基于BP神经网络的物流量预测方法研究

马银军 （重庆交通大学 管理学院，重庆 400074）

0 引 言

物流量作为衡量一个国家或地区经济发展的重要经济指标，愈加受到人们的重视，如何正确、有效的根据相关影响因素做出物流量预测，对于物流产业的发展具有至关重要的作用。目前，有关物流预测的方法有移动平均预测法、指数平滑预测法、回归分析预测法以及神经网络预测法[1]。前三种方法都需事先建立函数模型，数据缺失的情况下难以顺利进行，导致物流预测结果缺乏可信度。人工神经网络具有良好的曲线拟合能力、学习能力、抗干扰能力，采用BP神经网络方法，建立物流预测模型，具有更强的实用性。

1 地区物流需求关键经济因素分析与提取

物流需求是一种派生需求[2]。这种派生需求的大小与其本源需求有着密切的关系，而社会物流的需求是由地区经济发展本身带来的。因此，理论上通过寻找区域经济的关键因素构建物流需求预测模型是可行的，用数学模型可表示为：

其中，W为物流需求量，B为地区经济因素。

影响社会物流需求的因素众多，但从宏观考虑主要包括三大部分：地区经济规模、产业结构、经济空间布局。地区经济发展的整体水平和规模是社会物流需求的决定因素，也是物流需求的源动力。其次，产业结构是另一个重要因素，主要包括商贸业、工业、农业，并且产业结构的差异也将对物流的需求功能、物流层次及物流需求结构等方面产生重大影响。此外，地区人均收入和消费水准也是影响社会物流需求的重要方面。

基于以上分析，提取影响社会物流需求的各项经济指标如下：地区经济总量指标：地区生产总值X1（万元），产业结构指标：工业总产值X2（万元）、农业总产值X3（万元）、商贸业总产值X4（万元），消费水平：地区人均消费水平X5（元）。

2 物流需求BP神经网络模型

2.1 模型算法描述

BP算法是一种有教师的学习算法[3]。输入学习样本为p个 （X1,X2,X3…XP），已知与其对应的教师值为t1,t2,t3…tp；学习算法是用实际的输出 y1,y2,y3…yp与t1,t2,t3…tp的误差修正其连接权值和阈值，使yp与tp尽可能接近,从而达到满意的非线性拟合。设n0为迭代次数，权值和阈值的修正公式为：

式中，η——步长，δ——局部梯度；

当P个样本学习时，其总误差为：

此时，式 （1）、 （2）停止迭代，连接权值和阈值训练完毕。式中ε为任意给定的正小数，其大小取决于网络训练的精度。

2.2 BP神经网络模型设计

模型采用三层BP神经网络，该网络由一个输入层、一个隐含层和一个输出层组成，如图1所示。输入层含5个结点 （x1,x2…x5），分别对应本文前面分析提取的5个经济因素指标。由于货物运输量可以在一定程度上反映物流需求的变化规律，所以选择货物运输量Y（万吨）作为神经网络的输出结点。

在神经网络中，关于隐含层单元数量的选择尚无确切的方法和理论，隐含层单元过少会导致拟合不足，网络不能描述数据；隐含层单元过多却会导致过度拟合，网络拟合数据的噪声大。因此，通过试错法选取最佳的隐含层单元数。各层之间的传递函数Elman网络设计；其中，输入层与隐含层之间的传递函数为sigmoid函数，隐含层与输出层之间的传递函数为线性函数。

3 实例分析

3.1 指标选取

本文以某市的货物量预测为例，由于受到统计数据可获得性限制，在对该市货运量进行预测时选取 “全社会货物运输量”作为货运量预测指标，选择该市1991年至2008年的GDP、第一产业产值、第二产业产值、第三产业产值、地区人均消费水平、货物周转量统计数据作为实证研究对象，见表1。将数据分为两部分，1991～2005年的数据作为神经网络的训练样本，而2006～2008年的数据作为检验样本。

由于输入向量中各因素具有不同的量纲，而且变化范围相差较大，在神经网络训练之前首先对样本数据进行了标准化处理，以提高神经网络训练的效率和网络的泛化性能。标准化处理包括两层含义：首先使样本向量数据的平均值为零；其次，对数据进行归一化处理，使输入数据向量的标准差为1。此外，再对经过标准化处理后的数据样本进行主元分析，以剔除有相关关系的样本数据。

3.2 训练及结果分析

利用Matlab7编制BP网络训练和分析程序，并利用该程序对神经网络有关参数进行优选[4]。经过实验确定，社会物流需求预测模型，BP网络隐含层神经元数取15较为合适，网络所需训练时间不多，便能达到目标误差，因此选取学习率为0.01，期望误差为0.002。

由图2和图3可以得出结论，该网络能够较快收敛，并且很好的拟合了输入因素与输出向量的非线性关系。结果显示，检验样本的预测平均相对误差为3.3%，模型能够得到较为满意的预测精度。

表1 统计数据表

4 结 论

当前对于物流量的预测模型大多难以解决不具有明显线性关系的问题，但是通过BP神经网络高精度的模拟算法，建立相应仿真模型，对地区物流量进行预测，预测的结果证明该模拟算法具有极高的信任度。 该模型在一定程度上反映了经济与物流量之间的复杂映射关系，它不同于以往简单的货运量预测线性回归或者时间序列预测模型，更重要的是本模型不是直接利用物流数据本身来预测货运量，而是采用经济指标来对货运量需求进行预测，为从经济与物流一体化的角度研究物流需求提供了新的思路。

[1] 李怀祖.管理研究方法论[M].西安：西安交通大学出版社，2004:38-39.

[2] 赵启兰，王稼琼.物流规划中的需求与潜在需求分析[J].中国软科学，2004(6):30-32.

[3] 鲍立威，何敏，沈平.关于BP模型的缺陷的讨论[J].模式识别与人工智能，1995(7):31-33.

[4] 桂现才.BP神经网络在MATLAB上的实现与应用[J].湛江师范学院学报，2004(10):23-25.