體的數學函數模型就可較精確的描述因素之間的映射關系。這樣可以降低預測工作的難度。因此神經網絡預測模型的研究已逐步成為預測方法研究的一個重要內容[6]。

對于物流園區系統而言，由于系統的復雜性,各因素的關聯性很難用僅僅一個準確的數學解析式來描述,神經網絡預測模型能較精確地描述因素之間的映射關系而不需要確定的函數形式，因此，神經網絡預測方法為物流園區物流量預測提供了一個新的途徑。

人工神經網絡（Artificial Neural Networks，ANNs）也簡稱為神經網絡（NNs）或稱作連接模型（Connectionist Model），是以計算機網絡系統模擬生物神經網絡的智能計算為基礎，由大量處理單元互聯組成的非線性、自適應信息處理系統，通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理，其具體結構如圖1所示。

圖1 神經網絡結構圖

模型的結構采用三層網絡I×H×O，其中I、H和O分別是輸入層、隱含層和輸出層中的節點數。

在MATLAB環境下的BP算法的程序設計主要是調用MATLAB工具箱的相關函數[7]。

3.2 基于MATLAB的神經網絡預測模型應用

3.2.1 模型建立

（1）預測指標的選擇

本文選擇表3中全國部分物流園區各模塊面積作為樣品輸入，表5中各園區物流處理量作為分析預測模型的預測指標，即構造了5組輸入輸出樣本。

（2）網絡結構的確定

因此本次運算中采用含有一個隱含層的三層BP網絡，輸入節點數為5（與園區物流處理能力聯系密切的5個功能模塊，包括倉儲區、加工區、配送區、集運區和聯運區）；輸出節點數為1，即園區物流處理能力。另外大量神經網絡的文獻也給出了隱層節點數與輸入節點數的經驗公式，如公式3-1所示，代入公式可得隱含節點個數為4個。隱含層中的神經元均采用雙曲正切S型傳遞函數，雙曲正切函數用于將神經元的輸入范圍從（-∞,+∞）映射到（-1,+1），又因為正切函數是可微函數，適合于BP訓練的神經元。輸出層采用線性激勵傳遞函數purelin，線性傳遞函數purelin可得到輸入矢量為m時的網絡層輸出矩陣。

其中，m,n分別為輸入節點數目和輸出節點數目；l為隱含節點數。

從總體來看，權值和閾值是隨著迭代的進行而更新的，并且一般是收斂的，但是權值的初始值太大，可能導致網絡很快就達到飽和，另外權值的初始值對網絡的收斂速度也有一定的影響。newff（）函數在生成BP網絡時即對網絡各層的權值和閾值自動進行初始化。

為了提高網絡的推廣能力，采用貝葉斯正則化算法來訓練BP網絡，MATLAB用trainbr（）函數來實現。當網絡輸入和目標矢量的取值為[-1,+1]時，trainbr（）函數可以達到最好的工作效果，因此在利用該函數對網絡進行訓練之前通常應預先對樣本數據作歸一化處理。歸一化的具體算法是：

式中：p是所收集的一組數據，minp,maxp分別是這一組數據中的最小值和最大值，pn是映射后的數據，訓練后的仿真輸入數據需要利用預先計算的最大值和最小值對數據進行變換，仿真結果對相應的反歸一化處理。

MATLAB中提供了對數據進行歸一化處理的函數premnmx（）數據變換函數tramnmx（）和反歸一化函數postmnmx（）。

通過上述說明,可以初步確定預測模型的網絡結構和初始條件。

3.2.2 模型驗證及預測結果

利用所得的網絡結構和初始條件，以全國部分物流園區5個模塊面積作為訓練樣本，預測該物流園區物量，以驗證預測模型的有效性，所得結果如表6中預測值所示。

表6 BP神經網絡對部分物流園區物流量預測量與實際值對比表

圖2 BP神經網絡預測值與實際值對比圖

從表6和圖2可以看出，5個訓練樣本的模擬輸出與期望輸出較為匹配，相對誤差均在正負2%的范圍內。模型的收斂效果較好。經過上述訓練所得到的權重體系及偏置值所確定的網絡就是所要建立的預測人工神經網絡模型。

現在應用上述模型，預測一個物流園區的物流量，該物流園區的5個模塊面積如表7：

表7 某物流園區各功能模塊面積

通過MATLAB模型計算，我們可以預測得該園區的物流量:

[1]洪再生，丁靈鴿.大型空港物流園區的規劃要素分析及設計實踐——以天津空港國際物流園區為例[J].城市規劃學刊，2009(4):46-53.

[2]張建明，明瑞江，段云.基于“一園多區”的物流園區規模規劃與功能設計[J].商場現代化，2011(11):41-43.

[3]劉想寧.武漢東西湖保稅物流園區規劃布局研究[D].武漢：武漢理工大學物流工程學院（碩士學位論文），2006.

[4]李素艷，張越，李開賓.上海浦東空港物流園區規劃研究[J].交通科技與經濟，2006,8(6):38-40.

[5]張俊杰.物流園區規模定位與其對周邊交通環境的要求和影響關系分析[D].上海:同濟大學交通運輸工程學院（碩士學位論文），2007.

[6]胡守仁.神經網絡應用技術[M].北京：國防科技大學出版社，1993:105-109.

[7]鄢丹.MATLAB與Visual Studio系列語言混合編程的方法[J].微機與應用，2003(4):14-16.