神经网络方法在物流中的应用分析

左明甫 罗菊

摘 要：经济的快速发展，物流将在未来我国经济社会中得到更大的重视，。基于这样的情况，为了完善整个物流系统，相关研究人员提出了采用神经网络技术来弥补物流中的这一缺陷。

关键词：物流行业；预算；神经网络方法；应用

1 物流预测

物流行业在我国是一个新兴产业，最初的发展尤为重要。因此做好物流预测对整个物流行业的发展前景起到至关重要的作用。物流预测可以将不确定事件发生时的被动情况变为主动，当工作人员已经因为预测出到不确定事件发生，那么他们会制定相应的应急方案，那么在不确定事件发生时，工作人员只需要按方案采取行动即可。物流预测也对减小物流企业损失有很大的帮助，同时也是一股促进物流行业发展的巨大推动力。

在物流行业中的预测，也是需要以现实市场传递过来的消息以及环境、距离等具体因素为基础，在通过相关的神经网络技术进行物流预测。但是对于现实中的环境、距离以及收集到的信息都不可能是一成不变的，同时也可能会受到调研人的主观因素影响，进而使得物流预测的基础都存在一定的偏差，最终导致预测结果出现与现实不符的情况也是在所难免的。

在物流行业中，神经网络技术是进行物流预测的主要方法，大部门的物流企业都应用该种技术。这都源于它具有预测精准、操作相对简单等特点。神经网络技术也可以被细分为以下两个方面：第一，对物流方面的信息进行定性分析，根据分析结果进行预测。这种分析方法又可以采取很多其他的技术模式来对物流进行建模，不同的建模方法产生不同的预测效果，各有利弊。对于具体选取哪种建模方式，只能根据具体的物流信息来选择适合的建模方法。虽然这种方法对技术水平以及现实信息的精准度要求较高，但对物流信息进行定性分析的技术方法有利于精准的进行物流建模，进而更准确的进行物流预测，因此在物流行业中定性分析方法的应用较广。第二种方法就是相对应的定量分析，这种方法相较于定性分析法也具有其独特的优势。

随着科学技术的飞速发展，神经网络技术也得到不断的完善，更加能够满足物流预测的各种需求，也更善于解决影响物流预测准确度的各种问题。同时随着物流行业在我国的快速发展，也有越来越多的研究人员在相关领域进行研究和分析，这也成为推动神经网络技术在物流行业内的发展。

2 人工神经网络BP算法

神经网络技术的发展历史悠久，并不是为了满足物流预测需求才产生的，相关研究人员从上世纪初就开始对这方面技术进行研究和分析。对于神经网络技术的发展经过可以根据其发展状态分为以下几个时期：首先，可以将它定义为开始阶段，在这一段时期内神经网络技术还没有完全成型，只是一些学者的理論研究，并没有多少科学依据；其次可以称为神经网络技术发展的低谷。在这段时间内基本很少有人涉猎这一领域，因此它的发展速度缓慢，没有取得任何实质性的突破。再次可以称为是神经网络技术的复兴阶段。在这一个时间段内，很多学者均进行了相关的研究，并在一定程度上取得了突破。最后的阶段是神经网络技术的一个蓬勃发展的阶段，在这段时间里，神经网络技术得到更多的研究人员的重视，同时也获得了相当大的进步和成就。直至目前，神经网络技术依然持续着它强劲的发展势头，在未来必将获得更大的突破。

基于上述情况，作者希望能够更加直观的介绍神经网络技术在物流预测中的应用。因此，在本文中，首先先对BP网络技术进行介绍。这种技术方法就是将神经网络技术应用到物流行业中去。下面通过分析这种技术的算法来进一步的了解它。设p为输入：w为权值；b为域值：a为输出。多层网络中的某一层的输出成为下一层的输入。描述此操作的等式为：

最后一层神经元的输出是网络的输出：a=aM

t是对应的目标输出。算法将调整网络的参数以使均方差最小化：

用来近似计算均方误差：

3 神经网络预测模型建立

物流行业中进行预测一般先会制定预测方案，再从中选择出较为合适的方案。应用神经网络技术预测物流状况一般有以下几种常用的方案：第一种方案是以过去一段时间内的信息作为预测基础，再进行物流预测。当然这些历史信息必须是在规定时间范围内，并且近期内具体环境没有发生较大变化。第二种情况是以物流预测的相关数据为基础进行的预测。这种方案的优势在于更多地考虑了相关变量的细节分析。但是由于目前科学技术的发展环境下，尚对相关变量的研究有限，为了获得更为精确的预测结果，通常情况下会选择第一种方案进行物流预测。

在我国，物流行业得到快速的发展，这是以先进的神经网络技术为依托的良好效果。在本文中，作者通过对湖北省公路货运状况的举例分析来证明了神经网络技术在物流预测方面的重要性，这也间接表明神经网络技术有利于物流行业的整体运转和发展，促进了我国经济建设速度的提高。当然神经网络技术自身仍存在一定的问题，需要在不断地实际运作中进行完善和改进。相信随着科学技术手段的不断提升，神经网络技术的发展前景将会无限的美好，同时也会在物流预测方面取得更好更快的发展。

[参考文献]

[1]卫志农，谢铁明，孙国强.基于超短期负荷预测和混合量测的线性动态状态估计[J].中国电机工程学报，2010年01期.

[2]师彪，李郁侠，于新花，闫旺.基于改进粒子群-模糊神经网络的短期电力负荷预测[J].系统工程理论与实践，2010年01期.