基于人工神經網絡模型的物流業貨運周轉量預測

顏永勤

摘 要：人工神經網絡技術在物流業已經得到了較為廣泛的應用，但對于貨運量、貨運周轉量預測應用較少。通過研究神經網絡輸入輸出結構，確定物流效率影響指標，建立貨運量及貨運周轉量預測模型。結合某市物流投入與產出的數據，新方法的預測精度超過99%，說明新方法對城市物流效率評價、物流體系建設及資源的整合有較強的推動作用。

關鍵詞：人工神經網絡;指標;貨運量;預測

中圖分類號：F252? ? ? ? 文獻標志碼：A? ? ? 文章編號：1673-291X（2019）25-0041-03

近年來，我國物流業發展迅速，社會經濟的發展也需要物流的支撐，因此物流基建設施有了一定的提高。但目前物流業也存在一定的問題，包括我國物流領域缺乏配套法規、現代物流新系統尚未廣泛應用、對物流行業的認識水平及政策透明度不夠、物流專業人才匱乏等[1]。目前中國的物流產業已然處于起步發展階段，企業物流是全社會物流的重點，在發展過程中，人們已認識到物流領域作為“第三利潤源”的重要性，物流成本的居高不下制約著企業乃至社會經濟的發展，企業想要提高利潤控制成本的重心也集中在了對物流成本的控制。近年來，我國的物流基礎設施已初具規模，世界十大港口，中國占了7個，且洋山港的年吞吐量穩居世界第一，鐵路、高速公路的發展也十分迅速，這為現代物流的發展提供了保障。為與國際接軌，我國物流信息化水平也在不斷提高，我國已經形成以光纜為主，以數字微波和衛星為輔的交叉傳輸網絡，RFID、北斗定位技術逐步運用于市場，在一定程度上提高了物流效率[2]。同時，配送中心分揀系統、運輸系統及倉儲系統也實現了信息化，在整個物流運輸過程實現實時跟蹤，倉庫物資的出入庫以及貨物定位均能通過信息系統來完成。雖然我國的物流基礎設施設備在近年來發展較為迅速，但在發展過程中已然存在一定的問題，如理論與實際不匹配、物流人才的緊缺等等，這就需要對物流過程中的各個環節進行進一步研究，不斷完善和創新。

一、物流業貨運量與貨運周轉量

目前物流業的貨運量與貨運周轉量的文獻較多，大多是關于鐵路貨運量及周轉量、水路貨運量及周轉量、公路貨運量及周轉量的相關研究，主要包括對貨運量及貨運周轉量的預測方法、貨運量及貨運周轉量對國民經濟的作用，以及影響貨運量與貨運周轉量的因素分析。張澎等基于彈性系數法對某縣的貨運周轉量進行了預測，為物流及運輸業的系統規劃提供了一定的支持[3]。顏保凡等人針對鐵路貨運量的13項內部影響因素，采用BP神經網絡模型，定量得出了對鐵路貨運量影響最大的幾項指標[4]。原云霄等人采用回歸模型分析了貨運量對區域GDP的影響，認為在不同地區貨運量帶動經濟增長的作用也有所差異[5]。李素英[6]、周禹初等通過建立誤差修正模型，研究表明鐵路貨運周轉量對國民經濟推動作用最大，水路貨運周轉量次之，公路貨運周轉量影響最小，貨運周轉量與GDP之間具有相互促進的作用[7]。趙朝文等運用ARIMA模型與Winter模型對水運貨運量進行了預測，并對比了幾種預測方法的擬合效果，認為選擇模型進行預測為最優方法[8]。裴艷華分別運用一次指數平滑法和二次指數平滑法對重慶的貨運周轉量進行了預測，研究證明二次指數平滑法更適合做具有明顯增長趨勢的貨運周轉量預測[9]。

從現有的文獻來看，對貨運量及貨運周轉量的預測確實是需要建立模型來進行，本文則是基于Matlab建立神經網絡模型來對西安市的貨運量與貨運周轉量進行預測，并與原始數據進行對比，其研究結果可為物流業貨運量與貨運周轉量的預測提供參考依據。

二、基于Matlab實現的神經網絡模型

用工具箱來求解方法簡單，但是算法收斂比較慢，需要選取比較合適的參數，還需要想過多次實驗，比如，增加節點數，減少節點數，修改學習速率等參數，還有均方誤差等參數。經過反復實驗，為了保證95%以上的貨運量及貨運周轉量預測精度，確定以下預測模型。利用神經網絡模型預測貨運量時，首先需要明確物流業的投入指標與產出指標對應的輸入輸出關系。當前，物流業投入指標對應輸入參數為交通運輸、倉儲和郵政業從業人員（萬人）;交通運輸、倉儲和郵政業投資總額（億元）;換算后線路運輸長度（萬千米）;物流產業GDP（億元）。產出指標對應的輸出參數為貨運量（萬噸）或貨運周轉量（億噸×千米）。結合神經網絡模型建立輸出參數指標進行訓練，設定為x1、x2、x3。輸出參數指標設定為y1、y2。通過引入統計模型進行歸一化處理，建立輸入輸出關系矩陣。設定訓練參數，不斷實驗，確定基于歷史數據的權值。最后以該權值及前期設定的參數進行動態模擬預測，將預測值結合初始模型進行還原，得出貨運量或貨運周轉量的預測值。

第一，設置程序。依次打開“Matlab-Start-Neural Retworks-Nntool”。第二，數據的輸入。將原始數據以矩陣（或向量）的形式進行排列，明確輸入數據矩陣與目標數據矩陣。第三，數據的預處理。利用歸一化處理技術，將原始數據處理成[0，1]之間的數字，并以矩陣的形式進行排列輸入。第四，網絡訓練。設置訓練次數、學習速率、最大訓練次數、均方誤差。第五，數據仿真。用訓練好的Sim模型進行仿真，用仿真得到的數據還原為原始的數量級。第六，仿真數據和原始數據進行對比。對有限數據開始網絡測試，運用工具箱繪制貨運量（貨運周轉量）學習和測試對比圖，開展仿真數據和原始數據進行對比分析。第七，對新數據進行預測。當在一定實驗條件下，預測精度達到要求時，用訓練好的網絡對新數據進行預測。

三、貨運量（貨運周轉量）預測

通過查詢《西安市統計年鑒》和《中國統計年鑒》可以獲知從業人員數、投資額、物流業 GDP、貨運量和貨運周轉量及運輸效率參數。經過數據收集與整理，王琴梅等獲得西安市物流投入產出數據表[10]（見下表）。

1.建立神經網絡模型。以從業人員數、投資額、運輸長度、物流業 GDP作為輸入指標，以貨運量作為輸出指標，引入歸一化處理函數，將輸入指標的值處理為數據矩陣，矩陣元的值均落在區間[0，1]之間。建立神經網絡模型（如圖1所示）。

2.設置訓練參數（如圖2和圖3所示）。歸一化處理后貨運量預測值為：0.51621 0.55348 0.65129 0.74367 0.83886 0.90901 0.95538 0.99735

歸一化處理后貨運量實際值為：0.5161 0.5536 0.6513 0.7437 0.8388 0.9093 0.9547 1

擬合誤差：-1.2768e-013 2.6246e-013 -2.8044e-013 -4.6629e-013 -3.7859e-013 2.7134e-013 9.8699e-013

因而，可以利用該網絡模型實現高精度貨運量單變量預測。利用sim函數輸入歸一化處理后的值，預測第8個點的值為34 220萬噸，預測精度99.6%。因而，通過建立BP神經網絡物流效率預測模型，能實現高精度貨運量及貨運周轉量預測，這為物流資源有效整合提供了強有力的理論基礎與技術支持。

四、結語

首先，物流產業投入與產出指標能在BP神經網絡模型建立對應的輸入輸出關系;其次，神經網絡模型能實現99%高精度貨運量及貨運周轉量的預測;最后，高精度貨運量網絡預測為城市流體系建設及物流資源整合提供決策參考。

參考文獻：

[1]? 鄒嘉裕.現代物流業發展對我國經濟的影響分析[J].中國集體經濟，2018，（32）：37-39.

[2]? 林佳慧，余朋林.淺談現代物流經濟的發展[J].現代商業，2018，（26）：9-10.

[3]? 張澍，于霞，蔣鎮英.基于彈性系數法預測某縣貨運周轉量[J].科技風，2013，（22）：73-75.

[4]? 顏保凡，郭垂江，李夏苗.鐵路貨運量的內部影響因素及其敏感度分析[J].鐵道科學與工程學報，2018，（5）.

[5]? 原云霄，王寶海.貨運量對區域經濟發展影響的實證分析——基于全國31省市面板數據[J].中國市場，2018，（7）：14-17.

[6]? 李素英，楊娛，吳永立.鐵路投資？周轉量與經濟發展相互作用分析[J].鐵道工程學報，2018，（7）：103-108.

[7]? 周禹初，溫旭紅，張仕俊.不同運輸方式貨運周轉量與GDP的協整關系分析[J].鐵道貨運，2017，（10）：15-19+24.

[8]? 趙朝文，羅瓂，邱晨.基于ARIMA模型與Winter模型的水運貨運量預測比較[J].軟件，2019，（1）：172-178.

[9]? 裴艷華.基于指數平滑法對重慶貨運周轉量的預測[J].商，2015，（30）：246.

[10]? 王琴梅，譚翠娥.對西安市物流效率及其影響因素的實證研究——基于DEA模型和Tobit回歸模型的分析[J].軟科學，2013，（5）：70-74.