基于神经网络的青岛港口物流需求量预测研究

王佳颖，顼玉卿，李 媛

(河北地质大学 城市地质与工程学院，石家庄 050031)

作为全球运输网络中的重要组成部分，港口物流集货运集散、贸易出口等重任于一身，对于带动区域经济建设和整个物流业的发展贡献着巨大的力量。2021年7月，山东省政府发布《山东省“十四五”综合交通运输发展规划》，《规划》中明确表示将建设世界级港口群，青岛港作为绿色示范港重点建设。在优化运输结构的背景下，积极推进多式联运一体化发展，大宗货物“公转水”运输将成为青岛港协同力提高的新挑战。所以，实现港口资源的合理分配与均衡利用对推动海陆空的物流连接具有重要现实意义。

近年来，学者们对港口物流的关注集中于港口物流与区域经济发展关系[1-2]、可持续发展[3]、港口物流效率[4-5]以及港口物流量需求研究[6-7]。其中关于物流需求量传统的方法得到的预测值一般不具有自我修正能力，而神经网络的应用弥补了传统预测方法的缺点，但神经网络优化也有待改进。现有港口物流研究文献为本文的问题切入点提供了理论基础，本文在众学者的研究基础上建立了基于主成分分析的BP神经网络模型。实证结果显示，该网络模型表现出预测结果与实际结果误差较小、拟合效果较好、预测精度高等优势，为今后探究青岛港口物流发展提供科学依据。

一、 港口物流需求预测模型

(一)BP神经网络模型的基本原理

BP(Back Propagation)神经网络，是一种典型的非线性算法，按照误差逆向传播算法来训练样本，并根据实际输出和期望输出之间的误差值最小，由后向前不断对阈值和权值进行逐层修正，以提高模型对输入模式响应的正确率。BP神经网络是包括输入层、隐含层(或中间层)和输出层的多层前馈神经网络，在网络中，各层神经元分工明确，分别负责信息的接收和传递、内部信息处理变换、信息处理结果的输出等任务。循环往复的信息正传播和误差反向传播过程也是各层权值和阈值更新的过程，一直执行到网络输出的误差最小，即实际输出逼近期望输出或达到预先设定的学习次数为止。

(二)物流需求预测的BP神经网络模型构建

本文将采用含有一个隐含层的三层BP神经网络建立物流需求预测模型，具体步骤如下所示。

1.输入层节点确定。可能影响物流需求预测的指标个数称为输入层的神经节点个数。对于所选的指标，通过灰色关联度量化各影响因素与预测结果的相关程度，避免关联程度较小指标对分析结果产生影响。对相关程度大的指标进行主成分分析，将主成分得分预测值作为神经网络训练数据。

2.隐含层节点数目的确定。本文采用包含一层隐含层的神经网络进行模拟，初定隐含层的节点数目经验公式[8]为：

(1)

其中，s为所求隐含层节点数(在实际网络训练时会略有调整)，m为输入节点数，n为输出节点数，s值四舍五入取整，结果可能略有偏多，最终取值可根据实际网络训练过程略微调整。

3.正向传递子过程。设节点i和节点j之间的权值为wij，节点j的阈值为bj，输出值为xj。f为激活函数，常用的有S型函数(0-1)和双极S型函数：

(2)

xj=f(Sj)

(3)

4.反向传递子过程。假设输出层结果为dj，误差函数为：

(4)

激活函数常选取S型函数：

(5)

Q为调整激励函数形式的Sigmoid参数。

基于上述公式，根据梯度下降法，对于隐含层和输出层之间的权值和阈值的调整公式如下：

=wij-η1×δij×xi

(6)

(7)

输入层和隐含层之间的权值和阈值调整公式如下：

=wki-η1×δki×xk

(8)

(9)

迭代执行权值及阈值的更新，直到满足停止准则(在规定迭代次数内，相邻两次迭代误差到达最小)

二、实证分析

青岛港集装箱业务层在全国港口城市排名中位列前茅，全自动化集装箱码头工程也于2017年、 2019年分两期相继投入商业运营，全自动化的实现大大提升了码头作业效率。据2019年中国大陆港口货物吞吐量及增速的统计排名显示，青岛港口物流综合排名第六，集装箱吞吐量排名强劲，增幅高达8%以上。同时，受京津冀一体化辐射和绿色发展理念倡导影响，青岛港口物流业积极推进资源整合提高效率和降低非期望产出。随着物流业与互联网产业深入融合，未来青岛港口物流需求量有很大增长空间。众所周知，物流过程中由于港口技术设施薄弱，配套设施不健全[9]，时间与人力占用了绝大部分资源，降本增效显得尤为重要。本文通过构建BP模型充分发挥人工神经网络的优势对青岛港口物流需求进行预测研究，以期实现对物流成本的降低、资源的合理规划等目标的积极影响。

(一)影响因素指标选取分析

港口物流需求受国内外贸易环境和自然环境影响较大，且具有明显的不确定性和非线性特征。为能更全面精确地预测港口物流需求量，借鉴学者从不同角度选取指标的经验，例如产品消费及需求领域[10]、研究地区实际情况[11]等，本文从社会经济、人文环境、港口物流发展现状三个维度进行模型指标的选取。

1.社会经济。经济繁荣程度是产业发展的重要表征，其中，在互联网发展的影响下，国民经济三大产业间相互联系、相互依赖，对物流业产生不同程度的影响。城市GDP指标和社会商品零售总额用来反映经济增长对物流需求的刺激程度，固定资产的投资额对港口物流的资源分配起着重要作用。青岛港的服务区域并不局限于青岛市，因此，选用青岛市生产值占全省生产总值比重代表山东省经济对青岛港的影响。

2.人文环境。人文环境一般是思想、理念、信仰等用于定性描述的因素，是人为的、社会的、非自然的。基于数据的可获得性以及避免人为主观判断所造成的偏差导致数据分析失真，本文以人文角度选取指标主要是从青岛市政府支持以及居民就业方面考虑对港口物流的影响，选取了青岛市物流业从业人员数占总从业人数比重和水运部门机构数两个定量指标作为影响因素。

3.港口物流发展。港口营运现状是研究港口物流需求量的必要条件。港口的货运量、货物周转量、集装箱吞吐量、口岸的进出口总额在需求量上做了体量上的参考，而水上运输的成本与营业收入在物流经济上提供了新的分析角度，所以选用此六个指标作为影响港口物流发展的因素。

(二)数据来源

本文用于青岛港物流需求预测的数据来源于2006—2020年的《青岛市统计年鉴》《青岛市国民经济和社会发展统计公报》《山东省统计年鉴》《中国物流年鉴》。鉴于数据的连续性、统计口径一致性，港口货运量和港口货运周转量两个指标的数据选取了水运的货运量和货物周转量代替。物流从业人员比重数据以交通运输、仓储和邮政业从业人员比重数据代替。由于港口货物吞吐量的变化[12]能够在一定程度上反映港口基础设施、机械设备、服务水平、管理效率、技术进步等港口发展的内在因素变化，所以用青岛港港口货物吞吐量代替青岛港物流需求量。

X1—X15分别代表15个影响港口物流需求量的指标变量，2005—2019年青岛港物流需求及影响因子的指标统计数据见表1。

表1 2005—2019年青岛港物流需求量及影响因素实际值

续表1 2005—2019年青岛港物流需求量及影响因素实际值

(三)数据预处理

在进行主成分分析之前，需要对上述指标进行关联度分析，考虑到物流业属于非线性行业而且样本数据量不是大规模的，所以本文选择灰色关联度分析。灰色关联度分析及计算简便，无需大量样本，在原始数据上直接计算，依靠灰色关联描述各因素间相关度的大小，若因素间变化态势基本一致，则相关度较大，反之，相关度较小。本文利用MATLAB软件对表1数据进行灰色关联度分析，结果如表2所示，表中分析结果为影响港口物流需求量的15个因素与港口吞吐量的关联度关系如下：

X14>X2>X1>X15>X4>X9>X3>X6>X7>X8>X5>X13>X12>X10>X11

表2 青岛市港口物流需求量与其影响因素灰色关联度

在15个影响因素中X11(水运货运周转量)的关联度为0.6566，相关度较低，在进行接下来的分析时舍弃该因素。其他14个影响因素与港口物流需求量的关联度均在0.7以上，相关度较高，所以采用筛选过后的14个指标进行接下来的主成分分析。

本文将2005—2016年共12组数据作为网络训练样本，2017—2019年共3组数据作为预测验证样本，利用SPSS stats26.0软件进行数据分析。在主成分分析结果中提取了三个主成分因子，累计贡献率94.508%。利用主成分回归分析，将三个主成分因子作为因变量，港口吞吐量作为自变量，得到回归结果。从数据来看R2为0.991，调整后R2为0.989，拟合效果很好。构建主成分因子多元回归模型如下(标准化)ZY=0.985*y1-0.136*y2+0.04*y3。得到主成分得分预测结果(见表3)。

表3 主成分得分预测表

青岛港口货物吞吐量预测结果如表4所示，从拟合效果来看主成分分析及主成分回归得到的模型预测的数据与实际数据误差较小，建立的模型较为合理。

表4 预测检验样本结果表

(四)BP神经网络模型的构建

1.BP神经网络初始值的确定。基于以上主成分分析提取的3个主成分预测得分，即输入层包含3个神经元节点，输出层有一个神经元节点，隐含层的节点数根据公式(1)计算出隐节点数为4个，经过训练检验，最终验证得出隐节点数为3时预测效果最好，所以本文构建的BP神经网络采用3-3-1的拓扑结构模型进行训练预测。tansig函数和线性函数purelin分别为隐含层和输出层的传递函数。根据网络训练经验设置最大训练次数为1000，学习速率为0.1，训练目标精度为0.001。该实例的神经网络模型的建立运行均在软件MATLAB R2020a下进行的。

图1 青岛港物流需求预测网络

2.网络训练。根据物流需求预测网络模型将2005—2016年数据作为训练，神经网络训练效果线如图3所示，可以看出在网络训练过程中此模型在较短时间内就达到了收敛，在进行18次迭代后即达到预设目标，网络的泛化能力在第12次取得最佳值。图2结果显示了预测输入数据与真实值的对比情况，表明整体拟合效果比较乐观。

图2 BP神经网络训练结果图

图3 BP神经网络训练效果线图

如图4显示的是实测数据与网络训练、验证、测试的模拟输出值的关系。表明网络训练、验证模拟值与实测值之间整体接近1∶1线性关系。相关系数分别为0.99934、1、1、0.99928，经过训练之后，此网络表现的性能较好，精度非常高。

图4 BP神经网络训练、验证、测试过程回归

表5 BP神经网络预测数据结果表

本文将2017—2019年的数据作为测试值输入到已经训练好的神经网络中，经计算得出预测值，表5为2017—2019年三年的真实值、预测值以及二者之间的误差，而且相对误差表现较好。通常而言，在对物流经济指标进行预测时，误差控制在4%左右可以认为该模型准确率较高，因此BP神经网络模型可以作为青岛港口物流需求量预测工作的可靠定性研究工具。

3.青岛港物流需求预测。通过上文对BP神经网络的训练可以根据有关数据对青岛港物流需求进行未来年份的预测，BP神经网络是根据本年对预测目标影响较大的影响因素的数据来预测当年值，即在程序中输入物流需求因子数值得到预测值。对于未来年份影响青岛港物流需求的因子的数据采用其年均增长率来确定。将未来三年的三指标数据作为输入值得到对应预测的物流需求量，结果如表6所示。

表6 青岛港2020-2022年港口物流需求量预测结果表

通过预测的未来三年的需求量结果和近年来青岛港口物流需求增长速度(见图5)来看，青岛港的吞吐量总体是呈增长趋势，且增长趋势趋于平稳。随着“一带一路”倡议的深入发展，我国交通运输业正在更新优化，多式联运的运输形式在一定程度上会刺激港口物流发展，港口物流业的发展呈向好特征。

图5 青岛港口物流需求增长速度

三、结论与建议

(一)结论

本文依据神经网络理论构建港口物流需求模型，运用trainlm函数进行数据训练，其中权值和阈值的调整是训练过程要达到的结果，而最终的切实目的是使网络误差达到最小，即实际输出值接近期望值。最后以网络学习训练的仿真结果与真实值的对比拟合分析图的形式展示分析结果，结果证明，关于构建的青岛港口物流需求量的BP神经网络预测模型拟合效果好，精度较高，适用性较强。从预测结果来看，误差出现的部分多是预测值略小于真实值，在今后的生产活动中按此误差规律并结合整体预测值的计算，青岛港口物流的需求量预测值更加可以准确、高效得出。整体来看，BP神经网络模型在港口物流需求预测中将其非线性映射能力、泛化能力和容错力等优点充分发挥，提高了人工神经网络在实际生产领域的应用性。

港口作为重要的战略资源可以极大地推动区域经济的发展，物流业作为基于“互联网+”下联通各行业各业的“新型”行业已不断成为经济发展进步的标志性产业，所以港口物流的稳定发展对海滨城市的经济拉动起着重要作用。随着内需的增加以及我国在世界贸易中扮演着越来越重要角色的影响，港口物流的需求规模是不断扩大，有较大上升潜力。由于是预测的数据，在实际物流活动中会受各种不确定性因素的影响会导致预测值与实际值产生偏差，所以此预测数据可作为短期规划依据，为青岛港货物物流转型升级提供一定的参考价值。

(二)青岛港发展现代港口物流的建议

本文基于人工神经网络模型对青岛港未来三年的港口物流需求量进行预测分析，结合青岛市当地特色产业优势，为青岛港发展现代港口物流提出以下建议：一是从社会经济角度考虑。加大政府对物流智能平台的投资力度，构建青岛港口物流信息平台，提高港口物流效率，建设完整的现代港口物流体系；在“互联网+”的时代背景下，国际贸易互动频繁，进出口贸易大部分依赖于港口流通，所以要经济发挥港口物流优势，协调三大传统产业生产活动，为港口物流发展提供坚实基础。二是从政府政策角度考虑。政府完善优化港口物流政策，以政策优势吸引第三方物流企业聚集，形成专业物流，以期将青岛港口建成国际级规模物流集地。三是从港口物流发展潜力角度考虑。青岛港依靠天然的地理优势，发展集疏运体系，在现有较全面的集疏运交通体系基础上，构建铁海运输网络，提高青岛港货物吞吐能力，使其保持巨大的发展潜力。