|
|
|
|
基于BP神经网络的北京市物流需求预测
|
|
【经济研究论文格式】摘 要：随着物流在国民经济中重要性的提高，对于物流需求的准确预测成了物流发展规划中重要的一部分。选取了对物流需求影响较大的七个指标构建了一个三层的神经网络，对2006-2015年北京市的物流需求进行了预测。结果表明BP神经网络模型的预测结果比回归分析预测结果更
摘 要：随着物流在国民经济中重要性的提高，对于物流需求的准确预测成了物流发展规划中重要的一部分。选取了对物流需求影响较大的七个指标构建了一个三层的神经网络，对2006-2015年北京市的物流需求进行了预测。结果表明BP神经网络模型的预测结果比回归分析预测结果更好，且相对预测误差不超过0.05。
网
关键词：物流；需求预测；BP神经网络
中图分类号：F25 文献标识码：A doi：10.19311/j.cnki.16723198.2018.05.012
0 引言
随着科技的不断进步和社会生产能力的逐步提高，资源和劳动力在供大于求和销售到达极限的情况下已很难带来利润的增加，这时“第三利润的源泉”，即物流的重要性便显著增加。2009年国务院印发了《物流业调整和振兴规划》，指出了物流行业在国民经济中的重要地位，提出了“促进物流业平稳较快发展”的要求；2014年国务院印发了《物流业发展中长期规划（2014―2020年）》，分析了我国物流行业的发展现状，并提出了2014-2020年物流发展的详细规划。可以看出，物流已经成为经济发展中极其重要的一个环节。而物流行业高效快速的发展离不开物流系统的合理设计和有效控制，这其中十分重要的一个环节便是对物流需求的准确预测。有不少学者针对物流需求预测问题进行了研究，过秀成（2001）等曾利用投入产出模型分析了区域物流需求，得到了兼顾社会经济和物流供应条件两方面因素的模型。初良勇（2004）比较了回归分析、灰色模型和神经网络在物流需求预测中的不同结果并通过组合预测的方法提高了预测的精度。方威（2009）采用传统的线性回归模型预测了物流需求并发现了经济发达程度与物流需求量的相关关系。王新利（2010）应用神经网络研究了农产品的物流需求，提高了预测的准确度。张诚（2012）将粗糙集和多元回归分析引入到铁路物流需求预测中。可以看出物流需求?A测的方法有很多，本文选取预测能力较强的BP神经网络（张景阳，2013）来预测北京市的物流需求，并将结果与普通的回归预测进行了比较。
1 物流需求的影响因素分析
影响物流需求的因素有很多，由于物流行业的发展与经济的发展存在密切联系，因此衡量经济发展水平的指标，例如生产总值，可以用来预测物流需求。同时，区域零售行业和进出口贸易的发展也对物流需求有着重要的影响（文培娜，2009）。另外，朱翠娟（2016）的研究表明居民消费水平也与物流需求存在明显的相关关系。因此，本文选取地区生产总值、第一产业增加值、第二产业增加值、第三产业增加值、社会商品零售总额、货物进出口总额、居民人均消费支出和货物运输量七个指标来预测北京市的物流需求，原始数据如表1所示。
2 模型建立与数据处理
BP神经网络通过前反馈和后传播两个过程训练样本数据，网络模型包括输入层、隐含层和输出层三部分。本文建立的神经网络模型如图1所示，包括一个输入层（7个神经元），一个隐含层（13个神经元）和一个输出层（1个神经元）。训练过程选用速度较快、精度较高的LM（MATLAB的trainlm函数）算法对2006-2015年的样本数据进行训练。同时，为了提高模型的训练速度和训练精度，在训练之前对原始数据进行归一化处理（MATLAB的premnmx函数），归一化结果如图表2。
3 北京市物流需求预测
在MATLAB中输入如下代码构建输入层神经元为7，隐含层神经元为13的三层神经网络模型：
net=newff（minmax（X），[7，13，1]，{tansig，tansig，purelin}，trainlm）
导入2006-2015年的原始数据并进行训练后得到的均方误差变化如图2所示，在132次迭代后模型达到最优，此时均方误差为5.36*10-8。使用训练得出的网络预测2011-2015年的物流需求，并将预测结果和回归分析预测结果进行比较，如表3所示。可以看出BP神经网络模型的平均相对误差为0.0429，预测结果好于回归分析的0.0863，平均相对误差约为回归分析的一半且小于0.05。
4 结论与展望
本文选取了对物流需求影响比较大的七个指标，建立了一个三层的神经网络模型对2006-2015年北京市的物流需求进行了预测，预测结果的相对误差小于0.05，好于回归分析的预测结果，但由于数据规模较小和样本数量过少的原因，模型预测的结果还存在提升的空间。
参考文献
[1]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， 2001，（5）：15.
[2]初良勇， 田质广， 谢新连.组合预测模型在物流需求预测中的应用[J].大连海事大学学报， 2004，（11）：4346.
[3]方威，肖衡，任湘郴. 基于线性回归模型的物流求预测分析[J].生产力研究， 2009，（12）：9495.
[4]王新利，赵琨.基于神经网络的农产品物流需求预测研究[J].农业技术经济， 2010，（2）：6268.
[5]张诚， 刘美玲， 于兆宇.基于粗糙集和多元回归分析的江西铁路物流需求预测[J].经营谋略， 2012，（1）：112114.
[6]张景阳， 潘光友.多元线性回归与BP 神经网络预测模型对比与运用研究[J].昆明理工大学学报， 2013，（12）：6167.
[7]文培娜， 张志勇， 罗斌.基于BP 神经网络的北京物流需求预测及分析[J].技术与方法， 2009，（6）：9193.
[8]朱翠娟， 党相文.吉林省城市居民消费与物流需求的相关性研究[J].东北师大学报， 2016，（12）：4851.
|
|
|
|
广告服务