基于BP神經(jīng)網(wǎng)絡(luò)的城市物流需求預(yù)測(cè)模型

[摘 要]城市物流需求是城市物流規(guī)劃的重要內(nèi)容和首要前提，但城市物流需求的復(fù)雜性導(dǎo)致難以對(duì)其進(jìn)行精確預(yù)測(cè)。文章從貨運(yùn)量的角度出發(fā)，分析影響貨運(yùn)量的社會(huì)經(jīng)濟(jì)因素，以北京市為例，建立城市物流需求的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并通過(guò)Matlab進(jìn)行仿真求解，結(jié)果顯示用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)物流需求是非常合理。

[關(guān)鍵詞]城市物流需求；貨運(yùn)量；BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

[DOI]10.13939/j.cnki.zgsc.2016.32.043

1 引 言

隨著物流業(yè)的興起，各省市紛紛出臺(tái)自己的物流發(fā)展戰(zhàn)略，城市物流規(guī)劃被提上了城市規(guī)劃的戰(zhàn)略高度，城市規(guī)劃者希望通過(guò)大力發(fā)展物流業(yè)來(lái)帶動(dòng)城市經(jīng)濟(jì)的發(fā)展，改善城市的投資環(huán)境、增加對(duì)外資的吸引、解決城市就業(yè)壓力等，但過(guò)快的增長(zhǎng)容易造成物流實(shí)際供給能力與物流需求的不平衡。[1]因此，對(duì)物流需求進(jìn)行精確預(yù)測(cè)是城市規(guī)劃者的首要目標(biāo)。但由于我國(guó)城市物流發(fā)展起步較晚，缺乏對(duì)現(xiàn)代物流發(fā)展理念與運(yùn)作模式的正確認(rèn)識(shí)，對(duì)于預(yù)測(cè)所需要的歷史數(shù)據(jù)的統(tǒng)計(jì)也還很不完整，很不科學(xué)，各種物流發(fā)展政策的制定、各類物流基礎(chǔ)設(shè)施的可行性研究等均缺乏物流需求的定量依據(jù)。因此，找到一種合適的對(duì)物流需求預(yù)測(cè)行之有效的方法，提高物流量預(yù)測(cè)的精度，就顯得尤為重要。

目前對(duì)物流需求的預(yù)測(cè)計(jì)算方法有很多，其中使用最多的有計(jì)量經(jīng)濟(jì)學(xué)模型、回歸分析法、灰色系統(tǒng)模型、神經(jīng)網(wǎng)絡(luò)模型以及組合預(yù)測(cè)模型。前兩種精確度較高，但是需要了解預(yù)測(cè)對(duì)象與影響因素之間的變化關(guān)系以及對(duì)影響因素的未來(lái)發(fā)展趨勢(shì)，難以實(shí)現(xiàn)。灰色系統(tǒng)模型適合短期預(yù)測(cè)且預(yù)測(cè)精確較低。人工神經(jīng)網(wǎng)絡(luò)是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)，有很強(qiáng)的學(xué)習(xí)和泛化功能，預(yù)測(cè)精確度高。[2]

因此，本文以北京市為實(shí)例，嘗試建立城市物流需求的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

2 城市物流需求度量指標(biāo)及影響因素分析

2.1 度量指標(biāo)分析

在現(xiàn)有文獻(xiàn)中，對(duì)物流需求的度量可采用價(jià)值量和實(shí)物量?jī)煞N度量體系。價(jià)值量的物流需求是指所有物流環(huán)節(jié)上全部服務(wù)價(jià)值構(gòu)成的綜合反映；實(shí)物量物流需求為不同環(huán)節(jié)和功能的具體作業(yè)量，如貨運(yùn)量、庫(kù)存量等。由于城市物流是為滿足城市的經(jīng)濟(jì)活動(dòng)和居民生活，研究對(duì)象是城市內(nèi)的所有物流活動(dòng)，牽涉時(shí)間長(zhǎng)、范圍廣，其價(jià)值量難以有效衡量，國(guó)家統(tǒng)計(jì)也缺乏這方面的數(shù)據(jù)。此外，城市物流活動(dòng)的核心內(nèi)容是貨物運(yùn)輸和倉(cāng)儲(chǔ)，其中運(yùn)輸費(fèi)用占物流總成本的二分之一以上，從此角度來(lái)說(shuō)，貨運(yùn)量Y1的規(guī)模可以近似反映物流規(guī)模。[3]

2.2 影響因素分析

影響城市物流需求的因素十分廣泛且復(fù)雜，本文主要從貨運(yùn)量的角度進(jìn)行分析。一般來(lái)講，影響一個(gè)城市的貨運(yùn)量的因素主要有地區(qū)生產(chǎn)總值X1、第一產(chǎn)業(yè)產(chǎn)值X2、第二產(chǎn)業(yè)產(chǎn)值X3、第三產(chǎn)業(yè)產(chǎn)值X4、區(qū)域零售總額X5、區(qū)域外貿(mào)總額X6、居民消費(fèi)水平X7。[4]

2.3 關(guān)聯(lián)度分析

通過(guò)灰色關(guān)聯(lián)分析可論證物流需求度量指標(biāo)貨運(yùn)量與影響因素之間存在強(qiáng)相關(guān)性。[5]

3 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)述

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)，它是一種包含有一個(gè)輸入層、多個(gè)隱含層和一個(gè)輸出層的單向傳播的多層前饋網(wǎng)絡(luò)。

4 城市物流需求預(yù)測(cè)模型的建立

4.1 數(shù)據(jù)來(lái)源及預(yù)處理

本文選取的數(shù)據(jù)資料來(lái)源是《北京統(tǒng)計(jì)年鑒（2008）》（如表1）。根據(jù)樣本數(shù)據(jù)選取原則，選取1991—2002年的數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本，選取2003—2007年的數(shù)據(jù)為網(wǎng)絡(luò)測(cè)試樣本。

由于數(shù)據(jù)存在不同的量綱，需對(duì)其進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間[0，1]之間的數(shù)據(jù)。歸一化公式為：[6]

i=xi-xminxmax-xmin （1）

本文利用Matlab實(shí)現(xiàn)歸一化過(guò)程。

4.2 BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

4.2.1 輸入輸出、隱層數(shù)及隱含節(jié)點(diǎn)數(shù)

據(jù)上面對(duì)影響因素的分析，確定生產(chǎn)總值等7個(gè)因子為輸入節(jié)點(diǎn)，貨運(yùn)總量為輸出節(jié)點(diǎn)。

由于單隱層BP網(wǎng)絡(luò)的非線性映射能力非常強(qiáng)，這里采用單隱層的神經(jīng)網(wǎng)絡(luò)，而中間層的神經(jīng)元個(gè)數(shù)需要通過(guò)試驗(yàn)來(lái)確定。由于輸入神經(jīng)元有7個(gè)，根據(jù)Kolmogorov定理，先設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元個(gè)數(shù)為15。之后，分別取10和20，進(jìn)行預(yù)測(cè)性能比較，確定最佳中間層神經(jīng)元數(shù)目。通過(guò)預(yù)測(cè)誤差對(duì)比曲線可知當(dāng)中間層神經(jīng)元數(shù)目為15時(shí)，預(yù)測(cè)誤差最小。

4.2.2 傳遞函數(shù)及訓(xùn)練算法

實(shí)踐證明中間層的神經(jīng)元傳遞函數(shù)選用S型正切函數(shù)tansig，輸出層神經(jīng)傳遞函數(shù)選用S型對(duì)數(shù)函數(shù)logsig具有非常好的結(jié)果。由于函數(shù)trainlm收斂速度快，網(wǎng)絡(luò)的訓(xùn)練誤差也比較小，故本文訓(xùn)練時(shí)選用LM算法，訓(xùn)練次數(shù)為1000次，訓(xùn)練目標(biāo)為0.0001，學(xué)習(xí)速率為0.1，其他參數(shù)參照MATLAB神經(jīng)網(wǎng)絡(luò)工具箱。

4.3 試驗(yàn)結(jié)果

訓(xùn)練時(shí)間大約0.49秒，訓(xùn)練了11次后，網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到要求，均方誤差MSE為0.000955637/0.001，結(jié)果如圖1、圖2以及表2。由于訓(xùn)練的初始條件不同，每次訓(xùn)練的結(jié)果都不相同，可以經(jīng)過(guò)多次的訓(xùn)練，使預(yù)測(cè)數(shù)據(jù)更加接近原始數(shù)據(jù)。

從圖1、圖2和表2得知，與回歸（SPSS）模型相比，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有非常高的預(yù)測(cè)精度，預(yù)測(cè)數(shù)據(jù)和原始數(shù)據(jù)相對(duì)誤差為0.1992%～2.2395%（剔除2007年的數(shù)據(jù)）。2007年出現(xiàn)大的誤差是由于2008年北京奧運(yùn)會(huì)對(duì)車輛的限行、工廠企業(yè)的停產(chǎn)以及其他的一些國(guó)家政策所引起的，另外2007年的貨運(yùn)量統(tǒng)計(jì)數(shù)據(jù)只包括營(yíng)業(yè)性運(yùn)量。因此，利用此BP神經(jīng)網(wǎng)絡(luò)模型對(duì)北京市物流需求進(jìn)行預(yù)測(cè)計(jì)算是非常準(zhǔn)確的。

5 結(jié) 論

本文以北京市為實(shí)例，利用BP神經(jīng)網(wǎng)絡(luò)建立了具有時(shí)間序列的城市物流需求預(yù)測(cè)模型并采用Matlab軟件對(duì)模型進(jìn)行了仿真。由建模過(guò)程以及仿真的預(yù)測(cè)結(jié)果表明：

（1）本模型的預(yù)測(cè)精度高，最大誤差僅為2.2395.07%，平均誤差為1.23%。如果考慮一些特殊因素，預(yù)測(cè)數(shù)據(jù)將更加精確。

（2）當(dāng)數(shù)據(jù)出現(xiàn)誤差和不連續(xù)時(shí)，模型能夠根據(jù)前后的數(shù)據(jù)識(shí)別相關(guān)性，以及自我學(xué)習(xí)功能，做出精確的預(yù)測(cè)。

（3）模型計(jì)算簡(jiǎn)單，無(wú)須建立復(fù)雜的數(shù)學(xué)方程和編程，易于實(shí)現(xiàn)。

（4）模型預(yù)測(cè)規(guī)律受樣本性質(zhì)影響，只要樣本選擇得當(dāng)，預(yù)測(cè)精度就由網(wǎng)絡(luò)結(jié)構(gòu)確定。

（5）該模型是依照以往歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)，易受原始數(shù)據(jù)影響，而忽視未來(lái)發(fā)展趨勢(shì)。

人工神經(jīng)網(wǎng)絡(luò)的強(qiáng)大功能已使其被用于社會(huì)的各個(gè)領(lǐng)域，并取得了令人鼓舞的成果。這給社會(huì)以及整個(gè)人類的生存發(fā)展帶來(lái)了福音。

參考文獻(xiàn)：

[1]張利學(xué).城市物流需求預(yù)測(cè)方法研究[D].南京：東南大學(xué)，2006.

[2]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M]. 北京：化學(xué)工業(yè)出版社，2007.

[3]蔡定萍.物流市場(chǎng)需求預(yù)測(cè)研究[D].南昌：江西財(cái)經(jīng)大學(xué)，2006.

[4]文培娜，張志勇，羅斌.基于BP神經(jīng)網(wǎng)絡(luò)的北京物流需求預(yù)測(cè)及分析[J].物流技術(shù)，2009（6）.

[5]文培娜， 張志勇， 馮怡.區(qū)域物流需求與區(qū)域經(jīng)濟(jì)的關(guān)聯(lián)性分析[J]. 物流技術(shù)，2009（12）.

[6]周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005.