基于遗传神经网络的城市圈物流需求预测——以鄱阳湖城市圈为例

夏建民， 李 冰， 柯芬芬

(江西师范大学 软件学院， 江西 南昌 330022)

基于遗传神经网络的城市圈物流需求预测
——以鄱阳湖城市圈为例

夏建民， 李 冰， 柯芬芬

(江西师范大学 软件学院， 江西 南昌 330022)

针对单纯使用神经网络预测物流量出现预测精度低、泛化能力差、耗费时间长等问题，提出一种可以最优化目标的算法，为避免陷入局部最小值，引入遗传算法对神经网络所需要的权值、阈值等可变参数进行最优化处理。仿真结果表明利用遗传算法对神经网络进行优化处理，预测结果能够表现出更高的预测精度与泛化能力。

遗传算法； 神经网络； 物流； 城市圈

随着我国经济的飞速发展，物流业作为新兴产业之一也在快速发展，逐渐成为区域经济重要的构成要素，同时引导和促进着区域经济的发展，成为衡量经济发展程度的一个重要指标，对于区域经济发展有着不可忽视的拉动作用[1]。

物流与经济发展表现出正相关关系，物流规模的预测已经受到越来越多的学者青睐。Gogoneata B[2]使用世界银行数据，分析了42个国家物流产业与经济发展的影响因子，通过回归分析，认为物流产业的发展与该国经济有较强的关联性。JIANG Hua[3]采用灰色预测模型对物流量进行了预测，利用其所需样本小、数据要求低、运算方便等特性可以得到精准及合理的预测结果。杨树果[4]采用偏最小二乘回归与灰色预测模型耦合进行物流预测，充分利用了二者的优点，可进一步提高预测的精度，使预测更加趋于合理。朱帮助[5]在文章中提出了基于有效度的组合预测模型，即通过组合多个单一模型的预测结果，发挥各自的优点，提高预测的精确度。然而使用灰色预测模型、组合预测模型等方法虽然能够实现对物流进行预测，但其精度却低于使用神经网络进行预测，而且没有考虑到更多影响物流的指标因素。李赤林等[6]运用BP神经网络对物流量进行了预测，其结果也表现出了更高的拟合性与准确性。Fu Pei-hua[7]结合BP神经网络与灰色模型来预测物流量，相对于单一的预测方法，表现出更加优越的精准性与稳定性。基于BP神经网络的预测模型虽然具有较高的精确度，但是传统BP神经网络仍普遍存在容易陷入局部极小值等问题，其预测最终结果仍然没有达到最优解。

M.M.Rahman、Wang Jing-an、Nejra Sikalo等学者利用了遗传算法较好的空间搜索能力，容易得到全局最优解和性能较好的次优解等特点，使用遗传算法模拟优化粮食干燥过程、纺织企业自动化安排、对冲基金配对交易等过程，都获得了良好的预测结果[8-10]。Vetrichelvan G[11]将遗传算法与声发射技术结合，得到了一种更为准确的能够检测构件缺陷、疲劳断裂的技术。M. Hakan Satman[12]在线性回归方法中加入遗传算法，大大降低了变量的误差值，说明遗传算法能够帮助其他模型获得更优的解。

鄱阳湖城市圈作为长江中游三大城市圈之一，物流系统规划和建设对实现整个江西产业改革、经济发展以及在中部崛起的目标，有着重大意义。城市圈物流预测能够对政府制定促进经济发展的宏观政策、方针以及物流行业所需的基础设施建设的决策行为提供必要的参考，同时对改善现代经济发展环境、建立一套科学合理的物流配送方案，促进物流企业和企业物流发展，提升区域现代物流竞争力和推动整个区域的经济发展都具有十分重要的意义[13]。

本文采用遗传算法优化BP神经网络对鄱阳湖城市圈物流量进行了预测，结合遗传算法的优点，克服传统BP神经网络容易陷入局部极小值、收敛速度慢、全局搜索能力差等问题，得到更高的精确度与拟合效果。

1 指标选取与数据来源

1.1 指标选取

衡量物流需求量的指标非常多，应根据全面性、代表性、科学性及数据可得性原则选取物流指标。依据以上原则，考虑到与物流量相关的总人口数、第一产业、第二产业等经济指标有很多，将这些指标进行相关性分析，同时使用多元逐步线性回归，消除影响因素之间的共线性，去除与物流量相关性低和指标之间相关性高的指标[14]，以及宏观经济政策、市场环境等不可量化的其他因素，将总人口、第一产业、第二产业、第三产业产值、消费品零售额、进出口贸易6个指标作为影响指标，并将全社会货物运输量作为衡量物流需求量的指标。

1.2 数据来源

依据指标选取的要求，结合南昌市作为江西省会城市以及在鄱阳湖城市圈的核心地位，本文使用南昌市1998—2014年各指标数值作为鄱阳湖城市圈的相应指标值(见表1)。

表1 南昌市1998—2014年全社会货物运输量与经济指标统计数据

注：数据来源于南昌市经济统计年鉴。

由于各个指标互不相同，数量级大小也不一样，为防止奇异值影响，同时为了加快收敛速度并防止局部值达到过饱和状态，需要对原始数据进行归一化，这里采用mapminmax函数对其归一化处理，

(1)

式中ymax、ymin为设置参数，代表的是映射区间，本文将其设置为1、-1，即将原始数据映射到(-1，1)之间，归一化结果如表2所示。

表2 南昌市1998—2014年全社会货物运量与经济指标统计数据归一化数据

2 优化的神经网络模型构建

2.1 优化BP神经网络与模型建立

BP神经网络是按误差逆传播算法训练的多层前馈网络，其高度非线性映射能力、精确寻优以及较强的容错能力使其成为目前应用最为广泛的神经网络模型之一，但是它本身存在着容易陷入局部极小值、权值、阀值初始值设定不确定等问题。本文运用遗传算法对BP神经网络的初始权值阀值进行优化，在一定程度上解决了BP神经网络所存在的问题。优化过程如下(流程图见图1)：

(1)通过遗传编码操作，将神经网络中的权值、阀值编码成染色体作为一个个体，初始化出一个种群(种群数量预先设定)，并建立BP神经网络；

(2)输入进行训练的样本，1998—2010年归一化的数据，第一产业、第二产业等指标数据，不包括全社会货物运输量，训练BP网络，将所获得结果与实际货物运输量比对，使用公式(2)计算每个个体的适应度值fitness，即总误差倒数，

(2)

式中an为预测值，outputn为实际值，并以此作为衡量该个体作为神经网络权值与阀值的优劣；

(3)比较该种群内所有个体的适应度值，使用轮盘赌方法选择出适应度值最大的个体，直接遗传到下一个种群；

(5)重复执行(2)—(4)步，不断对个体的权值、阀值进行优化，直到达到最大的进化代数；

(6)计算最后种群的每个个体的适应度值，并将适应度值最大的作为最优个体；

(7)将最优个体进行解码，获得对应于神经网络的权值与阀值；

(8)输入样本到权值与阀值已经设定好的BP网络中，进行训练，直到满足收敛条件，获得最优解。

图1 遗传神经网络过程

2.2 参数初始化

(1)初始化网络，本文采用三层BP神经网络模型，输入层为

防治柑桔凤蝶：在柑橘凤蝶的幼虫发生较为严重的时候，选用10%吡虫啉可湿性粉剂3000倍液对害虫进行挑治，可以起到防治效果。

X={x1,x2,x3,x4,x5,x6},

(3)

其参数分别为第一产业、第二产业、第三产业、消费品零售额、出口贸易以及总人口，实际输出为O={oi}，即使用该模型最终获得的物流量结果，期望输出为Q={qi}，也就是全社会货物运输量，由于隐含层没有系统完备的理论来确定数目，故使用经验公式

(4)

式中n为输入层个数，m为输出层个数，其数目H应当位于[4，13]之间。训练函数设为trainbr，第一层传递函数为logsig函数，第二层传递函数为purelin函数，训练周期为100，目标值为0。

(2)初始化种群P，交叉概率Pc(通常取0.4～0.99之间)，本文使用概率为[0.6，0.9]，变异概率Pm(通常取0.000 1～0.1之间)，本文取[0.01，0.1]，以上取值是经过多次实验取得的最优数据。初始种群大小pop，遗传代数gen代。

3 实例分析

本文是使用当年的指标数值预测第二年的货物运输量，故将表2中归一化的数据中1998—2010年份中的指标数值转置后作为训练集的样本输入input，1999—2011年份中的全社会货物运输量作为训练集的样本输出output，

input=

output=(-1.00，-1.00，-0.98，-0.96，-0.84，-0.79，-0.71，

-0.66，-0.57，-0.51，-0.08，0.08，0.19)。

将训练样本集input输入未优化的BP神经网络与经过遗传算法优化后的神经网络中进行训练，将用于测试的数据inputn即2011—2012年份的指标数值转置数据输入进已经训练过的网络中，获得结果an的实际值outputn进行比对，

outputn=(0.33，0.54)，

其误差结果如图2、图3所示。

图2 未经优化的BP神经网络 图3 经过遗传算法优化的BP神经网络

未经优化的BP神经网络所得误差值error=(-65.083，89.342)，误差百分比为-0.642%、0.811%，总误差为1.453%。经过遗传算法优化的BP神经网络所得误差值error=(-86.837，17.581)，误差百分比为-0.917%、0.153%，总误差为1.07%。

运用以上方法，还可以输入2013年的物流相关指标数据，预测出2014年的全社会货物运输量为11 847.16万吨，南昌市统计局显示2014年社会货物运输量12 709万吨，误差率6.78%。虽然误差相较之前预测较大，但是由于数据量较少，且数值较大，以及定性指标并没有统计进去，该误差是可以接受的，同时可以看出其货物运输量依旧保持着持续增长的势头，与第一产业、第二产业等数据的增长也相对应。

4 结 论

通过实验结果对比可以得出，经过优化后的BP神经网络进行预测时出现的误差总和为1.07%，而没有优化的误差达到了1.453%，表明遗传神经网络表现出更高的精度，更强的泛化能力，同时避免了BP神经网络陷入局部极小值、全局搜索能力差等缺点。因此鄱阳湖城市圈可以使用经过遗传算法优化的BP神经网络对未来物流量进行精确预测，为城市圈物流产业发展政策以及物流系统基础设施规划设计等提供科学合理的决策依据。

[1] 赵莉，宋国宇.物流业与区域经济一体化协调发展的实证及理论解释——基于中国省级数据的分析[J].技术经济，2012，31(1)：53-59.

[2] GOGONEATA B. An analysis of explanatory factors of logistics performance of a country[J]. Amfiteatru Economic Journal，2008，10(24)：143-156.

[3] JIANG Hua，LIANG Qi-hong. Application Research of the Grey Forecast in the Logistics Demand Forecast[J]. Education Technology and Computer Science，2009(1)：361-363.

[4] 杨树果，王新利.偏最小二乘回归与灰色模型耦合在物流需求预测中的应用[J].农业技术经济，2010(7)：105-111.

[5] 朱帮助.组合预测模型在区域物流需求预测中的应用[J].经济地理，2008，28(6)：952-954.

[6] 李赤林，胡小辉.基于BP神经网络的武汉城市圈物流需求预测[J].武汉理工大学学报：信息与管理工程版，2009，31(5)：773-776.

[7] FU Pei-hua，LI Ya-jie. Application of Combined Model in Forecasting Logistic Volume of a Port[C]. Changsha：2010 International Conference on Intelligent Computation Technology and Automation，2010(1)：742-745.

[8] RAHMAN M M，MUSTAYEN A G M B，MEKHILEF S，et al. The Optimization of Solar Drying of Grain by Using a Genetic Algorithm[J]. International Journal of Green Energy，2015，12(10)：1212-1231.

[9] WANG Jing-an，PAN Ru-ru，GAO Wei-dong，et al. An automatic scheduling method for weaving enterprises based on genetic algorithm[J]. Journal of The Textile Institute，2015，106(12)：1-11.

[10] SIKALO N，HASEMANN O，SCHULZ C，et al. A Genetic Algorithm-Based Method for the Optimization of Reduced Kinetics Mechanisms[J]. International Journal of Chemical Kinetics，2015，47(11)：695-723.

[11] VETRICHELVAN G，SUNDARAM S，KUMARAN S S，et al. An investigation of tool wear using acoustic emission and genetic algorithm[J]. Journal of Vibration and Control，2014，21(15)：3061-3066.

[12] SATMAN M H，DIYARBAKIRLIOGLU E. Reducing errors-in-variables bias in linear regression using compact genetic algorithms[J]. Journal of Statistical Computation and Simulation，2014，85(16)：1-20.

[13] 曾艳.基于变异系数的区域物流需求组合预测方法[J].统计与决策，2012(21)：93-95.

[14] 谢晓燕，韦学婷，王霖.基于指数平滑法的呼、包、鄂三角区物流需求量预测[J].干旱区资源与环境，2013，27(1)：58-62

[责任编辑：谢 平]

Prediction of the logistics demand of Poyang lake city circle based on genetic algorithm neural network

XIA Jian-min， LI Bing， KE Fen-fen

(College of Software，Jiangxi Normal University， Nanchang 330022, China)

In view of the problems of inadequate prediction, poor generalizability and time-consumption arising from using neural network alone, the study puts forward an algorithm which can be optimized in order to avoid falling into local minimum， and introduce necessary parameters such as weights and thresholds of the genetic algorithm neural network for optimizing processing. The simulation results show that the neural network using genetic algorithms to optimize the predicted results can exhibit higher prediction accuracy and generalization ability.

genetic algorithm； neural network； logistics； city circle

1673-2944(2016)06-0080-06

2016-05-23

2016-09-14

夏建民(1991—)，男，江西省上饶市人，江西师范大学硕士研究生，主要研究方向为经济预测与决策。

O211.67

A