基于神經網絡的湖南省貨運量預測研究

黃振 夏利平 朱珺

摘 要：文章基于神經網絡模型，針對湖南省貨運量進行了預測。研究表明，神經網絡模型表現出了相當高的預測水準，最后指出了研究改進的方向。

關鍵詞：神經網絡；預測；貨運量

湖南省位于中部地區承接東部地區產業轉移的前沿，多條國家級公路、鐵路干線都經過湖南，為物流業的發展創造了良好的先天條件。區域物流對區域經濟發展有著重要作用，通過貨運量入手進行預測研究，能夠反映出湖南省區域物流需求在未來幾年中的變化趨勢，這是研究的目的，同時也是意義所在。

物流業的發展是優化區域經濟產業結構和轉變湖南經濟發展方式的必要條件，通過對以貨運量為代表的湖南省區域經濟物流需求進行預測分析，以預測結果為決策依據，可以為湖南省物流業的發展規劃和設施建設提供咨詢意見。

貨運量是物流需求的重要組成部分，對貨運量進行影響因素分析和預測，能夠在很大程度上反映出湖南省物流需求的現狀和發展趨勢，從而為物流業的持續發展提供可靠依據。

一、研究現狀

目前常見的貨運量預測方法包括數學模型和神經網絡模型。

關于貨運量預測的數學模型常見的有：胡潔瓊等（2014）提出了一種建立在時間序列分析基礎上的預測方法，通過專家建模，簡化了預測過程和建模速度；劉喜明（2014）基于公路物流貨運量數據，利用線性回歸方法建立模型，預測精度較高；高洪波等（2014）采用分形插值，推導了具有外推功能的鐵路貨運量預測方法，較好地描述出鐵路貨運量變化的分形特征；趙建有等（2012）在估計了公路貨運量的影響因素之后，利用模糊線性回歸模型預測了延安市2005至2010年的公路貨運量。

利用神經網絡模型進行貨運量預測研究的則有：Al-Deek（2002）采用反向神經網絡（BPN）和時間序列相結合的方法來預測港口出港和入港重型卡車的流量，并在邁阿密港、坦帕、杰爾遜維爾港等港口進行實例驗證；蔣青松等（2013）采集2006-2010年南疆各師貨運量數據，基于BP神經網絡算法建立了相關預測模型，計算結果精度較好；雷斌等（2012）根據改進粒子群優化算法，提出了預測精度更高的灰色神經網絡模型。

根據研究現狀，基于機器學習理論的適度擬合往往能夠在某種程度上篩除噪聲，找到隱藏在大規模數據背后的規律性。神經網絡還具有良好的泛化能力，能夠對沒有經過學習的樣本進行訓練、推斷。神經網絡往往具有較好的彈性，當數據構成發生突變時，能夠迅速辨別出變化。

二、研究理論

（一）模糊粒子理論。粒化計算是數據處理的一種較新的概念和計算方法，覆蓋了基于粒化的理論和方法。它可以用于研究信息粒化的形成、粗細、表示和語義解釋。通常來看，利用不可區分性、功能相似、相近以及函數性來劃分的對象的集合，就構成信息顆粒。本研究選擇模糊粒子理論進行數據處理。

（二）神經網絡理論。Cortes和Vapnik率先提出可用于模式分類和線性以及非線性回歸的支持向量機理論。支持向量機用于解決回歸問題時，輸出值可為任意實數。具體實現過程為：首先，給定一個訓練集，接著選擇適當參數，然后構造并求解凸二次規劃，最后建立起決策函數。當時間序列具有非線性特征時，可通過構造核函數來建立非線性回歸。常見的核函數基本形式有多項式、高斯徑向基等。

支持向量機模型可以進行回歸預測，例如對湖南省貨運量進行回歸擬合。模型的假設條件是，湖南省貨運量與時間相關。也就是說，建立的模型以湖南省貨運量為因變量，利用之前的數據，嘗試進行回歸擬合，預測將來的湖南省貨運量變化范圍，。算法流程包括數據處理、參數選擇、模型生成與訓練、擬合預測、結果分析等。

三、湖南省貨運量與區域經濟關系研究

（一）數據來源及平穩性檢驗。采集的湖南省貨運量和GDP數據為1984至2012年總共29對數據，所有數據來源于歷年湖南省統計年鑒。數據均采用對數化處理，湖南省貨運量對數化后設為lnH，湖南省GDP數據對數化后設為lnG。

對兩組數據序列進行平穩性檢驗，ADF檢驗的結果說明這兩組序列都是非平穩的。接下來分別對一階差分進行ADF檢驗，結果是平穩的。

（二）格蘭杰因果檢驗。在格蘭杰因果檢驗中，更關心兩序列之間的因果關系，因此選擇對應序列進行檢驗，結果顯明，原假設“貨運量波動不是GDP波動的格蘭杰原因”發生的概率為 ，在5%的顯著性水平下顯著拒絕，說明在較高的置信水平下，貨運量波動是GDP波動的格蘭杰原因；與此同時，原假設“GDP波動不是貨運量波動的格蘭杰原因”發生的概率為 ，同樣被顯著拒絕，說明在較高的置信水平下，GDP波動也是貨運量波動的格蘭杰原因。因此可以認為，湖南省貨運量和區域

GDP之間存在相互引導作用。

（三）協整關系檢驗。湖南省貨運量和區域GDP兩序列在

5%的顯著性水平上，存在一個大于臨界值的跡統計量，說明二者之間存在一個協整關系。兩序列在5%的顯著性水平上，存在一個大于臨界值的最大值統計量，進一步說明二者之間的協整關系是客觀存在的，也說明本研究對于進一步研究湖南省區域經濟具有意義。從以上分析可以看到，貨運量對區域經濟產生了正向影響。

四、基于神經網絡的湖南省貨運量預測

（一）模型算法。利用Wiltold Pedrycz模糊粒子理論預處理數據，其基本構思是，原始數據經過預處理后得到的模糊粒子，具有相當的特殊性和代表性。模型中采用支持向量機回歸算法，進行對比后確定使用高斯徑向基核函數，使用步進法確定懲罰參數c和核函數參數g。具體過程利用libsvm工具箱實現，該工具箱提供了很多參數，既能用于支持向量分類，也能用于支持向量回歸。

（二）回歸預測。首先嘗試對數據進行歸一化處理，歸一化區間選擇[0，1]區間時，預測效果不理想，經多次回歸調試后改為歸一到[0，100]區間，此時數據包含的信息損失程度較小。

接下來尋找懲罰參數c和核函數參數g的最佳參數，通過觀察粗略尋找的結果進行精細選擇。利用得到的最優結果進行訓練，最終的預測結果如表1所示。在對各項參數進行擇優后，該模型預測2013年的湖南省貨運量在[208311.1，220576.6]之間波動，而根據湖南省統計公報，實際值為211405.9萬噸，基本落在預測范圍內，最小誤差為-1.46%，說明模型預測效果良好。

表1 湖南省貨運量預測結果

由于回歸模型建立在求解凸二次規劃的基礎上，對于非線性數據的處理結果比較理想，從而得到比時間序列模型更具有代表性的區間預測，某種意義上可以說比時間序列模型更具有參考價值。

研究中存在和需要改進的問題：（1）主要研究數據為年度

數據，數據量較少，在神經網絡的訓練和擬合上存在一定難度，后續可以考慮采用國家統計局發布的月度數據進一步研究。（2）神經網絡模型在主要參數（即核函數和懲罰因子）的選擇上具有一定困難，需要精心選擇，為模型的廣泛應用帶來了一定難度，是后續研究考慮改進的地方。

五、對策和建議

2014年10月4日國務院印發了《物流業發展中長期規劃（2014-2020年）》，從國家層面部署加快現代物流業發展，提出要建立和完善現代物流服務體系，提升物流業發展水平，為全面建成小康社會提供物流服務保障。本研究利用神經網絡模型對湖南省貨運量進行了擬合和預測，取得了不錯效果。從預測結果看，2013年全省貨運總量已超過二十億噸關口，物流業已經成為了湖南省國民經濟產業中的重要一環。這是湖南省物流業正在面臨的嚴峻挑戰，更是湖南省物流業發展的重大機遇。

現代物流業與區域經濟的正向促進作用已經非常明顯，一般來說，物流業既是區域經濟發展的“瓶頸”產業，更是區域經濟發展的“牽引”產業。為了促進湖南省物流業與區域經濟的良性互動，滿足以裝備制造業為核心的產業集群發展的需要，可以從多方面入手，建立起與區域經濟發展相協調的物流產業體系。

（一）完善物流信息化建設，創造良好發展環境。通過加強北斗導航、物聯網、大數據、移動互聯等先進信息技術在物流行業的應用，加快企業物流信息系統建設。完善物流公共信息省域平臺建設，積極推進全省物流信息資源的再次開發利用。整合省內鐵路干線、高速鐵路、高速公路、水路等信息資源，推動省內物流信息與公共服務信息的有效對接，鼓勵區域間和行業內的物流平臺信息共享，實現互聯互通。

（二）完善物流體系的系統性和網絡化。繼續投入基礎設施建設，建立省內綜合交通運輸體系和樞紐建設，實現各種運輸方式的合理分工和有效銜接。在科學考察物流需求的基礎上，合理配置并強化物流園區建設，在政策方面為物流需求旺盛的區域提供有利支持。積極打破地方保護、部門封鎖，解決工商、稅收、土地、交通等方面所存在的制約物流企業發展和經營的問題。

（三）用互聯網思維指導物流企業發展。2013年雙十一，阿里巴巴集團天貓網的銷售額達到350億元，2014年雙十一，天貓銷售額有望沖擊600億元大關。應該借助電子商務行業充分發展而催生的物流大發展契機，培育并指導物流企業用互聯網思維改造行業管理、經營等各個環節，用電商的“天網”改造物流企業的“地網”，打造基于電子商務的信息對稱、價格透明的現代物流體系，降低省域內物流成本。

（四）激勵高校物流專業建設，培育物流產業人才。政府應該下放高校專業設置和調整審批權，鼓勵并支持高等院校，尤其是以培養一線技術人才為目標的高職院校按照現代物流行業需求自主設置現代物流和商貿專業、課程，按照需求導向、條件保障、規模適度、持續建設等原則制訂物流專業建設規劃，與物流先進企業合作，培育培訓管理人才和一線技術人員，提高人才培養質量。在人才培養過程中注重教育教學模式創新，拓寬物流專門人才的培養渠道，通過訂單班等多種形式，使企業能夠無縫參與并實現物流人才的培養。

參考文獻：

[1] 胡潔瓊，李珍萍， “基于時間序列的全社會貨運量預測及分析[J]，” 物流技術， pp. 128-130， 5 2014.

[2] 趙建有，周孫鋒，崔曉娟，王高青， “基于模糊線性回歸模型的公路貨運量預測方法[J]，” 交通運輸工程學報， pp. 80-85， 7 2011.

[3] Al-Deek， "Use of vessel freight data to froecast heavy truck movements at seaports[J]，" Transportation Research Board， pp. 217-224， 2002（1804）.