基于人工神经网络模型的物流业货运周转量预测

2019-10-30颜永勤

经济研究导刊 2019年25期

颜永勤

摘要：人工神经网络技术在物流业已经得到了较为广泛的应用，但对于货运量、货运周转量预测应用较少。通过研究神经网络输入输出结构，确定物流效率影响指标，建立货运量及货运周转量预测模型。结合某市物流投入与产出的数据，新方法的预测精度超过99%，说明新方法对城市物流效率评价、物流体系建设及资源的整合有较强的推动作用。

关键词：人工神经网络;指标;货运量;预测

中图分类号：F252 文献标志码：A 文章编号：1673-291X（2019）25-0041-03

近年来，我国物流业发展迅速，社会经济的发展也需要物流的支撑，因此物流基建设施有了一定的提高。但目前物流业也存在一定的问题，包括我国物流领域缺乏配套法规、现代物流新系统尚未广泛应用、对物流行业的认识水平及政策透明度不够、物流专业人才匮乏等[1]。目前中国的物流产业已然处于起步发展阶段，企业物流是全社会物流的重点，在发展过程中，人们已认识到物流领域作为“第三利润源”的重要性，物流成本的居高不下制约着企业乃至社会经济的发展，企业想要提高利润控制成本的重心也集中在了对物流成本的控制。近年来，我国的物流基础设施已初具规模，世界十大港口，中国占了7个，且洋山港的年吞吐量稳居世界第一，铁路、高速公路的发展也十分迅速，这为现代物流的发展提供了保障。为与国际接轨，我國物流信息化水平也在不断提高，我国已经形成以光缆为主，以数字微波和卫星为辅的交叉传输网络，RFID、北斗定位技术逐步运用于市场，在一定程度上提高了物流效率[2]。同时，配送中心分拣系统、运输系统及仓储系统也实现了信息化，在整个物流运输过程实现实时跟踪，仓库物资的出入库以及货物定位均能通过信息系统来完成。虽然我国的物流基础设施设备在近年来发展较为迅速，但在发展过程中已然存在一定的问题，如理论与实际不匹配、物流人才的紧缺等等，这就需要对物流过程中的各个环节进行进一步研究，不断完善和创新。

一、物流业货运量与货运周转量

目前物流业的货运量与货运周转量的文献较多，大多是关于铁路货运量及周转量、水路货运量及周转量、公路货运量及周转量的相关研究，主要包括对货运量及货运周转量的预测方法、货运量及货运周转量对国民经济的作用，以及影响货运量与货运周转量的因素分析。张澎等基于弹性系数法对某县的货运周转量进行了预测，为物流及运输业的系统规划提供了一定的支持[3]。颜保凡等人针对铁路货运量的13项内部影响因素，采用BP神经网络模型，定量得出了对铁路货运量影响最大的几项指标[4]。原云霄等人采用回归模型分析了货运量对区域GDP的影响，认为在不同地区货运量带动经济增长的作用也有所差异[5]。李素英[6]、周禹初等通过建立误差修正模型，研究表明铁路货运周转量对国民经济推动作用最大，水路货运周转量次之，公路货运周转量影响最小，货运周转量与GDP之间具有相互促进的作用[7]。赵朝文等运用ARIMA模型与Winter模型对水运货运量进行了预测，并对比了几种预测方法的拟合效果，认为选择模型进行预测为最优方法[8]。裴艳华分别运用一次指数平滑法和二次指数平滑法对重庆的货运周转量进行了预测，研究证明二次指数平滑法更适合做具有明显增长趋势的货运周转量预测[9]。

从现有的文献来看，对货运量及货运周转量的预测确实是需要建立模型来进行，本文则是基于Matlab建立神经网络模型来对西安市的货运量与货运周转量进行预测，并与原始数据进行对比，其研究结果可为物流业货运量与货运周转量的预测提供参考依据。

二、基于Matlab实现的神经网络模型

用工具箱来求解方法简单，但是算法收敛比较慢，需要选取比较合适的参数，还需要想过多次实验，比如，增加节点数，减少节点数，修改学习速率等参数，还有均方误差等参数。经过反复实验，为了保证95%以上的货运量及货运周转量预测精度，确定以下预测模型。利用神经网络模型预测货运量时，首先需要明确物流业的投入指标与产出指标对应的输入输出关系。当前，物流业投入指标对应输入参数为交通运输、仓储和邮政业从业人员（万人）;交通运输、仓储和邮政业投资总额（亿元）;换算后线路运输长度（万千米）;物流产业GDP（亿元）。产出指标对应的输出参数为货运量（万吨）或货运周转量（亿吨×千米）。结合神经网络模型建立输出参数指标进行训练，设定为x1、x2、x3。输出参数指标设定为y1、y2。通过引入统计模型进行归一化处理，建立输入输出关系矩阵。设定训练参数，不断实验，确定基于历史数据的权值。最后以该权值及前期设定的参数进行动态模拟预测，将预测值结合初始模型进行还原，得出货运量或货运周转量的预测值。

第一，设置程序。依次打开“Matlab-Start-Neural Retworks-Nntool”。第二，数据的输入。将原始数据以矩阵（或向量）的形式进行排列，明确输入数据矩阵与目标数据矩阵。第三，数据的预处理。利用归一化处理技术，将原始数据处理成[0，1]之间的数字，并以矩阵的形式进行排列输入。第四，网络训练。设置训练次数、学习速率、最大训练次数、均方误差。第五，数据仿真。用训练好的Sim模型进行仿真，用仿真得到的数据还原为原始的数量级。第六，仿真数据和原始数据进行对比。对有限数据开始网络测试，运用工具箱绘制货运量（货运周转量）学习和测试对比图，开展仿真数据和原始数据进行对比分析。第七，对新数据进行预测。当在一定实验条件下，预测精度达到要求时，用训练好的网络对新数据进行预测。

三、货运量（货运周转量）预测

通过查询《西安市统计年鉴》和《中国统计年鉴》可以获知从业人员数、投资额、物流业 GDP、货运量和货运周转量及运输效率参数。经过数据收集与整理，王琴梅等获得西安市物流投入产出数据表[10]（见下表）。

1.建立神经网络模型。以从业人员数、投资额、运输长度、物流业 GDP作为输入指标，以货运量作为输出指标，引入归一化处理函数，将输入指标的值处理为数据矩阵，矩阵元的值均落在区间[0，1]之间。建立神经网络模型（如图1所示）。

2.设置训练参数（如图2和图3所示）。归一化处理后货运量预测值为：0.51621 0.55348 0.65129 0.74367 0.83886 0.90901 0.95538 0.99735

归一化处理后货运量实际值为：0.5161 0.5536 0.6513 0.7437 0.8388 0.9093 0.9547 1

拟合误差：-1.2768e-013 2.6246e-013 -2.8044e-013 -4.6629e-013 -3.7859e-013 2.7134e-013 9.8699e-013

因而，可以利用該网络模型实现高精度货运量单变量预测。利用sim函数输入归一化处理后的值，预测第8个点的值为34 220万吨，预测精度99.6%。因而，通过建立BP神经网络物流效率预测模型，能实现高精度货运量及货运周转量预测，这为物流资源有效整合提供了强有力的理论基础与技术支持。

四、结语

首先，物流产业投入与产出指标能在BP神经网络模型建立对应的输入输出关系;其次，神经网络模型能实现99%高精度货运量及货运周转量的预测;最后，高精度货运量网络预测为城市流体系建设及物流资源整合提供决策参考。

参考文献：

[1] 邹嘉裕.现代物流业发展对我国经济的影响分析[J].中国集体经济，2018，（32）：37-39.

[2] 林佳慧，余朋林.浅谈现代物流经济的发展[J].现代商业，2018，（26）：9-10.