基于SPSS與BP神經網絡的林產品物流運輸需求預測對比研究

劉靖++張海

[摘 要]采用SPSS及Matlab軟件分別建立多元線性回歸模型和BP神經網絡預測模型，通過HN省林產品物流運輸需求量的算例，對比多元線性回歸和BP神經網絡預測模型的預測能力得出相應結論。

[關鍵詞]多元線性回歸；BP神經網絡；預測模型

[DOI]10.13939/j.cnki.zgsc.2017.06.098

1 引 言

HN省林業發展雖然迅速，但總體規模小，林業產業化水平低，林產品沒有規模化的發展。預測林產品的物流需求，能夠探索出HN省林產品的發展規律，發現林業轉型升級過程中存在的問題。本文運用與林產品物流運輸需求有強相關性的經濟指標來預測HN省林產品物流運輸需求量。

2 多元線性回歸模型

2.1 多元線性回歸

確定兩種及以上變量間相互定量關系的統計方法稱為回歸分析。在回歸分析中，如果有兩個或兩個以上的自變量，就稱為多元回歸分析，如果自變量與因變量間存在線性關系，就稱為多元線性回歸。其模型的一般形式為：

2.2 多元線性回歸模型構建

設物流運輸需求量[JB（（]Y[JB））]與影響因素[JB（（]X1，X2，…，XP[JB））]存在線性相關，可建立回歸函數模型Y=F[JB（（]X1，X2，…，Xp[JB））]，以此為基礎，對林產品物流運輸需求做出預測。

3 BP神經網絡模型

3.1 BP神經網絡

BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，BP網絡模型拓撲結構包括輸入層、隱含層和輸出層。

3.2 構建物流運輸需求預測模型

利用BP神經網絡構建林產品物流運輸需求預測模型，強相關性的經濟指標是輸入變量，林產品物流運輸需求量是輸出變量。

3.2.1 設計網絡輸入、輸出樣本

設Xi=[JB（（]Xi1，Xi2，…，Xin[JB））]表示第i年的經濟指標向量，Yi=[JB（（]yi[JB））]表示第i年的物流運輸需求量向量。以第1年至第n-1年的經濟指標值作為輸入樣本P，以第2年至第n年的物流運輸需求量作為輸出樣本T，用輸入樣本P和輸出樣本T對BP網絡進行訓練，訓練完成后，輸入第n年的輸入指標Xn來預測第n+1年需求量。

3.2.2 確定網絡層數、隱層節點數

本文選用典型的三層BP網絡。根據Kolmogorov定理n1=2n+1確定隱含層節點數。

4 HN省林產品物流運輸需求預測實證分析

貨運量能反映出物流運輸需求的變化規律，HN省鐵路網發達，故選擇“林產品鐵路貨運量”作為輸出指標，設為Y。依據預測指標選取原則，選取“人均生產總值、居民消費水平、林業生產總值、林業固定資產投資、鐵路營業里程”作為輸入指標，分別設為X1，X2，X3，X4，X5。本文選取的原始數據來源于歷年HN省統計年鑒，選取2005—2013年的數據作為樣本數據，如表1所示。2014年的數據作為預測數據加以驗證。本文以木材作為木產品的代表。

4.1 多元線性回歸模型算例分析

本文借助SPSS軟件對五個經濟指標和林產品鐵路貨運量指標之間進行相關性分析和線性回歸分析，從而對林產品物流運輸需求進行預測。

4.1.1 相關性分析

本文依據數據特點，對其采用Pearson相關系數，如表2所示。

4.1.2 線性回歸分析

選擇X1、X2、X3、X4、X5作為自變量，Y作為因變量。在SPSS軟件的計算下，根據SPSS的輸出結果得到林產品物流運輸需求量多元線性回歸模型為：Y=550.119+0.009X1-0.047X2-0.230X3-2.060X4+0.017X5

4.2 BP神經網絡模型算例分析

本文借助MATLAB軟件的神經網絡工具箱，通過編程來建立林產品物流運輸需求神經網絡預測模型。

4.2.1 對數據歸一化處理

4.2.2 設計網絡結構參數

通過試驗，隱含層節點數目為2×7+1=15個最為合適。訓練函數設為traingdx函數，傳遞函數第一層設為tansig函數，第二層設為logsig函數，學習率設為0.1，動量因子設為0.9，學習誤差設為10-5。

4.2.3 網絡訓練與測試

取歸一化后2005—2010年的輸入指標值作為訓練樣本輸入p-train，2006—2011年的輸出指標作為訓練樣本輸出t-train。在MATLAB軟件中編輯訓練語句，結果如下圖所示。

訓練結果曲線

經過了146次訓練后，網絡達到設定學習誤差，訓練效果較好。

4.3 模型預測對比

多元線性回歸方程及BP神經網絡對2014年的數據進行預測的結果如表3所示。

由表3知，BP神經網絡預測模型對2014年預測誤差為7.9%，多元線性回歸預測模型誤差為8.1%。相比而言，BP神經網絡預測模型的預測精度更高，更穩定。

通過模型可以預測到未來幾年林產品物流運輸需求量呈遞減趨勢，說明對樹木的砍伐在逐年遞減。

5 結 論

本文介紹及建立了多元線性回歸模型和BP神經網絡模型，以HN省林產品物流運輸需求量為算例，得出的研究結果表明BP神經網絡在對新數據的預測能力方面有略微的優勢，但是BP神經網絡每一次訓練運行的結果都是不同的，具有一定的不確定性，因此并不能簡單地以此判斷兩者之間在預測能力方面哪個更有優勢，但總的來說，BP神經網絡較多元線性回歸模型的預測精度更高。

參考文獻：

[1]陳思遠，郭奕崇.基于BP神經網絡的安徽省物流需求預測研究[J].物流技術，2012（17）：231-233.

[2]韓林.湖南省林產品物流運輸需求預測研究[D].長沙：中南林業科技大學，2015.

[3]張景陽，潘光友.多元線性回歸與BP神經網絡預測模型對比與運用研究[J].昆明理工大學學報：自然科學版，2013（6）：61-67.