基于BP神經(jīng)網(wǎng)絡(luò)的北京市物流需求預(yù)測

劉瑾宸??

摘 要：隨著物流在國民經(jīng)濟(jì)中重要性的提高，對于物流需求的準(zhǔn)確預(yù)測成了物流發(fā)展規(guī)劃中重要的一部分。選取了對物流需求影響較大的七個指標(biāo)構(gòu)建了一個三層的神經(jīng)網(wǎng)絡(luò)，對2006-2015年北京市的物流需求進(jìn)行了預(yù)測。結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果比回歸分析預(yù)測結(jié)果更好，且相對預(yù)測誤差不超過0.05。

關(guān)鍵詞：物流；需求預(yù)測；BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：F25 文獻(xiàn)標(biāo)識碼：A doi：10.19311/j.cnki.16723198.2018.05.012

0 引言

隨著科技的不斷進(jìn)步和社會生產(chǎn)能力的逐步提高，資源和勞動力在供大于求和銷售到達(dá)極限的情況下已很難帶來利潤的增加，這時“第三利潤的源泉”，即物流的重要性便顯著增加。2009年國務(wù)院印發(fā)了《物流業(yè)調(diào)整和振興規(guī)劃》，指出了物流行業(yè)在國民經(jīng)濟(jì)中的重要地位，提出了“促進(jìn)物流業(yè)平穩(wěn)較快發(fā)展”的要求；2014年國務(wù)院印發(fā)了《物流業(yè)發(fā)展中長期規(guī)劃（2014—2020年）》，分析了我國物流行業(yè)的發(fā)展現(xiàn)狀，并提出了2014-2020年物流發(fā)展的詳細(xì)規(guī)劃。可以看出，物流已經(jīng)成為經(jīng)濟(jì)發(fā)展中極其重要的一個環(huán)節(jié)。而物流行業(yè)高效快速的發(fā)展離不開物流系統(tǒng)的合理設(shè)計和有效控制，這其中十分重要的一個環(huán)節(jié)便是對物流需求的準(zhǔn)確預(yù)測。有不少學(xué)者針對物流需求預(yù)測問題進(jìn)行了研究，過秀成（2001）等曾利用投入產(chǎn)出模型分析了區(qū)域物流需求，得到了兼顧社會經(jīng)濟(jì)和物流供應(yīng)條件兩方面因素的模型。初良勇（2004）比較了回歸分析、灰色模型和神經(jīng)網(wǎng)絡(luò)在物流需求預(yù)測中的不同結(jié)果并通過組合預(yù)測的方法提高了預(yù)測的精度。方威（2009）采用傳統(tǒng)的線性回歸模型預(yù)測了物流需求并發(fā)現(xiàn)了經(jīng)濟(jì)發(fā)達(dá)程度與物流需求量的相關(guān)關(guān)系。王新利（2010）應(yīng)用神經(jīng)網(wǎng)絡(luò)研究了農(nóng)產(chǎn)品的物流需求，提高了預(yù)測的準(zhǔn)確度。張誠（2012）將粗糙集和多元回歸分析引入到鐵路物流需求預(yù)測中。可以看出物流需求預(yù)測的方法有很多，本文選取預(yù)測能力較強(qiáng)的BP神經(jīng)網(wǎng)絡(luò)（張景陽，2013）來預(yù)測北京市的物流需求，并將結(jié)果與普通的回歸預(yù)測進(jìn)行了比較。

1 物流需求的影響因素分析

影響物流需求的因素有很多，由于物流行業(yè)的發(fā)展與經(jīng)濟(jì)的發(fā)展存在密切聯(lián)系，因此衡量經(jīng)濟(jì)發(fā)展水平的指標(biāo)，例如生產(chǎn)總值，可以用來預(yù)測物流需求。同時，區(qū)域零售行業(yè)和進(jìn)出口貿(mào)易的發(fā)展也對物流需求有著重要的影響（文培娜，2009）。另外，朱翠娟（2016）的研究表明居民消費(fèi)水平也與物流需求存在明顯的相關(guān)關(guān)系。因此，本文選取地區(qū)生產(chǎn)總值、第一產(chǎn)業(yè)增加值、第二產(chǎn)業(yè)增加值、第三產(chǎn)業(yè)增加值、社會商品零售總額、貨物進(jìn)出口總額、居民人均消費(fèi)支出和貨物運(yùn)輸量七個指標(biāo)來預(yù)測北京市的物流需求，原始數(shù)據(jù)如表1所示。

2 模型建立與數(shù)據(jù)處理

BP神經(jīng)網(wǎng)絡(luò)通過前反饋和后傳播兩個過程訓(xùn)練樣本數(shù)據(jù)，網(wǎng)絡(luò)模型包括輸入層、隱含層和輸出層三部分。本文建立的神經(jīng)網(wǎng)絡(luò)模型如圖1所示，包括一個輸入層（7個神經(jīng)元），一個隱含層（13個神經(jīng)元）和一個輸出層（1個神經(jīng)元）。訓(xùn)練過程選用速度較快、精度較高的LM（MATLAB的trainlm函數(shù)）算法對2006-2015年的樣本數(shù)據(jù)進(jìn)行訓(xùn)練。同時，為了提高模型的訓(xùn)練速度和訓(xùn)練精度，在訓(xùn)練之前對原始數(shù)據(jù)進(jìn)行歸一化處理（MATLAB的premnmx函數(shù)），歸一化結(jié)果如圖表2。

3 北京市物流需求預(yù)測

在MATLAB中輸入如下代碼構(gòu)建輸入層神經(jīng)元為7，隱含層神經(jīng)元為13的三層神經(jīng)網(wǎng)絡(luò)模型：

net=newff（minmax（X），[7，13，1]，{'tansig'，'tansig'，'purelin'}，'trainlm'）

導(dǎo)入2006-2015年的原始數(shù)據(jù)并進(jìn)行訓(xùn)練后得到的均方誤差變化如圖2所示，在132次迭代后模型達(dá)到最優(yōu)，此時均方誤差為5.36*10-8。使用訓(xùn)練得出的網(wǎng)絡(luò)預(yù)測2011-2015年的物流需求，并將預(yù)測結(jié)果和回歸分析預(yù)測結(jié)果進(jìn)行比較，如表3所示。可以看出BP神經(jīng)網(wǎng)絡(luò)模型的平均相對誤差為0.0429，預(yù)測結(jié)果好于回歸分析的0.0863，平均相對誤差約為回歸分析的一半且小于0.05。

4 結(jié)論與展望

本文選取了對物流需求影響比較大的七個指標(biāo)，建立了一個三層的神經(jīng)網(wǎng)絡(luò)模型對2006-2015年北京市的物流需求進(jìn)行了預(yù)測，預(yù)測結(jié)果的相對誤差小于0.05，好于回歸分析的預(yù)測結(jié)果，但由于數(shù)據(jù)規(guī)模較小和樣本數(shù)量過少的原因，模型預(yù)測的結(jié)果還存在提升的空間。

參考文獻(xiàn)

[1]過秀成， 謝實(shí)海， 胡斌.區(qū)域物流需求分析模型及其算法[J].東南大學(xué)學(xué)報， 2001，（5）：15.

[2]初良勇， 田質(zhì)廣， 謝新連.組合預(yù)測模型在物流需求預(yù)測中的應(yīng)用[J].大連海事大學(xué)學(xué)報， 2004，（11）：4346.

[3]方威，肖衡，任湘郴. 基于線性回歸模型的物流求預(yù)測分析[J].生產(chǎn)力研究， 2009，（12）：9495.

[4]王新利，趙琨.基于神經(jīng)網(wǎng)絡(luò)的農(nóng)產(chǎn)品物流需求預(yù)測研究[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)， 2010，（2）：6268.

[5]張誠， 劉美玲， 于兆宇.基于粗糙集和多元回歸分析的江西鐵路物流需求預(yù)測[J].經(jīng)營謀略， 2012，（1）：112114.

[6]張景陽， 潘光友.多元線性回歸與BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比與運(yùn)用研究[J].昆明理工大學(xué)學(xué)報， 2013，（12）：6167.

[7]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)測及分析[J].技術(shù)與方法， 2009，（6）：9193.

[8]朱翠娟， 黨相文.吉林省城市居民消費(fèi)與物流需求的相關(guān)性研究[J].東北師大學(xué)報， 2016，（12）：4851.endprint