基于證據理論和動態組合型神經網絡的區域物流需求預測

[摘要] 區域物流量不僅和區域經濟有關，也和歷史物流量有關，故同時利用影響物流需求的區域經濟因素和歷史物流量進行預測可行。為此提出動態組合型神經網絡融合預測模型，并用廣東省的物流統計數據進行檢驗，證明了預測結果的可信度。

[關鍵詞] 證據理論 BP神經網絡 區域物流 預測 融合

一、引言

國內外對區域物流需求的預測模型分為：時間序列方法，用歷史數據預測；解釋性預測方法，找出各影響因素進行預測。然而， 區域物流需求變化具有很強的非線性特征， 同時具有很強的時間相關性。故本文先用區域物流需求的各影響因素進行預測，后用物流需求歷史數據進行預測，再將得到的預測值，利用證據理論融合，獲得更可靠的區域物流需求預測值。

二、動態組合型神經網絡模型的構建

BP網絡非常適合處理區域物流需求預測這類多因素、多條件、不精確的信息問題。理論已證明輸入層、隱藏層和輸出層三層神經網絡就可實現任意N維到M維映射，故本文采用三層BP神經網絡。

1.解釋型區域物流需求預測模型

影響區域物流需求的經濟因素宏觀上考慮主要有三個：區域經濟規模是區域物流需求的決定性因素；產業結構差異對物流需求功能、物流需求層次以及物流需求量等產生較大影響；區域經濟空間布局、區域經濟發展是客觀上造成物流需求的最直接原因。物流需求又是經濟發展的派生需求，凡影響經濟發展的因素也潛在地影響區域物流需求。這種錯綜復雜的內在關聯決定了經濟因素與物流需求間的多元非線性映射關系。選取影響區域物流需求的各項經濟指標如下:（1）區域經濟總量指標：地區國民生產總值(GDP)x1(億元)；（2）區域產業結構指標：工業總產值x2(億元)、農業總產值x3(億元)、第三產業總產值x4(億元)；（3）區域內外貿易指標：區域零售總額x5(億元)、區域外貿總額x6(億美元)；（4）區域消費水平：人均消費水平x7(元)。

設Yi表示第i年的物流需求量，表示第i年該區域物流需求經濟影響因素向量，xin表示第i年第n個經濟影響因素的變量值。因區域物流需求的經濟影響因素短期內不會急劇大幅變動，可用第i-1年的經濟影響因素變量值預測第年的物流需求量。將()作為輸入變量，Yi作為相應的輸出變量，形成n個樣本對()。用此n個樣本對神經網絡訓練，使其掌握其內在影響及變化關系。后將t-1年的影響區域物流需求的經濟因素值輸入已訓練好的網絡來預測t年需求值。

2.時間序列區域物流需求預測模型

區域物流需求為時間序列變量，通過擬合前一時間段的區域物流需求值，找出其隨時間變化的趨勢， 從而預測下一時間段的需求值。時間序列預測模型為：

為i年份區域物流需求值，qt為t年份區域物流需求值。將前t-1，… t-k(k為神經網絡輸入單元數)年份區域物流需求值作為輸入，目標值為第t年的物流需求值qt。輸入層單元數取決于時間序列組數。根據經濟現象呈周期性變化的時間周期來確定組數劃分，形成n個樣本對：，(t=1，2，3，...，n)作為神經網絡的訓練樣本。訓練好后，將()作為神經網絡的輸入，輸出值qm就是第m年份的需求預測值。引入時間滑動窗口：若時間周期為m年，則時間滑動窗口尺寸k為m-k。根據前k年的物流需求值來預測下一年的值，然后把此下一年預測值和其前k-2年的需求值作為時間窗口滑動，預測下一年的值，然后再進行時間窗口滑動，以此類推，見圖1。

圖1 時間滑動窗口預測模型

三、區域物流需求預測值融合

證據融合利用同時來自相互獨立的不同信息源的證據來提高對事件的置信程度， 降低不確定度， 改善評價結果的可區分度， 且識別能力強，推理簡單。證據理論融合法則：設有兩個推理系統，其概率賦值和信任函數分別為m1，m2和Bel1，Bel2，對于子集A，將這兩個系統的概率賦值合成的D-S規則為：

Bel=m1(A1)m2(A2)

m所對應的Bel稱為Bel1，Bel2的合成或直和，記為Bel=Bel1Bel2。

本文采用證據理論對從兩種預測方法所獲取的預測值進行融合，見圖2。

圖2 區域物流需求預測模型

四、預測模型應用及評價

選取1985年～2006年的廣東的物流需求統計數據（來源于廣東統計年鑒2006）為研究對象，取（1）訓練樣本：1985年～2002年數據（2）檢驗樣本：2003年～2006年的數據。用Matlab7.0編制網絡訓練和分析程序，并對神經網絡有關參數進行優化。

1.解釋型區域物流需求預測

在解釋性區域物流需求預測中，取7個經濟因素指標作為輸入，隱含層單元數根據經驗選擇16個，其結構見圖3。

圖3 解釋型區域物流預測BP網絡結構圖

將1985年～2002年數據作為樣本訓練，誤差曲線見圖4。2002年～2006年數據作為訓練后神經網絡的輸入，輸出預測值見表1。

圖4 解釋型BP神經網絡訓練誤差曲線

表1 解釋型比較

由圖4知，神經網絡很快收斂。表1顯示相對誤差都<5%，能得到較為滿意的預測精度。

2.時間序列區域物流需求預測

選取時間滑動窗口尺寸為5，故輸入單元數為5。隱含層單元數取16個。網絡結構與圖3類似。

用1985年～2002年的區域物流量作為訓練樣本，用樣本后續年的物流量作為目標量，用時間滑動窗口方法訓練網絡。誤差曲線見圖5。

圖5 神經序列型BP神經網絡訓練誤差曲線

表2 時間序列型比較

3.物流需求預測值進行融合

對前2種方法得到的預測值融合，結果見表3。

表3 預測值融合結果

可看出融合后預測精度比前兩者有所提高。

五、結束語

本文先根據影響區域物流需求的關鍵經濟因素進行預測，再根據物流歷史需求量進行預測，最后將二者的預測值用證據融合理論進行統一，提高了單個預測方法的精度，是一種有效的區域物流需求預測方法。同所有的BP神經網絡預測模型一樣，該方法也有其局限性。

參考文獻:

[1]林榮天陳聯誠李紹靜黃灝然:基于灰色神經網絡的區域物流需求預測[J].價值工程，2007（2），92～95

[2]后銳，張畢西.基于MLP 神經網絡的區域物流需求預測方法及其應用[J].系統工程理論與實踐，2005(12)，43～47

[3]劉全:動態組合型神經網絡的預測模型[J].統計與決策，2007(4)，23～24