基于BP神經(jīng)網(wǎng)絡的城市物流需求預測模型研究

林偉濱

引言：在物流行業(yè)不斷發(fā)展壯大的背景下，各省市也逐漸制定出符合自身發(fā)展的物流戰(zhàn)略，并且將其納入到城市規(guī)劃當中，期望能夠通過物流業(yè)的發(fā)展帶動整個城市的經(jīng)濟發(fā)展.但是，過快的增長很容易導致物流供求間的不平衡，因此城市規(guī)劃者需要對物流需求進行準確的預測，采用BP神經(jīng)網(wǎng)絡的方式，模仿大腦神經(jīng)結構建立新型的信息處理系統(tǒng)，以此來提升預測的有效性與準確性.

1 BP神經(jīng)網(wǎng)絡結構概述

1.1 概念

BP神經(jīng)網(wǎng)絡處于目前應用范圍較廣的人工神經(jīng)網(wǎng)絡，它具有前向多層性，將一層或者多層單元隱含在輸入和輸出層中間，如圖1所示，該圖屬于一個三層BP網(wǎng)絡，并且其中包含一個隱含層，與相鄰兩個層之間相互連接，但是每個層的內(nèi)部神經(jīng)元之間又處于相互獨立的狀態(tài).

圖1 三層BP網(wǎng)絡結構圖

對于BP網(wǎng)絡來說，其主要采用誤差反向傳播的算法，主要理念在于，設置好輸入與期望輸出后進行網(wǎng)絡訓練，采用前向逐層計算的方式，計算出網(wǎng)絡中實際輸出與期望值之間的誤差，從而對權限進行判斷，直到結果與期望值相符合后才結束，否則偏差則會按照原本的網(wǎng)絡以反方向進行傳播，也就是由輸出層朝著相反的方向逐漸對聯(lián)接權重進行調(diào)整，最終使誤差與規(guī)定范圍相符合.在輸入層當中，神經(jīng)元個數(shù)的計算由輸入信號維數(shù)來決定，而隱含層與節(jié)點的個數(shù)由客觀實際所決定，因此輸出層中神經(jīng)元的數(shù)量與信號維數(shù)之間幾乎相同.

1.2 學習過程

以上圖1為例，對三層BP網(wǎng)絡學習算法的學習過程進行分析.

（1）初始化，將全部權重都設置到最小的數(shù)值，然后得出初始閾值；

（2）設置特定的訓練數(shù)據(jù)，輸入向量為X，其取值范圍為x1，x2，……xm，期望輸出向量為 D，其取值范圍為 d1,d2,d3……dm；

（3）由輸入層開始，采用前向傳播的方式開始逐層計算；在對輸入層神經(jīng)元的計算中，xi代表輸入向量，oi代表輸出向量，oi的取值范圍與xi相同，i的取值區(qū)間均為1,2，3……m，i代表的書輸入層維數(shù).對于輸出層神經(jīng)元的計算中，輸入向量為ω'ijo'i-θ'j，輸出向量為 yk=g(x"k)，其中，k的取值范圍為1,2,3……l，k代表的是輸出層維數(shù).對于隱含層層神經(jīng)元的計算中，輸入向量為x'jωijxi-θj，輸出向量為oj=f(xj)，其中，j的取值范圍為1,2,3……n，j代表著的是隱含層的維數(shù)[1].

綜上，ωij代表的是由輸入到隱含層中的權重；ω'jk代表的是隱含到輸出層之間的權重；函數(shù)f（·）與g（·）為非線性函數(shù)，同時也是可以為線性激勵函數(shù).

（4）按照誤差反向傳播的方式，由輸出層開始在各個層次之間往返進行權重方面的調(diào)整，在定義網(wǎng)絡中的誤差為：

根據(jù)梯度算法中的規(guī)則，對上述函數(shù)的權重進行調(diào)整后可得：

在該式中，▽E（t）代表的是在t次訓練的過程中，函數(shù)按照梯度變化的相反方向.

對于從輸出到隱含層中權重的調(diào)整，公式為：

式中，η代表的是學習率，數(shù)值范圍大于0；dk代表的是期望值，k的取值范圍為1,2,3……l.

從隱含到輸入層中的權重調(diào)整，公式為：

式中，σk代表的是輸出層當中k的誤差；

（5）如若誤差的數(shù)值不符合預期范圍，則需要對其重新計算，直至誤差與期望相符合才能結束[2].

2 城市物流需求度量指標與影響因素

2.1 需求度量指標

通過對現(xiàn)有文獻的分析可知，物流需求度量可分為實物量與價值量兩種.對于實物量來說，在物流需求方面主要為不同環(huán)節(jié)中實際作業(yè)量，包括倉儲量、貨運量等等；而價值量物流需求則主要是指物流環(huán)節(jié)中所有服務價值的整體反應.對于城市物流來說，主要目的是為了滿足城市居民生活與經(jīng)濟發(fā)展的需求，所研究的主要對象大多為城市內(nèi)部的物流工作，涉及的范圍較廣、時間較長，在對價值量的研究方面具有較大難度，國家目前此方面的數(shù)據(jù)也較少.

2.2 影響因素

城市經(jīng)濟發(fā)展促進了社會物流需求，物流需求又反作用于城市經(jīng)濟發(fā)展，因此物流量與經(jīng)濟因素之間存在較強的變化關系，由此可見，從理論上來看，根據(jù)二者之間的關系構建物流需求模型具有較強的可行性，公式為：

式中，W代表的是物流的需求量；B代表的是城市經(jīng)濟發(fā)展的因素；通常對城市物流需求的影響因素較為復雜，涉及面積也較為廣泛，本文從貨運量方面展開研究，將影響因素歸結為以下幾個部分，分別為第一產(chǎn)業(yè)、第二產(chǎn)業(yè)、第三產(chǎn)業(yè)、區(qū)域零售總額、外貿(mào)總額、居民消費水平.

3 城市物流需求預測模型的構建

3.1 數(shù)據(jù)收集與整理

本文選取的是某市2013-2017年的城市貨運數(shù)據(jù)，將其作為本次研究的網(wǎng)絡訓練樣本，由于數(shù)據(jù)之間存在不一樣的量綱，需要對其進行歸一化的處理之后才能使用，保障處理后的數(shù)據(jù)區(qū)間均在0到1的范圍內(nèi)，數(shù)據(jù)統(tǒng)一化處理的公式為：

表1 某市貨運量與經(jīng)濟指標

本文的研究主要采用Matlab的方式，實現(xiàn)數(shù)據(jù)的統(tǒng)一化處理.

在表1中，X1代表的是該地生產(chǎn)總值；X2代表的是第一產(chǎn)業(yè)產(chǎn)值；X3代表的是第二產(chǎn)業(yè)產(chǎn)值，單位為億元；X4代表的是區(qū)域外貿(mào)總額，單位為億美元；X5代表的是居民消費水平，單位為億元；X6代表的是貨運量，單位為萬噸.

3.2 BP網(wǎng)絡結構設計

3.2.1 輸入、輸出、隱含節(jié)點數(shù)

根據(jù)上述對影響因素的分析，對生產(chǎn)總值、外貿(mào)總額、居民消費水平等因素進行明確以后，將其作為輸入節(jié)點，將貨運總量作為輸出節(jié)點.對于單隱層的BP神經(jīng)網(wǎng)絡來說，需要通過實驗的方式對中間層的神經(jīng)元數(shù)量進行計算.由上表可知，深入神經(jīng)元有5個，按照Kolmogorov定理可知，首先將網(wǎng)絡隱含層中的神經(jīng)元數(shù)量設置為15個，然后分別對10與20進行對比，最終明確最佳神經(jīng)元個數(shù).通過數(shù)據(jù)誤差的對比分析后可知，當隱含層在紅神經(jīng)元的數(shù)量為15時，預測的誤差最小，因此處于最佳狀態(tài)[3].

3.2.2 權值、閾值的確定

在神經(jīng)網(wǎng)絡模型構建之時，需要對網(wǎng)絡中的權值、閾值等初始值進行明確，這對于神經(jīng)網(wǎng)絡的學習效果將產(chǎn)生直接影響.因此，可以通過多次預測取平均的方式獲取最為穩(wěn)定的數(shù)值.在計算的過程中，通過超過1000次的計算方式使預測的準確性得到有效提升.而城市物流需求的預測則是為了構建城市經(jīng)濟與物流之間的內(nèi)在關系，并且為物流規(guī)劃提供有力的參考依據(jù).

3.2.3 傳遞函數(shù)與訓練算法

通過相關實驗結果能夠看出，隱含層中的神經(jīng)元采用S型正切函數(shù)的方式實現(xiàn)神經(jīng)元的傳遞，而在輸出層當中采用S型對數(shù)函數(shù)的方式進行傳遞，獲得最佳傳遞效果.由于正切函數(shù)在收斂過程中的速度較快，因此在訓練中產(chǎn)生的誤差數(shù)值較小，本文選擇LM法進行訓練，次數(shù)為1000次，目標為0.0001，學習率為0.1，其他數(shù)據(jù)根據(jù)MATLAB工具箱內(nèi)容進行處理.在神經(jīng)元激勵函數(shù)確定方面，由于網(wǎng)絡非線性具有較強的逼近能力，因此通過S型激勵函數(shù)進行展現(xiàn)，函數(shù)形式如下：

其中，a的數(shù)值為1.72；b的數(shù)值為2/3.

3.2.4 實驗結果

在訓練的過程中，次數(shù)為11次以后，時間大約為0.49s時，網(wǎng)絡目標的誤差與預期數(shù)值相似，均方差為0.000956/0.001.由于在訓練時，最初設置的參數(shù)不同，導致每次在訓練結束后得出的結果也不盡相同，因此可以通過多次訓練的方式，使預測的數(shù)值與原始數(shù)據(jù)之間更加接近.

根據(jù)訓練結果能夠得出，BP神經(jīng)網(wǎng)絡模型在準確度方面具有較為明顯的優(yōu)勢，預測數(shù)據(jù)與原始數(shù)據(jù)之間的差值能夠保持在0.1992-2.2395%范圍內(nèi).由此可見，利用BP神經(jīng)網(wǎng)絡模型對該市的物流需求進行預測和計算具有較大的可行性.

結論：綜上所述，在本文的研究中對BP神經(jīng)網(wǎng)絡進行了分析，闡述了整個神經(jīng)網(wǎng)絡模型的學習過程，并且挖掘出了城市物流量預測影響的因素，主要為區(qū)域零售總額、外貿(mào)總額、居民消費水平等，將其作為神經(jīng)網(wǎng)絡模型的輸入層.最后，以某市為例構建BP神經(jīng)網(wǎng)絡進行實證研究，以此來說明BP神經(jīng)模型在物流量預測中的有效性與準確性.