基于遗传BP神经网络的区域物流需求预测

胡万达



基于遗传BP神经网络的区域物流需求预测

胡万达

（英国考文垂大学，英国考文垂 CV15FB）

针对当前区域物流需求预测数据复杂且可变性较大、预测方法环境适应性较差的问题，提出了基于遗传BP神经网络的区域物流需求预测模型。首先，分析区域物流需求预测影响因素，并建立区域物流需求预测指标体系；其次，采用遗传算法优化预测网络中的可变参数，并建立多输入—多输出的BP神经网络多元预测模型；最后，通过实例结果表明该模型具有较高的预测精度和有效度。

物流需求；预测模型; 遗传BP神经网络

一、引言

随着物流系统愈趋复杂，其影响因素逐渐增多，并呈现分散性、不确定性以及并行性等特点[1-3]，传统线性、单一的预测方法已远远不能满足现阶段物流需求预测的需要。因此，在此条件下，如何处理区域物流需求预测中的动态数据并提高其计算速度及精度成为目前国内外物流研究中急需解决的问题。Diamantopoulos[4]等以物流出口销售为对象初步分析了预测结果与预测方法之间的关系，提出提高预测结果精度的首要措施是保证原始数据的准确性；ShueJiuhbing[5]等针对供应链上需求不确定的牛鞭效应问题提出了随机最优控制方法，该方法基于历史统计数据得以实现；Qiu[6]等以长三角、珠三角、环渤海历史数据为例，验证了组合预测方法比单一预测方法更有效；后锐[7]等提出了基于MLP神经网络的区域物流需求预测模型，该模型从理论上解释了区域经济与物流需求之间的非线性关系；杨丰玉[8]等针对第三方物流系统中资源利用率不高导致的高成本、低收益等问题，提出了基于灰色模型的货物需求量预测模型，该模型一定程度上解决了因历史统计数据较少导致的预测结果不准确等问题；过秀成[9]等在宏观经济预测和交通需求预测有关方法的基础上，建立了多区间投入产出模型和空间价格均衡模型相结合的区域物流需求分析模型，有效解决了物流需求与供给的平衡问题；杨洁[1]等提出了多元可变参数的物流需求预测模型，已解决当前区域物流需求预测目标单一、预测数据复杂的问题。

综上所述，目前关于区域物流需求预测的研究主要依赖于对历史数据的分析处理，通过主观赋权并运用各种解析算法以精确度最优为目标，建立相应预测模型对历史数据进行分析进而达到对物流系统需求预测的目的。然而，当前研究对于将来未知且随机变动的环境缺乏足够分析，导致现有研究成果极易因历史数据的不准确，使得最终的预测结果出现较大偏差。而物流系统区域预测的主要目的便是适应将来发展的需要，这样便导致现有预测数据随物流系统的发展其效用逐渐降低。同时，上述研究所选取的算法多针对可预知的环境下产生的动态数据，并以此为基础解释物流系统与社会经济之间的非线性关系，而对于不确定环境下的动态数据研究较少。基于此，论文将在分析区域内物流系统历史数据的基础上，充分考虑未来不确定性环境下动态数据对物流系统需求的影响，并提出基于遗传BP神经网络的区域物流需求预测模型，利用遗传算法对于变化环境下的高适应性以及BP神经网络对复杂数据处理高精度的优势，进而对区域物流需求进行预测，为物流战略规划决策提供支撑，促进区域社会经济的健康发展。

二、区域物流需求预测指标体系构建

影响区域物流需求的因素种类较多，包含社会、市场以及环境等，仅从传统的物流运输方式或单方面因素对其进行分析显然无法客观准确得到预测结果。因此，为系统准确地确定区域物流需求预测影响因素指标体系，有必要综合考虑各类影响因素，并且同时兼顾区域物流需求预测指标及需求数据的可采集性和指标的针对性。通过对大量文献进行分析，综合选取国内生产总值（1，亿元）、第一产业总值（2，亿元）、第二产业总值（3，亿元）、第三产业总值（4，亿元）、社会消费品零售总额（5，亿元）、进出口总额（6，亿美元）、常住人口（7，万人）7个指标构建区域物流需求预测的影响因素指标体系[1-7]。另外，选取港口吞吐量（万吨）、货运量（万）以及周转量（亿吨·km）3个指标对区域物流需求加以衡量[1,10]。

三、基于GA-BP神经网络的区域物流需求预测模型

区域物流需求代表着社会的经济发展水平，同时因环境变化导致的特殊需求的反应。除一般物流内容外，它还包含多元区域物流需求内容，因此，在影响区域物流需求的各种因素间以及其与多元区域物流需求之间存在着一种内在、隐含的映射关系。而传统的线性关系难以对其准确进行描述，预测也就无法用传统的预测模型来实现。神经网络模型通过模仿动物神经网络的行为特征，对分布式的并行信息进行处理的，是一种有效的数学模型。BP神经网络作为一种多层前馈神经网络，在非线性映射功能方面性能突出，因此，对于表达多影响因素与多元区域物流需求之间的复杂关系优势明显。BP神经网络的预测性能在很大程度上取决于输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值和输出层阈值，而依靠经验及网络迭代选择这4个参数不仅耗时，而且导致预测精度低。基于此，本文先基于遗传算法对BP神经网络的4个参数加以优化，然后再基于BP神经网络模型对区域物流需求进行预测。

本文采用3层MLP结构（输入层、隐含层及输出层），提出多输入-多输出区域物流需求预测的BP神经网络模型，其中输入的节点数目取决于用来预测区域物流需求的影响因素的个数，输出节点数目取决于所要预测的区域物流需求规模的多个变量个数，有效隐含层中节点个数由学习误差及样本个数共同决定[11,12]。

综上，首先基于遗传算法优化初始值，产生一个合理的搜索空间，然后根据神经网络算法设置输入层、隐含层、输出层等模型要素，在这个搜索空间中找到最优解，具体求解步骤如下：

Step 1 确定网络拓扑结构；

Step 2 BP神经网络权值阈值长度初始化；

Step 3 遗传算法对初始值编码；

Step 4 对BP神经网络进行训练，以误差为适应度值；

Step 5 选择、交叉、变异操作；

Step 6 计算适应度值，并判断结束条件，如不满足条件，返回Step 5，如满足条件，进行下一步；

Step 7 获取最优的权值和阈值；

Step 8 计算误差；

Step 9 权值和阈值进行更新，并判断结束条件，如不满足条件，返回Step 8，如满足条件，进行下一步；

Step 10 需求量预测，得到结果。

基于GA-BP的神经网络面向多输入—多输出的多元区域物流需求预测模型如图1所示。

图1 GA-BP神经网络模型

四、应用实例

将遗传算法与BP神经网络理论相结合，用本文的研究成果对重庆地区物流需求量进行预测。首先，收集1995—2012年的多输入多输出相关数据。以1996—2009年的数据作为训练样本对GA-BP神经网络进行训练，即通过第n年的输入变量与第+1年的输出变量的训练来确定GA-BP神经网络参数和结构。然后，对2010—2012年的数据港口吞吐量、货运量、周转量进行预测。数据来源于重庆市统计年鉴，具体数据如表1所示。

表1 1995—2012年相关数据

由表1可知，神经网络包含7个输入层节点，3个输出层节点，15个隐含层节点数。基于此，BP神经网络的结构可确定为7-15-3，所以，遗传算法染色体长度可确定为168。为便于研究，设置迭代次数为120，种群规模为20，交叉概率为0.3，变异概率为0.1，染色体选择操作采用轮盘赌的方法。通过训练，可得训练平均适应度如图2所示。

通过图2可以看出，当迭代次数达到35次时，达到预测的较高精度。

在前文工作基础上，对重庆区域物流进行预测。将2009—2011年相关数据作为输入，得到2010—2012年的物流预测结果如表2所示。

图2 适应度曲线

表2 预测值与实际值的比较

五、结束语

针对区域物流需求预测问题，本文提出了基于遗传BP神经网络的区域物流需求预测模型。该模型综合考量社会、市场以及环境等各类影响因素，系统分析因素与区域物流需求之间相互关联，基于此结合遗传算法良好的环境适应性以及BP神经网络较强的数据处理能力，该模型具备多输入-多输出特点，可对多元复杂可变因素影响下的区域物流需求做出预测。并且，通过实例分析表明该模型预测结果与实际值符合度较高，具有良好实用价值。下一步研究方向将集中在如何选择最优的分辨尺度及平移参数，提高预测结果的精度。

[1]杨洁，等.多元可变参数需求预测模型分析与应用[J].重庆大学学报：自然科学版.2008（11）.

[2]宋崇智，等.基于神经网络的敏捷制造业自动化物流信息预测的研究与实现[J].中国机械工程，2007（15）.

[3]许淑君.一个基于Agent的逆向物流在线跳变灰预测系统[J].计算机工程，2006（8）.

[4]Diamantopoulos D, Winklhofer. Export sales forecasting by UK firms technique utilization and impact on forecast accuracy [J].Journal of BusinessResearch.2003 (56).

[5]SheuJiuh-biing.A multi-layer demand-responsive logistics control methodology for alleviating the bullwhip effect of supply chains [J]. European Journal of Operational Research.2005 (161).

[6]Qiu Ying, Lu Huapu, Wang Haiwei. Prediction Method for regional logistics[J].Tsinghua Science and Technology.2008 (13).

[7]后锐，张毕西.基于MLP神经网络的区域物流需求预测方法及其应用[J].系统工程理论与实践，2005（12）.

[8]杨丰玉，等.第三方物流中货物需求量的灰色模型预测及应用[J].计算机工程与应用，2006（11）.

[9]过秀成，谢实海，胡斌.区域物流需求分析模型及其算法[J].东南大学学报：自然科学版，2001（3）.

[10]阮清方，等.基于遗传BP神经网络的城市物流需求量预测[J].武汉理工大学学报：交通科学与工程版，2011（6）.

[11]ENSAFI A A, KH AYAMIAN T, TABARAKI R.Simultaneo us kinetic determination of thiocyanate and sulfide using eigenvalue ranking and correlat ion ranking in principal component wavelet neural network[J]. Talanta. 2007 (5).

[12]GUTES A, CESPEDES F, CARTAS R, et al. Multivariate calibration model from overlapping voltammetric signals employing wavelet neural networks[J]. Chemometrics and Intelligent Laboratory Systems. 2006 (2).

（责任编辑：于开红）

A study of regional logistics demand forecasting based on the genetic BP neural network

Hu Wanda

A forecasting model based on GA-BPNN for logistics demand was presented to overcome the limitations of complex and large variable data of logistics demand and poor adaptability to environment of forecasting methods. First, the factor of regional logistics demand forecasting was analyzed, and the index system of regional logistics demand forecast was established; second, a multi-input and multi-output forecasting model based on GA-BPNN with multi-element variable parameters was studied, and the network configuration was confirmed using the stepwise checkout and iterative gradient descent methods; finally, an example showed that the model had higher prediction accuracy and validity.

logistics demand; forecasting model; GA-BPNN

TP273

A

1009-8135（2014）05-0060-04

2014-05-28

胡万达（1989-），男，重庆忠县人，英国考文垂大学物流工程专业硕士研究生。