【分　 类】 医药卫生
【关 键 词】 货运量 BP神经网络 网络模型
【来 　源】 互联网
【收　 录】 中文学术期刊网

正文：
摘要：本文利用BP神经网络构建货运量需求预测模型，依据历史货运量数据建立BP神经网络，对其进行训练和学习形成预测模型。该模型能够揭示与货运量相关变量之间的非线性映射关系，通过对相关变量的训练预测出未来的货运量，经过实例分析证明基于神经网络的货运量预测模型是一个行之有效的。
关键词：货运量 BP神经网络 网络模型
Abstract: The main intension of this paper is to structure the quantity of shipments forecast model which used by the BP neural networks. Judging by the history data of quantity of shipments that builds BP neural networks, and builds model by training and studying. The model turn to reveal the nonlinearity mapping relation between the variable being related to quantity of shipments. Through correlated variable's training can forecast future quantity of shipments. The example analysis proof that the quantity of shipments forecast model which structured by BP neural network is effective.
Key words: quantity of shipments  BP neural networks  net model

1. 引言

20世纪60年代，企业开始重视产品物流，其目的是以最低的成本确保把产品有效的送达到顾客，由此揭开了一个新的领域的发展。物流理念引入到我国已经是70年代末，随着我国经济的发展和社会的进步，作为21世纪“黄金产业”的现代物流业，已在我国现代化建设中显示出巨大的发展潜力和广阔的发展前景,并且正在向国民经济各个领域扩展。
在物流管理中，预测可以对物流信息进行计划和协调，为决策层提供科学的、有效的决策支持，达到运筹帷幄的目的。物流中的存储、运输等各项业务活动的计划都是以预测为基础制定的。物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、成品和半成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求。从物流的发展规律来看,现代物流服务的需求包括量和质两个方面，即从物流规模和物流服务质量中综合反映出物流的总体需求。因此，为保证物流业的供给与需求之间的相对平衡，就必须对物流需求规模，进行科学的、有效的预测，以便于引导社会投资有目的地进入物流业。

2. 货运量预测方法的比较

目前，常用的货运量预测方法包括时间序列方法（移动平滑法、指数平滑法和随机时间序列法）、相关回归分析法、灰色预测法和作为多种方法综合的组合预测法以及人工神经网络预测法。
移动平滑预测法是取预测对象的时间序列中一组最近历史数据的算术平均值，其中的“移动”是指参与平均的实际值随预测期的推进而不断更新，并且每一个新的实际值参与到“平均”值时，都要剔除掉已参与“平均”值中的最陈旧的一个实际值，以保证每次参与“平均”的实际值都有相同的个数，基本公式为：

式中　——在t+1时刻的一次指数平滑值
　　　 ——平滑指数,规定0<α<1
　　　 ——在t时刻的实际值
回归分析法是根据物流的历史数据，建立回归数学模型，然后对未来的物流做出预测。这种物流预测方法有效、准确，但必须建立数学模型。以上两种方法都集中在对其因果关系回归模型和时间序列模型的分析上，所建立的模型不能全面和本质地反应所预测动态数据的内在结构和复杂特性，从而丢失了信息量要事先建立函数模型，这给货运量预测带来了不便。由于神经网络有很好的曲线拟合能力、学习能力、抗干扰能力，所以用神经网络进行物流预测是一种有效的方法。本文正是采用BP神经网络方法，构建货运量预测模型,。

3. BP神经网络模型设计

1. BP神经网络结构

BP神经网络模型是由输入层、输出层和若干隐含层组成的前向连接模型，同层各神经元间互不连接，相邻层的神经元通过权重连接且为全互连结构。当有输入信号时，要首先向前传播到隐层结点，再传至下一隐层，直至最终传输至输出层结点输出，信号的传播是逐层递进的，且每经过一层都要由相应的特性函数进行变换。由于信号一直是向前传播直至输出层，所以BP神经网络模型是一种前馈网络。
(2) 输入和输出层设计
基于ＢＰ算法的神经网络的输入、输出层维数安全按照使用者的要求要设计，这使得我们可以根据与货运量相关的经济指标来预测未来货运量。其中，输入层的神经元个数为样本的维数，而输出层神经元的个数则为要预测指标的个数。
(3) 隐含层数的选择及节点数的确定
对于多层神经网络来说，首先确定选用几层隐含层。当各节点均采用S型函数时，一个隐含层就可以实现任何问题的预测，两个隐含层则可以表示输入图形的任意输出函数。根据研究人员分析研究表明，在实践问题中，对于小型网络的边界判决问题，两层隐含层并不比单隐含层更优越。本文采用单隐含层来对货运量预测进行实例分析。
基于BP算法的神经网络中各层节点数的选择对网络的性能影响很大，所以，层内节点数需要进行恰当的选择，这主要取决于网络的用途。对于分类问题的神经网络，一般认为，隐含层的节点数目为2N+1，即可满足需求，其中N为输入的节点数。

4. 实例分析

1. 指标选取

本文以某市的货物量预测为例，由于受到统计数据可获得性限制，在对该市货运量进行预测时选取“全社会货物运输量”作为货运量预测指标，选取影响货运量的各指标为：GDP、全社会固定资产投资、第一产业产值、第二产业产值、第三产业产值、货物周转量六个个指标。数据如表1所示：

年份	GDP      (亿元)	全社会固定资产投资  (亿元)	第一产业     (亿元)	第二产业   (亿元)	第三产业   (亿元)	货物周转量 (亿吨公里)	货运量      (万吨)
1999	1085.68	431.23	78.54	478.39	528.75	695.28	15475.25
2000	1206.84	461.93	81.36	533.31	592.17	739.94	16270.7
2001	1335.4	508.44	85	582.75	668	741.4	16244.03
2002	1467.8	570.43	90.4	635.5	741.9	737.7	15942.6
2003	1622.18	645.06	95.13	701.87	825.18	764	16609.8
2004	1882.24	822.2	102.23	825.78	954.23	835.2	17044.8
2005	2238.23	1055.18	109.57	1019.26	1109.4	1261.82	19611.7
2006	2590.75	1325.29	115.91	1279.1	1279.1	1312.73	20817.75

表 1 某市经济指标和货运量原始数据表

 1/3    1 2 3 下一页 尾页