胡萬達(dá)

?

基于遺傳BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)

胡萬達(dá)

（英國考文垂大學(xué)，英國考文垂 CV15FB）

針對(duì)當(dāng)前區(qū)域物流需求預(yù)測(cè)數(shù)據(jù)復(fù)雜且可變性較大、預(yù)測(cè)方法環(huán)境適應(yīng)性較差的問題，提出了基于遺傳BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)模型。首先，分析區(qū)域物流需求預(yù)測(cè)影響因素，并建立區(qū)域物流需求預(yù)測(cè)指標(biāo)體系；其次，采用遺傳算法優(yōu)化預(yù)測(cè)網(wǎng)絡(luò)中的可變參數(shù)，并建立多輸入—多輸出的BP神經(jīng)網(wǎng)絡(luò)多元預(yù)測(cè)模型；最后，通過實(shí)例結(jié)果表明該模型具有較高的預(yù)測(cè)精度和有效度。

物流需求；預(yù)測(cè)模型; 遺傳BP神經(jīng)網(wǎng)絡(luò)

一、引言

隨著物流系統(tǒng)愈趨復(fù)雜，其影響因素逐漸增多，并呈現(xiàn)分散性、不確定性以及并行性等特點(diǎn)[1-3]，傳統(tǒng)線性、單一的預(yù)測(cè)方法已遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)階段物流需求預(yù)測(cè)的需要。因此，在此條件下，如何處理區(qū)域物流需求預(yù)測(cè)中的動(dòng)態(tài)數(shù)據(jù)并提高其計(jì)算速度及精度成為目前國內(nèi)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(duì)象初步分析了預(yù)測(cè)結(jié)果與預(yù)測(cè)方法之間的關(guān)系，提出提高預(yù)測(cè)結(jié)果精度的首要措施是保證原始數(shù)據(jù)的準(zhǔn)確性；ShueJiuhbing[5]等針對(duì)供應(yīng)鏈上需求不確定的牛鞭效應(yīng)問題提出了隨機(jī)最優(yōu)控制方法，該方法基于歷史統(tǒng)計(jì)數(shù)據(jù)得以實(shí)現(xiàn)；Qiu[6]等以長三角、珠三角、環(huán)渤海歷史數(shù)據(jù)為例，驗(yàn)證了組合預(yù)測(cè)方法比單一預(yù)測(cè)方法更有效；后銳[7]等提出了基于MLP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)模型，該模型從理論上解釋了區(qū)域經(jīng)濟(jì)與物流需求之間的非線性關(guān)系；楊豐玉[8]等針對(duì)第三方物流系統(tǒng)中資源利用率不高導(dǎo)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(yù)測(cè)模型，該模型一定程度上解決了因歷史統(tǒng)計(jì)數(shù)據(jù)較少導(dǎo)致的預(yù)測(cè)結(jié)果不準(zhǔn)確等問題；過秀成[9]等在宏觀經(jīng)濟(jì)預(yù)測(cè)和交通需求預(yù)測(cè)有關(guān)方法的基礎(chǔ)上，建立了多區(qū)間投入產(chǎn)出模型和空間價(jià)格均衡模型相結(jié)合的區(qū)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(shù)的物流需求預(yù)測(cè)模型，已解決當(dāng)前區(qū)域物流需求預(yù)測(cè)目標(biāo)單一、預(yù)測(cè)數(shù)據(jù)復(fù)雜的問題。

綜上所述，目前關(guān)于區(qū)域物流需求預(yù)測(cè)的研究主要依賴于對(duì)歷史數(shù)據(jù)的分析處理，通過主觀賦權(quán)并運(yùn)用各種解析算法以精確度最優(yōu)為目標(biāo)，建立相應(yīng)預(yù)測(cè)模型對(duì)歷史數(shù)據(jù)進(jìn)行分析進(jìn)而達(dá)到對(duì)物流系統(tǒng)需求預(yù)測(cè)的目的。然而，當(dāng)前研究對(duì)于將來未知且隨機(jī)變動(dòng)的環(huán)境缺乏足夠分析，導(dǎo)致現(xiàn)有研究成果極易因歷史數(shù)據(jù)的不準(zhǔn)確，使得最終的預(yù)測(cè)結(jié)果出現(xiàn)較大偏差。而物流系統(tǒng)區(qū)域預(yù)測(cè)的主要目的便是適應(yīng)將來發(fā)展的需要，這樣便導(dǎo)致現(xiàn)有預(yù)測(cè)數(shù)據(jù)隨物流系統(tǒng)的發(fā)展其效用逐漸降低。同時(shí)，上述研究所選取的算法多針對(duì)可預(yù)知的環(huán)境下產(chǎn)生的動(dòng)態(tài)數(shù)據(jù)，并以此為基礎(chǔ)解釋物流系統(tǒng)與社會(huì)經(jīng)濟(jì)之間的非線性關(guān)系，而對(duì)于不確定環(huán)境下的動(dòng)態(tài)數(shù)據(jù)研究較少?；诖?，論文將在分析區(qū)域內(nèi)物流系統(tǒng)歷史數(shù)據(jù)的基礎(chǔ)上，充分考慮未來不確定性環(huán)境下動(dòng)態(tài)數(shù)據(jù)對(duì)物流系統(tǒng)需求的影響，并提出基于遺傳BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)模型，利用遺傳算法對(duì)于變化環(huán)境下的高適應(yīng)性以及BP神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜數(shù)據(jù)處理高精度的優(yōu)勢(shì)，進(jìn)而對(duì)區(qū)域物流需求進(jìn)行預(yù)測(cè)，為物流戰(zhàn)略規(guī)劃決策提供支撐，促進(jìn)區(qū)域社會(huì)經(jīng)濟(jì)的健康發(fā)展。

二、區(qū)域物流需求預(yù)測(cè)指標(biāo)體系構(gòu)建

影響區(qū)域物流需求的因素種類較多，包含社會(huì)、市場(chǎng)以及環(huán)境等，僅從傳統(tǒng)的物流運(yùn)輸方式或單方面因素對(duì)其進(jìn)行分析顯然無法客觀準(zhǔn)確得到預(yù)測(cè)結(jié)果。因此，為系統(tǒng)準(zhǔn)確地確定區(qū)域物流需求預(yù)測(cè)影響因素指標(biāo)體系，有必要綜合考慮各類影響因素，并且同時(shí)兼顧區(qū)域物流需求預(yù)測(cè)指標(biāo)及需求數(shù)據(jù)的可采集性和指標(biāo)的針對(duì)性。通過對(duì)大量文獻(xiàn)進(jìn)行分析，綜合選取國內(nèi)生產(chǎn)總值（1，億元）、第一產(chǎn)業(yè)總值（2，億元）、第二產(chǎn)業(yè)總值（3，億元）、第三產(chǎn)業(yè)總值（4，億元）、社會(huì)消費(fèi)品零售總額（5，億元）、進(jìn)出口總額（6，億美元）、常住人口（7，萬人）7個(gè)指標(biāo)構(gòu)建區(qū)域物流需求預(yù)測(cè)的影響因素指標(biāo)體系[1-7]。另外，選取港口吞吐量（萬噸）、貨運(yùn)量（萬）以及周轉(zhuǎn)量（億噸·km）3個(gè)指標(biāo)對(duì)區(qū)域物流需求加以衡量[1,10]。

三、基于GA-BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)模型

區(qū)域物流需求代表著社會(huì)的經(jīng)濟(jì)發(fā)展水平，同時(shí)因環(huán)境變化導(dǎo)致的特殊需求的反應(yīng)。除一般物流內(nèi)容外，它還包含多元區(qū)域物流需求內(nèi)容，因此，在影響區(qū)域物流需求的各種因素間以及其與多元區(qū)域物流需求之間存在著一種內(nèi)在、隱含的映射關(guān)系。而傳統(tǒng)的線性關(guān)系難以對(duì)其準(zhǔn)確進(jìn)行描述，預(yù)測(cè)也就無法用傳統(tǒng)的預(yù)測(cè)模型來實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)模型通過模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)的行為特征，對(duì)分布式的并行信息進(jìn)行處理的，是一種有效的數(shù)學(xué)模型。BP神經(jīng)網(wǎng)絡(luò)作為一種多層前饋神經(jīng)網(wǎng)絡(luò)，在非線性映射功能方面性能突出，因此，對(duì)于表達(dá)多影響因素與多元區(qū)域物流需求之間的復(fù)雜關(guān)系優(yōu)勢(shì)明顯。BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能在很大程度上取決于輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值和輸出層閾值，而依靠經(jīng)驗(yàn)及網(wǎng)絡(luò)迭代選擇這4個(gè)參數(shù)不僅耗時(shí)，而且導(dǎo)致預(yù)測(cè)精度低。基于此，本文先基于遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的4個(gè)參數(shù)加以優(yōu)化，然后再基于BP神經(jīng)網(wǎng)絡(luò)模型對(duì)區(qū)域物流需求進(jìn)行預(yù)測(cè)。

本文采用3層MLP結(jié)構(gòu)（輸入層、隱含層及輸出層），提出多輸入-多輸出區(qū)域物流需求預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型，其中輸入的節(jié)點(diǎn)數(shù)目取決于用來預(yù)測(cè)區(qū)域物流需求的影響因素的個(gè)數(shù)，輸出節(jié)點(diǎn)數(shù)目取決于所要預(yù)測(cè)的區(qū)域物流需求規(guī)模的多個(gè)變量個(gè)數(shù)，有效隱含層中節(jié)點(diǎn)個(gè)數(shù)由學(xué)習(xí)誤差及樣本個(gè)數(shù)共同決定[11,12]。

綜上，首先基于遺傳算法優(yōu)化初始值，產(chǎn)生一個(gè)合理的搜索空間，然后根據(jù)神經(jīng)網(wǎng)絡(luò)算法設(shè)置輸入層、隱含層、輸出層等模型要素，在這個(gè)搜索空間中找到最優(yōu)解，具體求解步驟如下：

Step 1 確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；

Step 2 BP神經(jīng)網(wǎng)絡(luò)權(quán)值閾值長度初始化；

Step 3 遺傳算法對(duì)初始值編碼；

Step 4 對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以誤差為適應(yīng)度值；

Step 5 選擇、交叉、變異操作；

Step 6 計(jì)算適應(yīng)度值，并判斷結(jié)束條件，如不滿足條件，返回Step 5，如滿足條件，進(jìn)行下一步；

Step 7 獲取最優(yōu)的權(quán)值和閾值；

Step 8 計(jì)算誤差；

Step 9 權(quán)值和閾值進(jìn)行更新，并判斷結(jié)束條件，如不滿足條件，返回Step 8，如滿足條件，進(jìn)行下一步；

Step 10 需求量預(yù)測(cè)，得到結(jié)果。

基于GA-BP的神經(jīng)網(wǎng)絡(luò)面向多輸入—多輸出的多元區(qū)域物流需求預(yù)測(cè)模型如圖1所示。

圖1 GA-BP神經(jīng)網(wǎng)絡(luò)模型

四、應(yīng)用實(shí)例

將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)理論相結(jié)合，用本文的研究成果對(duì)重慶地區(qū)物流需求量進(jìn)行預(yù)測(cè)。首先，收集1995—2012年的多輸入多輸出相關(guān)數(shù)據(jù)。以1996—2009年的數(shù)據(jù)作為訓(xùn)練樣本對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即通過第n年的輸入變量與第+1年的輸出變量的訓(xùn)練來確定GA-BP神經(jīng)網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)。然后，對(duì)2010—2012年的數(shù)據(jù)港口吞吐量、貨運(yùn)量、周轉(zhuǎn)量進(jìn)行預(yù)測(cè)。數(shù)據(jù)來源于重慶市統(tǒng)計(jì)年鑒，具體數(shù)據(jù)如表1所示。

表1 1995—2012年相關(guān)數(shù)據(jù)

由表1可知，神經(jīng)網(wǎng)絡(luò)包含7個(gè)輸入層節(jié)點(diǎn)，3個(gè)輸出層節(jié)點(diǎn)，15個(gè)隱含層節(jié)點(diǎn)數(shù)?；诖?，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)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(shè)置迭代次數(shù)為120，種群規(guī)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(xùn)練，可得訓(xùn)練平均適應(yīng)度如圖2所示。

通過圖2可以看出，當(dāng)?shù)螖?shù)達(dá)到35次時(shí)，達(dá)到預(yù)測(cè)的較高精度。

在前文工作基礎(chǔ)上，對(duì)重慶區(qū)域物流進(jìn)行預(yù)測(cè)。將2009—2011年相關(guān)數(shù)據(jù)作為輸入，得到2010—2012年的物流預(yù)測(cè)結(jié)果如表2所示。

圖2 適應(yīng)度曲線

表2 預(yù)測(cè)值與實(shí)際值的比較

五、結(jié)束語

針對(duì)區(qū)域物流需求預(yù)測(cè)問題，本文提出了基于遺傳BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)模型。該模型綜合考量社會(huì)、市場(chǎng)以及環(huán)境等各類影響因素，系統(tǒng)分析因素與區(qū)域物流需求之間相互關(guān)聯(lián)，基于此結(jié)合遺傳算法良好的環(huán)境適應(yīng)性以及BP神經(jīng)網(wǎng)絡(luò)較強(qiáng)的數(shù)據(jù)處理能力，該模型具備多輸入-多輸出特點(diǎn)，可對(duì)多元復(fù)雜可變因素影響下的區(qū)域物流需求做出預(yù)測(cè)。并且，通過實(shí)例分析表明該模型預(yù)測(cè)結(jié)果與實(shí)際值符合度較高，具有良好實(shí)用價(jià)值。下一步研究方向?qū)⒓性谌绾芜x擇最優(yōu)的分辨尺度及平移參數(shù)，提高預(yù)測(cè)結(jié)果的精度。

[1]楊潔，等.多元可變參數(shù)需求預(yù)測(cè)模型分析與應(yīng)用[J].重慶大學(xué)學(xué)報(bào)：自然科學(xué)版.2008（11）.

[2]宋崇智，等.基于神經(jīng)網(wǎng)絡(luò)的敏捷制造業(yè)自動(dòng)化物流信息預(yù)測(cè)的研究與實(shí)現(xiàn)[J].中國機(jī)械工程，2007（15）.

[3]許淑君.一個(gè)基于Agent的逆向物流在線跳變灰預(yù)測(cè)系統(tǒng)[J].計(jì)算機(jī)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(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)方法及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)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(yù)測(cè)及應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2006（11）.

[9]過秀成，謝實(shí)海，胡斌.區(qū)域物流需求分析模型及其算法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2001（3）.

[10]阮清方，等.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的城市物流需求量預(yù)測(cè)[J].武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)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(zé)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(dá)（1989-），男，重慶忠縣人，英國考文垂大學(xué)物流工程專業(yè)碩士研究生。