基于BP神经网络的辽宁省物流需求预测研究

2024-03-09王雨欣

科技和产业 2024年4期

王雨欣

(渤海大学管理学院, 辽宁锦州 121000)

党的二十大提出加快建设现代社会经济体系目标,其中物流业被指定为重要的发展领域。而物流需求预测是帮助物流企业决策的重要依据之一,准确预测物流需求可以帮助企业合理规划运输资源、提高运输效率、降低成本。因此,对物流需求进行准确预测具有重要意义,准确的物流需求预测,在发展物流业的同时,促进社会经济的发展。

学术界对物流需求具有一定的研究基础,王长琼[1]认为精确的需求预测可以促进物流信息系统和生产设施能力的计划和协调,并且通过物流需求预测可以确定产品是如何向配送中心和仓库或者零售商进行分配的。韩慧健等[2]认为准确地预测社会物流需求,对于政府、企业的发展都有着重要意义,因此基于模糊认知图对物流需求进行预测。张衡等[3]以影响物流需求水平因素为基础,利用协整分析方法,对区域物流需求进行分析,研究认为经济因素与物流产业发展之间存在均衡关系。李思聪和叶静[4]利用灰色回归模型对农产品冷链物流进行需求分析预测,结果表明未来五年冷链物流市场需求增速将在6%～9%。张姣姣[5]改进BP神经网络对吉林省的冷链物流需求进行预测,预测结构与实际情况进行对比,认为预测模型具有实用价值。王晓平和闫飞[6]基于遗传BP神经网络模型(GA-BP),构建农产品冷链物流预测模型,对北京城镇农产品冷链物流进行预测,结果表明该模型对农产品冷链物流预测具有有效性。吕靖和陈宇姝[7]将GM(1,1)和BP神经网络预测模型组合,对大连水产品冷链物流需求进行预测。吴涵等[8]建立趋势曲线模型、回归模型和灰色模型三种单项预测模型,并对其进行组合,结果认为组合模型预测精度更高。蔡婉贞和黄翰[9]以汕头港为例先将BP神经网络与RBF神经网络模型进行单项预测,随后组合模型预测,认为组合模型对港口物流需求量的预测更精准。李义华等[10]以冷链流通量作为预测指标,在传统预测模型的基础上,构建滑动无偏灰色预测模型对湖南的农产品冷链物流需求预测进行预测。刘靖和张海[11]建立多元线性回归模型和BP神经网络预测模型,对物流运输需求量的进行分析,认为BP神经网络预测模型的预测精度更高。黄毅和韦志民[12]对广西物流需求数据进行预测,通过对比二次指数平滑法、GM(1,1)灰色预测法和弹性系数法以及神经网络预测,结果显示神经网络预测方法精度更高,是有效预测。杨新湦和王翩然[13]用指数平滑模型、灰色预测、线性趋势外推法对珠三角地区民航运输量数据进行分析,建立组合预测模型对民航客运量和货运量的数据进行预测。

综上,可以看出物流需求对城市发展的重要性,因此,物流需求预测是十分重要的,但已有的研究对象多集中在农产品物流、港口物流等。同时,在对比学者们的研究可以发现,针对物流需求的预测方法的研究中,BP神经网络法的预测精度要高于其他预测方法,且该方法在对货物运输量与区域经济的研究中运用较少。故本文选取辽宁省作为研究对象,利用灰色关联分析考虑辽宁省货物运输量与地区生产总值(GDP)等7个因素的关联度,随后,基于BP神经网络法构建模型,借助MATLAB R2022b软件对辽宁省物流需求进行预测研究,对促进辽宁省的建设,推动辽宁省的物流和经济协调发展,具有重要的借鉴意义。

1 研究方法

1.1 灰色关联度分析法

灰色关联度分析法是灰色系统理论中的重要组成部分,是一种研究少数据、贫信息不确定性问题的新方法。用于探究变量之间关联程度的一种方法,可以衡量某个指标受其他的因素影响的相对强弱。灰色关联度越接近于1,说明两者的关联度越高,反之则越低。因此,灰色关联度分析法适合动态的历程分析,用来分析物流需求指标的关联度。灰色关联度分析法具体计算步骤介绍如下。

(1)建立相关各项指标原始数据矩阵xi,包含参考序列与比较序列,公式为

xi=[xi(1),xi(2),…,xi(k),…]

(1)

式中:xi(k)为i因素在k年的原始数据。

(2)无量纲化处理。由于各类因素的单位不统一,不能直接进行分析,因此,需要对原始数据进行预处理,即进行无量纲化处理,消除量纲的影响,均值化处理公式为

(2)

(3)求解差序列。原始序列经过公式(2)计算后,利用公式(3)进行计算绝对差值。

Δi(k)=[Δi(1),Δi(2),…,Δi(k)]

(3)

(4)计算关联度系数。差序列计算后,得到结果,出现两极差,即m和M,为两极最小差和最大差。

(4)

随后,计算参考序列与比较序列的关联度系数βi(k)。其中,φ为分辨系数,当φ=0.5时,分辨力最好。

(5)

(5)计算参考数列与比较数列的灰色关联度(γi),公式为

(6)

1.2 BP神经网络

BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家小组提出的,是一种多层前馈神经网络,具有非线性映射能力、自学习和自适应能力、泛化能力、容错能力,因此,BP神经网络是预测最广泛的模型之一[14]。BP神经网络模型的算法,是采用多层感知器的误差反向传播算法,简单来说学习过程是由正向传播与误差反向传播两个过程组成。BP神经网络模型采用均方根误差(RMSE)的学习方式,该值取值越小,模型的标准度越高,定义的输入层、输出层以及各层权值、相关符号说明如表1所示,BP神经网络流程如图1所示。

表1 BP神经网络各层符号含义说明

图1 BP神经网络流程

具体步骤描述如下。

第一步：初始化W、V。对数据进行标准化处理,样本计数器(p)和训练次数计数器(q)为1,误差(E)为0,学习率为0.1,网络训练后精度Emin=0.01,处理后一般为0～1的数值。

第二步：输入样本数据以及对应的期望输出数据,计算各层的输出,即隐含层、输出层各节点输出。

第三步：计算网络输出后的误差,假设一组样本中有i个样本,RMSE为总输出误差(均方根误差),公式为

(7)

第四步：计算各层误差信号,公式为

(8)

第五步：调整修正各层权值,权值调整量,公式为

(9)

第六步：检查是否完成一次轮训,若完成一轮轮训,则计数器p和q增加1,返回步骤二,否则进行步骤七。

第七步：检查误差是否达到误差要求。若总误差ERME

2 物流需求的影响因素分析

物流需求受多种因素影响,国民经济总量与物流需求有重要的相关性,货物运输量与经济数据关系也较为密切。官方最新数据更新至2021年,因此,选择2004—2021年辽宁省的货物运输量(万t)作为辽宁省物流需求预测的代表性指标,选取地区生产总值(亿元)、第一产业产值(亿元)、第二产业产值(亿元)、第三产业产值(亿元)、人均生产总值(元)、社会消费品零售总额(亿元)、进出口总额(亿美元)等相关经济指标影响因素进行衡量。2004—2021 年辽宁省物流需求量及影响因素的指标代码及其含义如表2所示,选取具体指标数据如表3所示。

表2 指标对应代码及其含义

由于数值较大且浮动大,因此,采用均值化法对原始数据进行处理,处理数据如表4所示,运用灰色关联分析法对货物运输量与7个影响因素分析,表5所示为灰色关联度系数。关联度表示参考序列与比较序列之间的相似关联程度,根据关联系数计算平均值得出,该值越大表示参考序列与比较序列相关性越强,关联度越高,即参考序列与比较序列关系紧密。对表5关联系数结果进行加权处理,得出辽宁省货物运输量与影响灰色关联度值,并对其进行排序如表6所示。

表4 初始数据无量纲化处理

表5 辽宁省货物运输量与影响因素的关联度系数

通过灰色关联度分析,结果显示,影响因素与货物运输量的关联度均大于0.6,因此,认为货物运输量与这7个因素有较强的关联度,适合用于物流需求的预测。

3 BP神经网络物流需求预测模型构建

选取辽宁省18年(2004—2021年)的数据作为研究样本,其中2004—2018年的数据作为训练样本,2019—2021年的数据作为测试样本。以MATLAB R2022b作为研究平台,构建BP神经网络物流需求预测模型,经过分析选取地区生产总值、第一、二、三产业产值、人均生产总值、社会消费品零售总额、进出口总额等7个影响因素作为输入变量向量组,以货物运输量作为输出变量向量组。

3.1 数据预处理

对表3中2004—2018年间15年的数据进行归一化处理,处理后数据如表7所示,处理后数据处于[-1,1]的区间内。

表7 归一化处理后数据

3.2 确定数据

图2 神经网络结构

3.3 训练网络

BP神经网络模型调用Traingm函数进行训练,设定初始学习率为0.05,权值修正动量因子为0.9,网络训练最大次数为20 000,学习目标误差为0.001。当隐层神经元设置为8时,迭代的次数和运算的精确程度已降到最低,通过37 650次训练拟合误差目标值已达到0.001,说明模型较好,预测精度高。因此,可以认为2004—2018年的数据基本符合。训练回归曲线如图3所示,训练模拟曲线如图4所示,此时统计误差量M=1.499 9×10-4,N=9.999 8×10-4。

图3 物流需求预测训练回归曲线

图4 物流需求预测训练模拟曲线

3.4 检查训练误差

由于神经网络训练的初始权值和阈值是随机产生的,因此每次训练结构有差异,这样才可通过多次训练找到理想结果。为检验该神经网络模型的准确性,2019—2021年的数据作为测试样本,对其进行归一化处理,将计算出的结果进行反归一化处理,通过神经网络计算得出的2019—2021年的物流需求如表8所示。

由表8可知,预测值与实际值较为接近。因此,利用BP神经网络预测辽宁省物流需求是具有有效性的。

表8 2019—2021年物流需求实际值与预测值对比

3.5 物流需求预测

将2004—2021年18年全部数据进行神经网络模型的学习,提升神经网络泛化能力,通过61 552次训练后,误差为9.999 6×10-4。随后,利用BP神经网络模型预测2022—2024年的物流需求数据,依据2004—2021年的平均增长率假设2022—2024年的影响因素值,受新冠肺炎疫情等不可抗力因素影响,部分年份预测值可能会有较大偏差,通过预测得到的指标数据如表9所示,进一步预测辽宁省2022—2024年物流需求规模。

根据表9数据,结合2001—2021年数据,通过神经网络的学习可以得到2022—2024年货物运输量预测值(表10)。