基于BP 神經網絡的云南花卉物流需求預測

賀夢桐，張 凌 （武漢科技大學，湖北 武漢 430065）

0 引 言

眾所周知，云南省條件優越，物種資源豐富，形成了強大的花卉物流需求體系。

而強大的市場需求，離不開物流技術的支撐。近10 多年來，我國花卉物流體系發展迅速，現有40 余家現代花卉物流企業，它們不僅為物流設施提供方、生產銷售企業提供支持，還與外資企業合作，構建起一個多元化的現代花卉物流格局，其中航空運輸占據主導地位，鐵路和公路則是輔助運輸。

正是基于如此龐大的物流體系，政府在制定云南花卉物流的發展計劃時，更需要結合現有的花卉市場現狀，考慮未來的云南花卉的物流需求[1]。本文選用BP 神經網絡預測法并輔以云南省生產總值、居民可支配收入、農業生產總產值、花卉種植面積、交通運輸貨物周轉量、鐵路營業里程、航空航線里程、公路通車里程這8 個變量共同來預測未來幾年的云南省花卉總產值，為云南省花卉物流網絡打下基礎。

在2019—2021 這3 年間，經濟趨勢飽受新冠疫情的影響，云南省花卉需求也有了減少的趨勢；考慮了新冠疫情的常態化、消失化，以及經濟復蘇的現象，通過預測發現，云南省花卉物流需求不降反增，日益壯大，而鮮花作為冷鏈物流中“特殊產品”的存在，花卉物流的需求激增，這也為云南省冷鏈物流的發展提出了更高的要求。

現有的文獻對于云南省花卉的物流需求預測，大都停留在理論層面。一方面，是研究影響花卉需求的因素有哪些，亦或者是花卉物流的冷鏈物流滿意度評價指標研究，再是B2C 模式下鮮花電商的最后一公里配送問題研究；另一方面，已有的文獻對于花卉的物流需求預測，大都運用灰色預測模型。本文運用BP 神經網絡預測法，選用8 個影響因素，來預測未來幾年的花卉總產值，進而說明了花卉物流需求的情況。

1 物流需求相關概述

縱觀花卉的研究內容，目前國內外相關花卉的文獻相對較少?；趯韧墨I的研究，大致可以分為兩方面，一方面是前人在物流需求預測方面的成果；一方面是既往花卉物流需求預測的影響指標。

從物流需求預測方面來看，可以分為兩類。一類是對于農村、區域、城市、港口等物流的需求量進行預測。張婉琳通過灰色關聯預測與ARIMA 模型預測進行組合，形成組合預測模型，對港口物流進行預測，為港口物流的發展提出了一定程度的理論基礎[2]。朱夢琳采用GM （1,1 ）灰色預測模型，對內江市2014 年至2020 年貨運周轉量為基礎數據進行仿真，對內江市未來5年的物流需求量進行預測[3]。王佳穎等從人文、經濟、港口物流的發展三個方面來選取相應指標，基于BP 網絡的強泛化性，對青島港口物流需求進行實際分析[4]。另一類是對于生鮮農產品、醫藥物流、水產品等產品的需求量進行預測。曾豪等人從湖南省的生鮮農產品入手，運用灰色預測模型，提出了湖南省農產品中蔬菜類冷鏈物流需求量呈上升趨勢，其它冷鏈物流需求量整體呈平穩發展趨勢，同時對農產品冷鏈物流發展給予了對策及建議[5]。王曉琳等從醫藥物流出發，以廣西醫藥未來幾年的需求量為根本目標，借以GM （1,1 ）預測模型，為醫藥冷鏈物流開辟了新篇章[6]。

從花卉物流需求預測方面來看，姜蔚霞通過對2011—2016 年鮮切花總產量和花卉銷售總額作為評價指標，進而預測了2025 年和2035 年的花卉物流需求量。指出，我國花卉產業雖形成一定規模，但是物流運力不足，這也為花卉物流模式提出了更高的要求[7]。王立娟以花卉極為重要的冷鏈手段—全程冷鏈物流為切入點，指出現階段雖航空運輸所占份額最大，但由于鐵路干線的建成，使得花卉鐵路運輸面臨著前所未有的機遇和挑戰；而后又通過對國內外花卉物流的分析，運用灰色預測模型對云南花卉進行產量預測，并針對性的提出了建設性意見[8]。

眾多學者基于BP 神經網絡本身存在的強非線性映射能力和柔性的網絡結構而對其青睞有加。鄧熠運用BP 神經網絡建立了影響區域物流需求的主要因素，從而得出福州城市圈物流需求量是呈穩步上升的趨勢[9]。

目前針對云南花卉物流需求的研究并不多，大多數也只是從定性的角度分析，比如：現狀分析、問題提出以及解決措施等。本文從定量研究為出發點，云南花卉的總產量可以進一步反映云南省花卉市場的物流規模，運用BP 神經網絡預測法對未來幾年云南省的花卉產業進行物流需求預測。

2 BP 神經網絡預測法

BP（Back Propagation） 神經網絡是1986 年由Rumelhart 和McClelland 為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是應用最廣泛的神經網絡模型之一[10-11]。又由于其非線性映射功能好、網絡結構柔性好，從而在解決不確定性問題上具有得天獨厚的優越性。

BP 神經網絡的結構圖如圖1 所示。

圖1 BP 神經網絡結構圖

針對圖1 中只含有一個隱含層的神經網絡，BP 神經網絡的過程主要分為兩個階段：第一階段是信號的正向傳播，從輸入層經過隱含層，最后到達輸出層；第二階段是誤差的反向傳播，從輸出層到隱含層，最后到輸入層，依次調節隱含層到輸出層的權重和偏置，輸入層到隱含層的權重和偏置。

在預測云南花卉未來幾年的物流需求量時，基于BP 神經網絡預測法的底層邏輯和運行算法，建立基于BP 神經網絡的云南花卉市場的物流需求預測指標體系。BP 神經網絡的學習過程就是正向信號和反向信號反復傳播的過程結合。在模型創建的初始階段，確定了輸入層節點數為8 個神經元，即圖3 中影響預測結果的8 個指標，用Pi（i=1,2,…,8 ）來表示；輸出層節點為1個神經元，即云南省花卉總產值（億元），也就是因變量，用Y 表示。其中，網絡訓練的次數決定著隱含層節點的個數，也是為了可以使預測值達到最精準狀態以及誤差值達到最小。本文中的網絡訓練次數為1 000 次，最終確定了隱含層節點數為10（即10 個神經元）。綜上所述，建立了8×10×1 的三層BP 神經網絡預測模型的網絡結構，如圖2 所示。

圖2 BP 預測模型網絡結構圖

圖3 花卉物流需求量預測指標

3 云南花卉物流需求的BP 預測

3.1 花卉物流需求的預測指標構建

影響花卉需求的因素有很多，由于花卉產業的發展和經濟的發展聯系緊密，而花卉的產量又受多方面因素的影響，結合云南省花卉市場的物流現狀，總結現有的研究文獻，從經濟、運力以及花卉自然屬性三個方面選取了云南生產總值X1（億元）、居民可支配收入X2（元）、農業生產總值X3（億元）、花卉種植面積X4（萬畝）、交通運輸貨物周轉量X5（億噸）、鐵路營業里程X6（萬公里）、航空航線里程X7（萬公里） 和公路通車里程X8（萬里） 這8 個變量指標來預測云南省花卉總產值Y，進一步說明這些指標也在影響著花卉市場的物流需求量。云南省花卉市場的物流需求量的預測指標如圖3 所示。

3.2 預測指標數據收集

為了預測數據的準確性以及代表性，本文選取了2012—2021 年云南省相關的指標數據，本文所用的數據均來自于歷年《云南省統計年鑒》、《云南省國民經濟和社會發展統計公報》、《農小蜂-云南花卉產業發展情況分析報告》以及一些網絡資料整理得到，具體如表1 所示。

表1 預測指標原始數據

3.3 數據處理及分析

3.3.1 數據歸一化處理

首先，要對這8 組預測指標原始數據進行預處理，而后設置BP 網絡結構和訓練參數，最后開始BP 神經網絡訓練。其中，訓練過程選用自適用學習效率比較高的traingdx 函數對2012—2021 年的原始數據進行訓練。同時，為了預測數據的更精準性，在訓練之前對原始數據（2012—2019 年） 進行歸一化處理（MATLAB 中的mapminmax 函數）。

在MATLAB 中輸入如下代碼進行歸一化，歸一化的數據如表2 所示。

表2 原始數據歸一化結果

[Y, PS ]=mapminmax （X,0,1 ）;

計算步驟為：將輸入數據和輸出數據分別進行轉置，轉置后分別進行歸一化處理，保證每一行最小值為0，最大值為1。歸一化后將這組數據轉置回來，結果如表2 所示。

3.3.2 MATLAB 軟件分析

本文用MATLAB 神經網絡工具箱來實現云南省花卉物流需求量的預測模型。其中，隱含層的傳遞函數選擇使用tansig 函數，根據樣本數量特點確定BP 神經網絡參數，選擇最大訓練次數為1 000 次，最小誤差為0.000 1，學習率為0.001，附加動量因子為0.9。

當訓練次數達到1 000 或誤差值達到0.000 1 時，訓練停止。由于神經網絡可能會存在的過度擬合問題，本文選擇2012—2019 年的數據作為訓練集；2020—2021 年數據作為測試集。

在MATLAB 中輸入以下代碼構建以輸入層神經元為8，隱含層神經元為10 的三層神經網絡模型：

net=newff （minmax（X ）, [8,10,1 ], ｛'tansig', 'tansig', 'purelin' ｝, 'traingdx'）

使用BP 神經網絡預測出樣本測試集的結果如表3 所示。

表3 網絡預測值

3.3.3 預測結果分析

在BP 神經網絡預測模型中，相對誤差<0.05 時，預測值的精準度處于第一等級；相對誤差位于0.05~0.10 之間，預測值的精準度處于第二等級。由表3 的數據對比可知，2020—2021 年數據的相對誤差值均處于0.05~0.10 之間，說明該模型的預測精度是可以采用的。

由圖4 的模型仿真圖，預測值和實際值的對比來看，本文運用的此模型非線性逼近能力較強，預測值與實際值的擬合程度也較高，實際操作圖像的擬合效果也很好，能夠比較好的呈現出輸入層、隱含層和輸出層的映射關系。因此，使用BP神經網絡預測2022—2024 年的云南花卉市場的物流需求量分別為1 082.14 億元、1 119.77 億元和1 149.30 億元。

圖4 BP 預測模型仿真圖

4 結論與展望

經過上述的預測可知，云南省花卉市場的物流需求量整體依然呈上升的趨勢，這也進一步說明了云南省花卉市場形勢發展良好，未來會有更大的增長空間。最近幾年，由于“新冠疫情”的影響，花卉總產值雖有提升，但漲幅不大。鐵路、航空運輸等在內的其他干線運輸方式都遭受到了不同程度的影響，這對本就屬于特殊運輸產品的花卉更是當頭一擊。

本文雖立意新穎，但仍然存在諸多不足。第一，本文運用BP 神經網絡預測模型，但由于BP 神經網絡預測方法本身存在過擬合問題，從而可能造成預測數據不夠準確，若想更進一步優化預測精度，可以引入遺傳算法，這也為后人的后續研究提供新的研究思路；第二，影響花卉物流需求量的因素諸多，本文基于以往文獻以及相關常識只選用了8 個因素，不排除會有影響程度更高的因素出現；第三，針對于花卉市場的需求量相關數據較少，且調查年限過早，可能存在誤差較大的問題。

云南省花卉市場的未來仍需當地政策的大力支持，在資金補貼、政策偏向、技術創新等方面都要需要相關部門的扶持；同時，當地有關部門更是要出臺一些就業補貼來吸引人才的引進，針對相關專業的高學歷人才亦或是有相關經驗的人才要做到人盡其才，委以重任?；ɑ墚a品的需求更是離不開物流模式，進一步優化物流作業，自建物流供應鏈，推進云南省冷鏈物流供應網的規劃布局。加快冷鏈物流的服務模式，降低物流成本，從而全面提高花卉物流的服務水平。大力推進智慧化冷鏈物流，優化物流流程，構建基于大數據、云平臺的花卉物流體系。