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

1、基于人工神經(jīng)網(wǎng)絡(luò)模型的物流業(yè)貨運周轉(zhuǎn)量預(yù)測摘要：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，但對于貨運量、貨運周轉(zhuǎn)量預(yù)測應(yīng)用較少。通過研究神經(jīng)網(wǎng)絡(luò)輸入輸出結(jié)構(gòu)，確定物流效率影響指標(biāo)，建立貨運量及貨運周轉(zhuǎn)量預(yù)測模型。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(shè)及資源的整合有較強的推動作用。關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);指標(biāo);貨運量;預(yù)測中圖分類號：F252文獻標(biāo)志碼：A文章編號：1673-291X202125-0041-03近年來，我國物流業(yè)開展迅速，社會經(jīng)濟的開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)也存在一定的問題

2、，包括我國物流領(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、對物流行業(yè)的認識水平及政策透明度不夠、物流專業(yè)人才匱乏等【1】。目前中國的物流產(chǎn)業(yè)已然處于起步開展階段，企業(yè)物流是全社會物流的重點，在開展過程中，人們已認識到物流領(lǐng)域作為“第三利潤源的重要性，物流本錢的居高不下制約著企業(yè)乃至社會經(jīng)濟的開展，企業(yè)想要提高利潤控制本錢的重心也集中在了對物流本錢的控制。近年來，我國的物流根底設(shè)施已初具規(guī)模，世界十大港口，中國占了7個，且洋山港的年吞吐量穩(wěn)居世界第一，鐵路、高速公路的開展也十分迅速，這為現(xiàn)代物流的開展提供了保障。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(jīng)形成以光纜為主，以數(shù)字微波和

3、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(tǒng)、運輸系統(tǒng)及倉儲系統(tǒng)也實現(xiàn)了信息化，在整個物流運輸過程實現(xiàn)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(tǒng)來完成。雖然我國的物流根底設(shè)施設(shè)備在近年來開展較為迅速，但在開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(huán)節(jié)進行進一步研究，不斷完善和創(chuàng)新。一、物流業(yè)貨運量與貨運周轉(zhuǎn)量目前物流業(yè)的貨運量與貨運周轉(zhuǎn)量的文獻較多，大多是關(guān)于鐵路貨運量及周轉(zhuǎn)量、水路貨運量及周轉(zhuǎn)量、公路貨運量及周轉(zhuǎn)量的相關(guān)研究，主要包括對貨運量及貨運周轉(zhuǎn)量

4、的預(yù)測方法、貨運量及貨運周轉(zhuǎn)量對國民經(jīng)濟的作用，以及影響貨運量與貨運周轉(zhuǎn)量的因素分析。張澎等基于彈性系數(shù)法對某縣的貨運周轉(zhuǎn)量進行了預(yù)測，為物流及運輸業(yè)的系統(tǒng)規(guī)劃提供了一定的支持【3】。顏保凡等人針對鐵路貨運量的13項內(nèi)部影響因素，采用BP神經(jīng)網(wǎng)絡(luò)模型，定量得出了對鐵路貨運量影響最大的幾項指標(biāo)【4】。原云霄等人采用回歸模型分析了貨運量對區(qū)域GDP的影響，認為在不同地區(qū)貨運量帶動經(jīng)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，研究說明鐵路貨運周轉(zhuǎn)量對國民經(jīng)濟推動作用最大，水路貨運周轉(zhuǎn)量次之，公路貨運周轉(zhuǎn)量影響最小，貨運周轉(zhuǎn)量與GDP之間具有相互促進的作用【7】。趙朝文等

5、運用ARIMA模型與Winter模型對水運貨運量進行了預(yù)測，并比照了幾種預(yù)測方法的擬合效果，認為選擇模型進行預(yù)測為最優(yōu)方法8。裴艷華分別運用一次指數(shù)平滑法和二次指數(shù)平滑法對重慶的貨運周轉(zhuǎn)量進行了預(yù)測，研究證明二次指數(shù)平滑法更適合做具有明顯增長趨勢的貨運周轉(zhuǎn)量預(yù)測9。從現(xiàn)有的文獻來看，對貨運量及貨運周轉(zhuǎn)量的預(yù)測確實是需要建立模型來進行，本文那么是基于Matlab建立神經(jīng)網(wǎng)絡(luò)模型來對西安市的貨運量與貨運周轉(zhuǎn)量進行預(yù)測，并與原始數(shù)據(jù)進行比照，其研究結(jié)果可為物流業(yè)貨運量與貨運周轉(zhuǎn)量的預(yù)測提供參考依據(jù)。二、基于Matlab實現(xiàn)的神經(jīng)網(wǎng)絡(luò)模型用工具箱來求解方法簡單，但是算法收斂比較慢，需要選取比較適宜的參

6、數(shù)，還需要想過屢次實驗，比方，增加節(jié)點數(shù)，減少節(jié)點數(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)過反復(fù)實驗，為了保證95%以上的貨運量及貨運周轉(zhuǎn)量預(yù)測精度，確定以下預(yù)測模型。利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測貨運量時，首先需要明確物流業(yè)的投入指標(biāo)與產(chǎn)出指標(biāo)對應(yīng)的輸入輸出關(guān)系。當(dāng)前，物流業(yè)投入指標(biāo)對應(yīng)輸入?yún)?shù)為交通運輸、倉儲和郵政業(yè)從業(yè)人員萬人;交通運輸、倉儲和郵政業(yè)投資總額億元;換算后線路運輸長度萬千米;物流產(chǎn)業(yè)GDP億元。產(chǎn)出指標(biāo)對應(yīng)的輸出參數(shù)為貨運量萬噸或貨運周轉(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。通過引入統(tǒng)計模型進行歸

7、一化處理，建立輸入輸出關(guān)系矩陣。設(shè)定訓(xùn)練參數(shù)，不斷實驗，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)進行動態(tài)模擬預(yù)測，將預(yù)測值結(jié)合初始模型進行復(fù)原，得出貨運量或貨運周轉(zhuǎn)量的預(yù)測值。第一，設(shè)置程序。依次翻開“Matlab-Start-NeuralRetworks-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模型進行仿真，用仿真得到的數(shù)據(jù)

8、復(fù)原為原始的數(shù)量級。第六，仿真數(shù)據(jù)和原始數(shù)據(jù)進行比照。對有限數(shù)據(jù)開始網(wǎng)絡(luò)測試，運用工具箱繪制貨運量貨運周轉(zhuǎn)量學(xué)習(xí)和測試比照圖，開展仿真數(shù)據(jù)和原始數(shù)據(jù)進行比照分析。第七，對新數(shù)據(jù)進行預(yù)測。當(dāng)在一定實驗條件下，預(yù)測精度到達要求時，用訓(xùn)練好的網(wǎng)絡(luò)對新數(shù)據(jù)進行預(yù)測。三、貨運量貨運周轉(zhuǎn)量預(yù)測通過查詢?西安市統(tǒng)計年鑒?和?中國統(tǒng)計年鑒?可以獲知從業(yè)人員數(shù)、投資額、物流業(yè)GDP、貨運量和貨運周轉(zhuǎn)量及運輸效率參數(shù)。經(jīng)過數(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、運輸長度、物流業(yè)GDP作為輸入指標(biāo)，以貨運量作為輸出指標(biāo)，引入歸一化處理函數(shù)，將輸入指

9、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。歸一化處理后貨運量預(yù)測值為：0.516210.553480.651290.743670.838860.909010.955380.99735歸一化處理后貨運量實際值為：0.51610.55360.65130.74370.83880.90930.95471擬合誤差：-1.2768e-0132.6246e-013-2.8044e-013-4.6629e-013-3.7859e-0132.7134e-0139.8699e-013因而，可以利用該網(wǎng)絡(luò)模型實現(xiàn)高精度貨運量單變量預(yù)測。利用s

10、im函數(shù)輸入歸一化處理后的值，預(yù)測第8個點的值為34220萬噸，預(yù)測精度99.6%。因而，通過建立BP神經(jīng)網(wǎng)絡(luò)物流效率預(yù)測模型，能實現(xiàn)高精度貨運量及貨運周轉(zhuǎn)量預(yù)測，這為物流資源有效整合提供了強有力的理論根底與技術(shù)支持。四、結(jié)語首先，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)模型建立對應(yīng)的輸入輸出關(guān)系;其次，神經(jīng)網(wǎng)絡(luò)模型能實現(xiàn)99%高精度貨運量及貨運周轉(zhuǎn)量的預(yù)測;最后，高精度貨運量網(wǎng)絡(luò)預(yù)測為城市流體系建設(shè)及物流資源整合提供決策參考。參考文獻：【1】鄒嘉裕.現(xiàn)代物流業(yè)開展對我國經(jīng)濟的影響分析J.中國集體經(jīng)濟，2021，32：37-39.【2】林佳慧，余朋林.淺談現(xiàn)代物流經(jīng)濟的開展J.現(xiàn)代商業(yè)，2021，26：9-10.【3】張澍，于霞，蔣鎮(zhèn)英.基于彈性系數(shù)法預(yù)測某縣貨運周轉(zhuǎn)量J.科技風(fēng)，2021，22：73-75.【4】顏保凡，郭垂江，李夏苗.鐵路貨運量的內(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，2021，5.【5】原云霄，王寶海.貨運量對區(qū)域經(jīng)濟開展影響的實證分析基于全國31省市面板數(shù)據(jù)J.中國市場，2021，7：14-17.【6】李素英，楊娛，吳永立.鐵路投資？周轉(zhuǎn)量與經(jīng)濟開展相互作用分析J.鐵道工程學(xué)報，2021，7：103-108.【7】周禹初，溫旭紅，張仕俊.不同運輸方式貨運周轉(zhuǎn)量與GDP的協(xié)整關(guān)系分析J.鐵道貨運，2021，10：15-