基于bp神经网络的城市物流需求预测模型

《基于bp神经网络的城市物流需求预测模型》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于BP神经网络的城市物流需求预测模型［摘要］城市物流需求是城市物流规划的重要内容和首要前提，但城市物流需求的复杂性导致难以对其进行精确预测。文章从货运量的角度出发，分析影响货运量的社会经济因素，以北京市为例，建立城市物流需求的BP神经网络预测模型，并通过Matlab进行仿真求解，结果显示用神经网络预测物流需求是非常合理。［关键词］城市物流需求；货运量；BP神经网络预测模型［D0l］10.13939/j.cnki.zgsc.2016.32.0431引言随着物1/充业的兴起，各省市纷纷出台自己的物流发展战略，城市物流规划被提

2、上了城市规划的战略高度，城市规划者希望通过大力发展物流业来带动城市经济的发展，改善城市的投资环境、增加对外资的吸引、解决城市就业压力等，但过快的增长容易造成物流实际供给能力与物流需求的不平衡。［1］因此，对物流需求进行精确预测是城市规划者的首要目标。但由于我国城市物流发展起步较晚，缺乏对现代物流发展理念与运作模式的正确认识，对于预测所需要的历史数据的统计也还很不完整，很不科学，各种物流发展政策的制定、各类物流基础设施的可行性研究等均缺乏物流需求的定量依据。因此，找到一种合适的对物流需求预测行之有效的方法，提高物流量预测的精

3、度，就显得尤为重要。目前对物流需求的预测计算方法有很多，其中使用最多的有计量经济学模型、回归分析法、灰色系统模型、神经网络模型以及组合预测模型。前两种精确度较高，但是需要了解预测对象与影响因素之间的变化关系以及对影响因素的未来发展趋势，难以实现。灰色系统模型适合短期预测且预测精确较低。人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，有很强的学习和泛化功能，预测精确度局。[2]因此，本文以北京市为实例，尝试建立城市物流需求的BP神经网络预测模型。2城市物流需求度量指标及影响因素分析2.1度量指标分析在现

4、有文献中，对物流需求的度量可采用价值量和实物量两种度量体系。价值量的物流需求是指所有物流环节上全部服务价值构成的综合反映；实物量物流需求为不同环节和功能的具体作业量，如货运量、库存量等。由于城市物流是为满足城市的经济活动和居民生活，研宄对象是城市内的所有物流活动，牵涉时间长、范围广，其价值量难以有效衡量，国家统计也缺乏这方面的数据。此外，城市物流活动的核心内容是货物运输和仓储，其中运输费用占物流总成本的二分之一以上，从此角度来说，货运量Y1的规模可以近似反映物流规模。[3]2.2影响因素分析影响城市物流需求的因素十分广泛且

5、复杂，本文主要从货运量的角度进行分析。一般来讲，影响一个城市的货运量的因素主要有地区生产总值XI、第一产业产值X2、第二产业产值X3、第三产业产值X4、区域零售总额X5、区域外贸总额X6、居民消费水平X7。[4]2.3关联度分析通过灰色关联分析可论证物流需求度量指标货运量与影响因素之间存在强相关性。[5]3BP神经网络简述BP神经网络是目前应用最广泛的人工神经网络，它是一种包含有一个输入层、多个隐含层和一个输出层的单向传播的多层前馈网络。4城市物流需求预测模型的建立4.1数据来源及预处理本文选取的数据资料来源是《北京统计年

6、鉴（2008）》（如表1）。根据样本数据选取原则，选取1991-2002年的数据作为网络训练样本，选取2003—2007年的数据为网络测试样本。由于数据存在不同的量纲，需对其进行归一化处理，将数据处理为区间［0,1］之间的数据。归一化公式为：［6］i=xi-xminxmax-xmin（1）本文利用Matlab实现归一化过程。4.2BP网络结构设计4.2.1输入输出、隐层数及隐含节点数据上面对影响因素的分析，确定生产总值等7个因子为输入节点，货运总量为输出节点。由于单隐层BP网络的非线性映射能力非常强，这里采用单隐层的神经网

7、络，而中间层的神经元个数需要通过试验来确定。由于输入神经元有7个，根据Kolmogorov定理，先设定网络的隐含层神经元个数为15。之后，分别取10和20,进行预测性能比较，确定最佳中间层神经元数目。通过预测误差对比曲线可知当中间层神经元数目为15时，预测误差最小。4.2.2传递函数及训练算法实践证明中间层的神经元传递函数选用S型正切函数tansig,输出层神经传递函数选用S型对数函数logsig具有非常好的结果。由于函数trainlm收敛速度快，网络的训练误差也比较小，故本文训练时选用LM算法，训练次数为1000次，训练

8、目标为0.0001，学习速率为0.1，其他参数参照MATLAB神经网络工具箱。4.3试验结果训练时间大约0.49秒，训练了11次后，网络的目标误差达到要求，均方误差MSE为0.000955637/0.001，结果如图1、图2以及表2。由于训练的初始条件不同，每次训练的结果都不相同，可以经过多次的训练，使