基于遺傳BP神經網絡的區域物流需求預測

胡萬達

?

基于遺傳BP神經網絡的區域物流需求預測

胡萬達

（英國考文垂大學，英國考文垂 CV15FB）

針對當前區域物流需求預測數據復雜且可變性較大、預測方法環境適應性較差的問題，提出了基于遺傳BP神經網絡的區域物流需求預測模型。首先，分析區域物流需求預測影響因素，并建立區域物流需求預測指標體系；其次，采用遺傳算法優化預測網絡中的可變參數，并建立多輸入—多輸出的BP神經網絡多元預測模型；最后，通過實例結果表明該模型具有較高的預測精度和有效度。

物流需求；預測模型; 遺傳BP神經網絡

一、引言

隨著物流系統愈趨復雜，其影響因素逐漸增多，并呈現分散性、不確定性以及并行性等特點[1-3]，傳統線性、單一的預測方法已遠遠不能滿足現階段物流需求預測的需要。因此，在此條件下，如何處理區域物流需求預測中的動態數據并提高其計算速度及精度成為目前國內外物流研究中急需解決的問題。Diamantopoulos[4]等以物流出口銷售為對象初步分析了預測結果與預測方法之間的關系，提出提高預測結果精度的首要措施是保證原始數據的準確性；ShueJiuhbing[5]等針對供應鏈上需求不確定的牛鞭效應問題提出了隨機最優控制方法，該方法基于歷史統計數據得以實現；Qiu[6]等以長三角、珠三角、環渤海歷史數據為例，驗證了組合預測方法比單一預測方法更有效；后銳[7]等提出了基于MLP神經網絡的區域物流需求預測模型，該模型從理論上解釋了區域經濟與物流需求之間的非線性關系；楊豐玉[8]等針對第三方物流系統中資源利用率不高導致的高成本、低收益等問題，提出了基于灰色模型的貨物需求量預測模型，該模型一定程度上解決了因歷史統計數據較少導致的預測結果不準確等問題；過秀成[9]等在宏觀經濟預測和交通需求預測有關方法的基礎上，建立了多區間投入產出模型和空間價格均衡模型相結合的區域物流需求分析模型，有效解決了物流需求與供給的平衡問題；楊潔[1]等提出了多元可變參數的物流需求預測模型，已解決當前區域物流需求預測目標單一、預測數據復雜的問題。

綜上所述，目前關于區域物流需求預測的研究主要依賴于對歷史數據的分析處理，通過主觀賦權并運用各種解析算法以精確度最優為目標，建立相應預測模型對歷史數據進行分析進而達到對物流系統需求預測的目的。然而，當前研究對于將來未知且隨機變動的環境缺乏足夠分析，導致現有研究成果極易因歷史數據的不準確，使得最終的預測結果出現較大偏差。而物流系統區域預測的主要目的便是適應將來發展的需要，這樣便導致現有預測數據隨物流系統的發展其效用逐漸降低。同時，上述研究所選取的算法多針對可預知的環境下產生的動態數據，并以此為基礎解釋物流系統與社會經濟之間的非線性關系，而對于不確定環境下的動態數據研究較少。基于此，論文將在分析區域內物流系統歷史數據的基礎上，充分考慮未來不確定性環境下動態數據對物流系統需求的影響，并提出基于遺傳BP神經網絡的區域物流需求預測模型，利用遺傳算法對于變化環境下的高適應性以及BP神經網絡對復雜數據處理高精度的優勢，進而對區域物流需求進行預測，為物流戰略規劃決策提供支撐，促進區域社會經濟的健康發展。

二、區域物流需求預測指標體系構建

影響區域物流需求的因素種類較多，包含社會、市場以及環境等，僅從傳統的物流運輸方式或單方面因素對其進行分析顯然無法客觀準確得到預測結果。因此，為系統準確地確定區域物流需求預測影響因素指標體系，有必要綜合考慮各類影響因素，并且同時兼顧區域物流需求預測指標及需求數據的可采集性和指標的針對性。通過對大量文獻進行分析，綜合選取國內生產總值（1，億元）、第一產業總值（2，億元）、第二產業總值（3，億元）、第三產業總值（4，億元）、社會消費品零售總額（5，億元）、進出口總額（6，億美元）、常住人口（7，萬人）7個指標構建區域物流需求預測的影響因素指標體系[1-7]。另外，選取港口吞吐量（萬噸）、貨運量（萬）以及周轉量（億噸·km）3個指標對區域物流需求加以衡量[1,10]。

三、基于GA-BP神經網絡的區域物流需求預測模型

區域物流需求代表著社會的經濟發展水平，同時因環境變化導致的特殊需求的反應。除一般物流內容外，它還包含多元區域物流需求內容，因此，在影響區域物流需求的各種因素間以及其與多元區域物流需求之間存在著一種內在、隱含的映射關系。而傳統的線性關系難以對其準確進行描述，預測也就無法用傳統的預測模型來實現。神經網絡模型通過模仿動物神經網絡的行為特征，對分布式的并行信息進行處理的，是一種有效的數學模型。BP神經網絡作為一種多層前饋神經網絡，在非線性映射功能方面性能突出，因此，對于表達多影響因素與多元區域物流需求之間的復雜關系優勢明顯。BP神經網絡的預測性能在很大程度上取決于輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值和輸出層閾值，而依靠經驗及網絡迭代選擇這4個參數不僅耗時，而且導致預測精度低。基于此，本文先基于遺傳算法對BP神經網絡的4個參數加以優化，然后再基于BP神經網絡模型對區域物流需求進行預測。

本文采用3層MLP結構（輸入層、隱含層及輸出層），提出多輸入-多輸出區域物流需求預測的BP神經網絡模型，其中輸入的節點數目取決于用來預測區域物流需求的影響因素的個數，輸出節點數目取決于所要預測的區域物流需求規模的多個變量個數，有效隱含層中節點個數由學習誤差及樣本個數共同決定[11,12]。

綜上，首先基于遺傳算法優化初始值，產生一個合理的搜索空間，然后根據神經網絡算法設置輸入層、隱含層、輸出層等模型要素，在這個搜索空間中找到最優解，具體求解步驟如下：

Step 1 確定網絡拓撲結構；

Step 2 BP神經網絡權值閾值長度初始化；

Step 3 遺傳算法對初始值編碼；

Step 4 對BP神經網絡進行訓練，以誤差為適應度值；

Step 5 選擇、交叉、變異操作；

Step 6 計算適應度值，并判斷結束條件，如不滿足條件，返回Step 5，如滿足條件，進行下一步；

Step 7 獲取最優的權值和閾值；

Step 8 計算誤差；

Step 9 權值和閾值進行更新，并判斷結束條件，如不滿足條件，返回Step 8，如滿足條件，進行下一步；

Step 10 需求量預測，得到結果。

基于GA-BP的神經網絡面向多輸入—多輸出的多元區域物流需求預測模型如圖1所示。

圖1 GA-BP神經網絡模型

四、應用實例

將遺傳算法與BP神經網絡理論相結合，用本文的研究成果對重慶地區物流需求量進行預測。首先，收集1995—2012年的多輸入多輸出相關數據。以1996—2009年的數據作為訓練樣本對GA-BP神經網絡進行訓練，即通過第n年的輸入變量與第+1年的輸出變量的訓練來確定GA-BP神經網絡參數和結構。然后，對2010—2012年的數據港口吞吐量、貨運量、周轉量進行預測。數據來源于重慶市統計年鑒，具體數據如表1所示。

表1 1995—2012年相關數據

由表1可知，神經網絡包含7個輸入層節點，3個輸出層節點，15個隱含層節點數。基于此，BP神經網絡的結構可確定為7-15-3，所以，遺傳算法染色體長度可確定為168。為便于研究，設置迭代次數為120，種群規模為20，交叉概率為0.3，變異概率為0.1，染色體選擇操作采用輪盤賭的方法。通過訓練，可得訓練平均適應度如圖2所示。

通過圖2可以看出，當迭代次數達到35次時，達到預測的較高精度。

在前文工作基礎上，對重慶區域物流進行預測。將2009—2011年相關數據作為輸入，得到2010—2012年的物流預測結果如表2所示。

圖2 適應度曲線

表2 預測值與實際值的比較

五、結束語

針對區域物流需求預測問題，本文提出了基于遺傳BP神經網絡的區域物流需求預測模型。該模型綜合考量社會、市場以及環境等各類影響因素，系統分析因素與區域物流需求之間相互關聯，基于此結合遺傳算法良好的環境適應性以及BP神經網絡較強的數據處理能力，該模型具備多輸入-多輸出特點，可對多元復雜可變因素影響下的區域物流需求做出預測。并且，通過實例分析表明該模型預測結果與實際值符合度較高，具有良好實用價值。下一步研究方向將集中在如何選擇最優的分辨尺度及平移參數，提高預測結果的精度。

[1]楊潔，等.多元可變參數需求預測模型分析與應用[J].重慶大學學報：自然科學版.2008（11）.

[2]宋崇智，等.基于神經網絡的敏捷制造業自動化物流信息預測的研究與實現[J].中國機械工程，2007（15）.

[3]許淑君.一個基于Agent的逆向物流在線跳變灰預測系統[J].計算機工程，2006（8）.

[4]Diamantopoulos D, Winklhofer. Export sales forecasting by UK firms technique utilization and impact on forecast accuracy [J].Journal of BusinessResearch.2003 (56).

[5]SheuJiuh-biing.A multi-layer demand-responsive logistics control methodology for alleviating the bullwhip effect of supply chains [J]. European Journal of Operational Research.2005 (161).

[6]Qiu Ying, Lu Huapu, Wang Haiwei. Prediction Method for regional logistics[J].Tsinghua Science and Technology.2008 (13).

[7]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）.

[8]楊豐玉，等.第三方物流中貨物需求量的灰色模型預測及應用[J].計算機工程與應用，2006（11）.

[9]過秀成，謝實海，胡斌.區域物流需求分析模型及其算法[J].東南大學學報：自然科學版，2001（3）.

[10]阮清方，等.基于遺傳BP神經網絡的城市物流需求量預測[J].武漢理工大學學報：交通科學與工程版，2011（6）.

[11]ENSAFI A A, KH AYAMIAN T, TABARAKI R.Simultaneo us kinetic determination of thiocyanate and sulfide using eigenvalue ranking and correlat ion ranking in principal component wavelet neural network[J]. Talanta. 2007 (5).

[12]GUTES A, CESPEDES F, CARTAS R, et al. Multivariate calibration model from overlapping voltammetric signals employing wavelet neural networks[J]. Chemometrics and Intelligent Laboratory Systems. 2006 (2).

（責任編輯：于開紅）

A study of regional logistics demand forecasting based on the genetic BP neural network

Hu Wanda

A forecasting model based on GA-BPNN for logistics demand was presented to overcome the limitations of complex and large variable data of logistics demand and poor adaptability to environment of forecasting methods. First, the factor of regional logistics demand forecasting was analyzed, and the index system of regional logistics demand forecast was established; second, a multi-input and multi-output forecasting model based on GA-BPNN with multi-element variable parameters was studied, and the network configuration was confirmed using the stepwise checkout and iterative gradient descent methods; finally, an example showed that the model had higher prediction accuracy and validity.

logistics demand; forecasting model; GA-BPNN

TP273

A

1009-8135（2014）05-0060-04

2014-05-28

胡萬達（1989-），男，重慶忠縣人，英國考文垂大學物流工程專業碩士研究生。