基于人工神經(jīng)網(wǎng)絡(luò)模型的物流業(yè)貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)

顏永勤

摘 要：人工神經(jīng)網(wǎng)絡(luò)技術(shù)在物流業(yè)已經(jīng)得到了較為廣泛的應(yīng)用，但對(duì)于貨運(yùn)量、貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)應(yīng)用較少。通過(guò)研究神經(jīng)網(wǎng)絡(luò)輸入輸出結(jié)構(gòu)，確定物流效率影響指標(biāo)，建立貨運(yùn)量及貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)模型。結(jié)合某市物流投入與產(chǎn)出的數(shù)據(jù)，新方法的預(yù)測(cè)精度超過(guò)99%，說(shuō)明新方法對(duì)城市物流效率評(píng)價(jià)、物流體系建設(shè)及資源的整合有較強(qiáng)的推動(dòng)作用。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);指標(biāo);貨運(yùn)量;預(yù)測(cè)

中圖分類號(hào)：F252? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2019）25-0041-03

近年來(lái)，我國(guó)物流業(yè)發(fā)展迅速，社會(huì)經(jīng)濟(jì)的發(fā)展也需要物流的支撐，因此物流基建設(shè)施有了一定的提高。但目前物流業(yè)也存在一定的問(wèn)題，包括我國(guó)物流領(lǐng)域缺乏配套法規(guī)、現(xiàn)代物流新系統(tǒng)尚未廣泛應(yīng)用、對(duì)物流行業(yè)的認(rèn)識(shí)水平及政策透明度不夠、物流專業(yè)人才匱乏等[1]。目前中國(guó)的物流產(chǎn)業(yè)已然處于起步發(fā)展階段，企業(yè)物流是全社會(huì)物流的重點(diǎn)，在發(fā)展過(guò)程中，人們已認(rèn)識(shí)到物流領(lǐng)域作為“第三利潤(rùn)源”的重要性，物流成本的居高不下制約著企業(yè)乃至社會(huì)經(jīng)濟(jì)的發(fā)展，企業(yè)想要提高利潤(rùn)控制成本的重心也集中在了對(duì)物流成本的控制。近年來(lái)，我國(guó)的物流基礎(chǔ)設(shè)施已初具規(guī)模，世界十大港口，中國(guó)占了7個(gè)，且洋山港的年吞吐量穩(wěn)居世界第一，鐵路、高速公路的發(fā)展也十分迅速，這為現(xiàn)代物流的發(fā)展提供了保障。為與國(guó)際接軌，我國(guó)物流信息化水平也在不斷提高，我國(guó)已經(jīng)形成以光纜為主，以數(shù)字微波和衛(wèi)星為輔的交叉?zhèn)鬏斁W(wǎng)絡(luò)，RFID、北斗定位技術(shù)逐步運(yùn)用于市場(chǎng)，在一定程度上提高了物流效率[2]。同時(shí)，配送中心分揀系統(tǒng)、運(yùn)輸系統(tǒng)及倉(cāng)儲(chǔ)系統(tǒng)也實(shí)現(xiàn)了信息化，在整個(gè)物流運(yùn)輸過(guò)程實(shí)現(xiàn)實(shí)時(shí)跟蹤，倉(cāng)庫(kù)物資的出入庫(kù)以及貨物定位均能通過(guò)信息系統(tǒng)來(lái)完成。雖然我國(guó)的物流基礎(chǔ)設(shè)施設(shè)備在近年來(lái)發(fā)展較為迅速，但在發(fā)展過(guò)程中已然存在一定的問(wèn)題，如理論與實(shí)際不匹配、物流人才的緊缺等等，這就需要對(duì)物流過(guò)程中的各個(gè)環(huán)節(jié)進(jìn)行進(jìn)一步研究，不斷完善和創(chuàng)新。

一、物流業(yè)貨運(yùn)量與貨運(yùn)周轉(zhuǎn)量

目前物流業(yè)的貨運(yùn)量與貨運(yùn)周轉(zhuǎn)量的文獻(xiàn)較多，大多是關(guān)于鐵路貨運(yùn)量及周轉(zhuǎn)量、水路貨運(yùn)量及周轉(zhuǎn)量、公路貨運(yùn)量及周轉(zhuǎn)量的相關(guān)研究，主要包括對(duì)貨運(yùn)量及貨運(yùn)周轉(zhuǎn)量的預(yù)測(cè)方法、貨運(yùn)量及貨運(yùn)周轉(zhuǎn)量對(duì)國(guó)民經(jīng)濟(jì)的作用，以及影響貨運(yùn)量與貨運(yùn)周轉(zhuǎn)量的因素分析。張澎等基于彈性系數(shù)法對(duì)某縣的貨運(yùn)周轉(zhuǎn)量進(jìn)行了預(yù)測(cè)，為物流及運(yùn)輸業(yè)的系統(tǒng)規(guī)劃提供了一定的支持[3]。顏保凡等人針對(duì)鐵路貨運(yùn)量的13項(xiàng)內(nèi)部影響因素，采用BP神經(jīng)網(wǎng)絡(luò)模型，定量得出了對(duì)鐵路貨運(yùn)量影響最大的幾項(xiàng)指標(biāo)[4]。原云霄等人采用回歸模型分析了貨運(yùn)量對(duì)區(qū)域GDP的影響，認(rèn)為在不同地區(qū)貨運(yùn)量帶動(dòng)經(jīng)濟(jì)增長(zhǎng)的作用也有所差異[5]。李素英[6]、周禹初等通過(guò)建立誤差修正模型，研究表明鐵路貨運(yùn)周轉(zhuǎn)量對(duì)國(guó)民經(jīng)濟(jì)推動(dòng)作用最大，水路貨運(yùn)周轉(zhuǎn)量次之，公路貨運(yùn)周轉(zhuǎn)量影響最小，貨運(yùn)周轉(zhuǎn)量與GDP之間具有相互促進(jìn)的作用[7]。趙朝文等運(yùn)用ARIMA模型與Winter模型對(duì)水運(yùn)貨運(yùn)量進(jìn)行了預(yù)測(cè)，并對(duì)比了幾種預(yù)測(cè)方法的擬合效果，認(rèn)為選擇模型進(jìn)行預(yù)測(cè)為最優(yōu)方法[8]。裴艷華分別運(yùn)用一次指數(shù)平滑法和二次指數(shù)平滑法對(duì)重慶的貨運(yùn)周轉(zhuǎn)量進(jìn)行了預(yù)測(cè)，研究證明二次指數(shù)平滑法更適合做具有明顯增長(zhǎng)趨勢(shì)的貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)[9]。

從現(xiàn)有的文獻(xiàn)來(lái)看，對(duì)貨運(yùn)量及貨運(yùn)周轉(zhuǎn)量的預(yù)測(cè)確實(shí)是需要建立模型來(lái)進(jìn)行，本文則是基于Matlab建立神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)西安市的貨運(yùn)量與貨運(yùn)周轉(zhuǎn)量進(jìn)行預(yù)測(cè)，并與原始數(shù)據(jù)進(jìn)行對(duì)比，其研究結(jié)果可為物流業(yè)貨運(yùn)量與貨運(yùn)周轉(zhuǎn)量的預(yù)測(cè)提供參考依據(jù)。

二、基于Matlab實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)模型

用工具箱來(lái)求解方法簡(jiǎn)單，但是算法收斂比較慢，需要選取比較合適的參數(shù)，還需要想過(guò)多次實(shí)驗(yàn)，比如，增加節(jié)點(diǎn)數(shù)，減少節(jié)點(diǎn)數(shù)，修改學(xué)習(xí)速率等參數(shù)，還有均方誤差等參數(shù)。經(jīng)過(guò)反復(fù)實(shí)驗(yàn)，為了保證95%以上的貨運(yùn)量及貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)精度，確定以下預(yù)測(cè)模型。利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)貨運(yùn)量時(shí)，首先需要明確物流業(yè)的投入指標(biāo)與產(chǎn)出指標(biāo)對(duì)應(yīng)的輸入輸出關(guān)系。當(dāng)前，物流業(yè)投入指標(biāo)對(duì)應(yīng)輸入?yún)?shù)為交通運(yùn)輸、倉(cāng)儲(chǔ)和郵政業(yè)從業(yè)人員（萬(wàn)人）;交通運(yùn)輸、倉(cāng)儲(chǔ)和郵政業(yè)投資總額（億元）;換算后線路運(yùn)輸長(zhǎng)度（萬(wàn)千米）;物流產(chǎn)業(yè)GDP（億元）。產(chǎn)出指標(biāo)對(duì)應(yīng)的輸出參數(shù)為貨運(yùn)量（萬(wàn)噸）或貨運(yùn)周轉(zhuǎn)量（億噸×千米）。結(jié)合神經(jīng)網(wǎng)絡(luò)模型建立輸出參數(shù)指標(biāo)進(jìn)行訓(xùn)練，設(shè)定為x1、x2、x3。輸出參數(shù)指標(biāo)設(shè)定為y1、y2。通過(guò)引入統(tǒng)計(jì)模型進(jìn)行歸一化處理，建立輸入輸出關(guān)系矩陣。設(shè)定訓(xùn)練參數(shù)，不斷實(shí)驗(yàn)，確定基于歷史數(shù)據(jù)的權(quán)值。最后以該權(quán)值及前期設(shè)定的參數(shù)進(jìn)行動(dòng)態(tài)模擬預(yù)測(cè)，將預(yù)測(cè)值結(jié)合初始模型進(jìn)行還原，得出貨運(yùn)量或貨運(yùn)周轉(zhuǎn)量的預(yù)測(cè)值。

第一，設(shè)置程序。依次打開(kāi)“Matlab-Start-Neural Retworks-Nntool”。第二，數(shù)據(jù)的輸入。將原始數(shù)據(jù)以矩陣（或向量）的形式進(jìn)行排列，明確輸入數(shù)據(jù)矩陣與目標(biāo)數(shù)據(jù)矩陣。第三，數(shù)據(jù)的預(yù)處理。利用歸一化處理技術(shù)，將原始數(shù)據(jù)處理成[0，1]之間的數(shù)字，并以矩陣的形式進(jìn)行排列輸入。第四，網(wǎng)絡(luò)訓(xùn)練。設(shè)置訓(xùn)練次數(shù)、學(xué)習(xí)速率、最大訓(xùn)練次數(shù)、均方誤差。第五，數(shù)據(jù)仿真。用訓(xùn)練好的Sim模型進(jìn)行仿真，用仿真得到的數(shù)據(jù)還原為原始的數(shù)量級(jí)。第六，仿真數(shù)據(jù)和原始數(shù)據(jù)進(jìn)行對(duì)比。對(duì)有限數(shù)據(jù)開(kāi)始網(wǎng)絡(luò)測(cè)試，運(yùn)用工具箱繪制貨運(yùn)量（貨運(yùn)周轉(zhuǎn)量）學(xué)習(xí)和測(cè)試對(duì)比圖，開(kāi)展仿真數(shù)據(jù)和原始數(shù)據(jù)進(jìn)行對(duì)比分析。第七，對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)。當(dāng)在一定實(shí)驗(yàn)條件下，預(yù)測(cè)精度達(dá)到要求時(shí)，用訓(xùn)練好的網(wǎng)絡(luò)對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)。

三、貨運(yùn)量（貨運(yùn)周轉(zhuǎn)量）預(yù)測(cè)

通過(guò)查詢《西安市統(tǒng)計(jì)年鑒》和《中國(guó)統(tǒng)計(jì)年鑒》可以獲知從業(yè)人員數(shù)、投資額、物流業(yè) GDP、貨運(yùn)量和貨運(yùn)周轉(zhuǎn)量及運(yùn)輸效率參數(shù)。經(jīng)過(guò)數(shù)據(jù)收集與整理，王琴梅等獲得西安市物流投入產(chǎn)出數(shù)據(jù)表[10]（見(jiàn)下表）。

1.建立神經(jīng)網(wǎng)絡(luò)模型。以從業(yè)人員數(shù)、投資額、運(yùn)輸長(zhǎng)度、物流業(yè) GDP作為輸入指標(biāo)，以貨運(yùn)量作為輸出指標(biāo)，引入歸一化處理函數(shù)，將輸入指標(biāo)的值處理為數(shù)據(jù)矩陣，矩陣元的值均落在區(qū)間[0，1]之間。建立神經(jīng)網(wǎng)絡(luò)模型（如圖1所示）。

2.設(shè)置訓(xùn)練參數(shù)（如圖2和圖3所示）。歸一化處理后貨運(yùn)量預(yù)測(cè)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(yùn)量實(shí)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(wǎng)絡(luò)模型實(shí)現(xiàn)高精度貨運(yùn)量單變量預(yù)測(cè)。利用sim函數(shù)輸入歸一化處理后的值，預(yù)測(cè)第8個(gè)點(diǎn)的值為34 220萬(wàn)噸，預(yù)測(cè)精度99.6%。因而，通過(guò)建立BP神經(jīng)網(wǎng)絡(luò)物流效率預(yù)測(cè)模型，能實(shí)現(xiàn)高精度貨運(yùn)量及貨運(yùn)周轉(zhuǎn)量預(yù)測(cè)，這為物流資源有效整合提供了強(qiáng)有力的理論基礎(chǔ)與技術(shù)支持。

四、結(jié)語(yǔ)

首先，物流產(chǎn)業(yè)投入與產(chǎn)出指標(biāo)能在BP神經(jīng)網(wǎng)絡(luò)模型建立對(duì)應(yīng)的輸入輸出關(guān)系;其次，神經(jīng)網(wǎng)絡(luò)模型能實(shí)現(xiàn)99%高精度貨運(yùn)量及貨運(yùn)周轉(zhuǎn)量的預(yù)測(cè);最后，高精度貨運(yùn)量網(wǎng)絡(luò)預(yù)測(cè)為城市流體系建設(shè)及物流資源整合提供決策參考。

參考文獻(xiàn)：

[1]? 鄒嘉裕.現(xiàn)代物流業(yè)發(fā)展對(duì)我國(guó)經(jīng)濟(jì)的影響分析[J].中國(guó)集體經(jīng)濟(jì)，2018，（32）：37-39.

[2]? 林佳慧，余朋林.淺談現(xiàn)代物流經(jīng)濟(jì)的發(fā)展[J].現(xiàn)代商業(yè)，2018，（26）：9-10.

[3]? 張澍，于霞，蔣鎮(zhèn)英.基于彈性系數(shù)法預(yù)測(cè)某縣貨運(yùn)周轉(zhuǎn)量[J].科技風(fēng)，2013，（22）：73-75.

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

[5]? 原云霄，王寶海.貨運(yùn)量對(duì)區(qū)域經(jīng)濟(jì)發(fā)展影響的實(shí)證分析——基于全國(guó)31省市面板數(shù)據(jù)[J].中國(guó)市場(chǎng)，2018，（7）：14-17.

[6]? 李素英，楊?yuàn)?，吳永?鐵路投資？周轉(zhuǎn)量與經(jīng)濟(jì)發(fā)展相互作用分析[J].鐵道工程學(xué)報(bào)，2018，（7）：103-108.

[7]? 周禹初，溫旭紅，張仕俊.不同運(yùn)輸方式貨運(yùn)周轉(zhuǎn)量與GDP的協(xié)整關(guān)系分析[J].鐵道貨運(yùn)，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(yùn)貨運(yùn)量預(yù)測(cè)比較[J].軟件，2019，（1）：172-178.

[9]? 裴艷華.基于指數(shù)平滑法對(duì)重慶貨運(yùn)周轉(zhuǎn)量的預(yù)測(cè)[J].商，2015，（30）：246.

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