基于神经网络的湖南省货运量预测研究

黄振 夏利平 朱珺

摘 要：文章基于神经网络模型，针对湖南省货运量进行了预测。研究表明，神经网络模型表现出了相当高的预测水准，最后指出了研究改进的方向。

关键词：神经网络；预测；货运量

湖南省位于中部地区承接东部地区产业转移的前沿，多条国家级公路、铁路干线都经过湖南，为物流业的发展创造了良好的先天条件。区域物流对区域经济发展有着重要作用，通过货运量入手进行预测研究，能够反映出湖南省区域物流需求在未来几年中的变化趋势，这是研究的目的，同时也是意义所在。

物流业的发展是优化区域经济产业结构和转变湖南经济发展方式的必要条件，通过对以货运量为代表的湖南省区域经济物流需求进行预测分析，以预测结果为决策依据，可以为湖南省物流业的发展规划和设施建设提供咨询意见。

货运量是物流需求的重要组成部分，对货运量进行影响因素分析和预测，能够在很大程度上反映出湖南省物流需求的现状和发展趋势，从而为物流业的持续发展提供可靠依据。

一、研究现状

目前常见的货运量预测方法包括数学模型和神经网络模型。

关于货运量预测的数学模型常见的有：胡洁琼等（2014）提出了一种建立在时间序列分析基础上的预测方法，通过专家建模，简化了预测过程和建模速度；刘喜明（2014）基于公路物流货运量数据，利用线性回归方法建立模型，预测精度较高；高洪波等（2014）采用分形插值，推导了具有外推功能的铁路货运量预测方法，较好地描述出铁路货运量变化的分形特征；赵建有等（2012）在估计了公路货运量的影响因素之后，利用模糊线性回归模型预测了延安市2005至2010年的公路货运量。

利用神经网络模型进行货运量预测研究的则有：Al-Deek（2002）采用反向神经网络（BPN）和时间序列相结合的方法来预测港口出港和入港重型卡车的流量，并在迈阿密港、坦帕、杰尔逊维尔港等港口进行实例验证；蒋青松等（2013）采集2006-2010年南疆各师货运量数据，基于BP神经网络算法建立了相关预测模型，计算结果精度较好；雷斌等（2012）根据改进粒子群优化算法，提出了预测精度更高的灰色神经网络模型。

根据研究现状，基于机器学习理论的适度拟合往往能够在某种程度上筛除噪声，找到隐藏在大规模数据背后的规律性。神经网络还具有良好的泛化能力，能够对没有经过学习的样本进行训练、推断。神经网络往往具有较好的弹性，当数据构成发生突变时，能够迅速辨别出变化。

二、研究理论

（一）模糊粒子理论。粒化计算是数据处理的一种较新的概念和计算方法，覆盖了基于粒化的理论和方法。它可以用于研究信息粒化的形成、粗细、表示和语义解释。通常来看，利用不可区分性、功能相似、相近以及函数性来划分的对象的集合，就构成信息颗粒。本研究选择模糊粒子理论进行数据处理。

（二）神经网络理论。Cortes和Vapnik率先提出可用于模式分类和线性以及非线性回归的支持向量机理论。支持向量机用于解决回归问题时，输出值可为任意实数。具体实现过程为：首先，给定一个训练集，接着选择适当参数，然后构造并求解凸二次规划，最后建立起决策函数。当时间序列具有非线性特征时，可通过构造核函数来建立非线性回归。常见的核函数基本形式有多项式、高斯径向基等。

支持向量机模型可以进行回归预测，例如对湖南省货运量进行回归拟合。模型的假设条件是，湖南省货运量与时间相关。也就是说，建立的模型以湖南省货运量为因变量，利用之前的数据，尝试进行回归拟合，预测将来的湖南省货运量变化范围，。算法流程包括数据处理、参数选择、模型生成与训练、拟合预测、结果分析等。

三、湖南省货运量与区域经济关系研究

（一）数据来源及平稳性检验。采集的湖南省货运量和GDP数据为1984至2012年总共29对数据，所有数据来源于历年湖南省统计年鉴。数据均采用对数化处理，湖南省货运量对数化后设为lnH，湖南省GDP数据对数化后设为lnG。

对两组数据序列进行平稳性检验，ADF检验的结果说明这两组序列都是非平稳的。接下来分别对一阶差分进行ADF检验，结果是平稳的。

（二）格兰杰因果检验。在格兰杰因果检验中，更关心两序列之间的因果关系，因此选择对应序列进行检验，结果显明，原假设“货运量波动不是GDP波动的格兰杰原因”发生的概率为 ，在5%的显著性水平下显著拒绝，说明在较高的置信水平下，货运量波动是GDP波动的格兰杰原因；与此同时，原假设“GDP波动不是货运量波动的格兰杰原因”发生的概率为 ，同样被显著拒绝，说明在较高的置信水平下，GDP波动也是货运量波动的格兰杰原因。因此可以认为，湖南省货运量和区域

GDP之间存在相互引导作用。

（三）协整关系检验。湖南省货运量和区域GDP两序列在

5%的显著性水平上，存在一个大于临界值的迹统计量，说明二者之间存在一个协整关系。两序列在5%的显著性水平上，存在一个大于临界值的最大值统计量，进一步说明二者之间的协整关系是客观存在的，也说明本研究对于进一步研究湖南省区域经济具有意义。从以上分析可以看到，货运量对区域经济产生了正向影响。

四、基于神经网络的湖南省货运量预测

（一）模型算法。利用Wiltold Pedrycz模糊粒子理论预处理数据，其基本构思是，原始数据经过预处理后得到的模糊粒子，具有相当的特殊性和代表性。模型中采用支持向量机回归算法，进行对比后确定使用高斯径向基核函数，使用步进法确定惩罚参数c和核函数参数g。具体过程利用libsvm工具箱实现，该工具箱提供了很多参数，既能用于支持向量分类，也能用于支持向量回归。

（二）回归预测。首先尝试对数据进行归一化处理，归一化区间选择[0，1]区间时，预测效果不理想，经多次回归调试后改为归一到[0，100]区间，此时数据包含的信息损失程度较小。

接下来寻找惩罚参数c和核函数参数g的最佳参数，通过观察粗略寻找的结果进行精细选择。利用得到的最优结果进行训练，最终的预测结果如表1所示。在对各项参数进行择优后，该模型预测2013年的湖南省货运量在[208311.1，220576.6]之间波动，而根据湖南省统计公报，实际值为211405.9万吨，基本落在预测范围内，最小误差为-1.46%，说明模型预测效果良好。

表1 湖南省货运量预测结果

由于回归模型建立在求解凸二次规划的基础上，对于非线性数据的处理结果比较理想，从而得到比时间序列模型更具有代表性的区间预测，某种意义上可以说比时间序列模型更具有参考价值。

研究中存在和需要改进的问题：（1）主要研究数据为年度

数据，数据量较少，在神经网络的训练和拟合上存在一定难度，后续可以考虑采用国家统计局发布的月度数据进一步研究。（2）神经网络模型在主要参数（即核函数和惩罚因子）的选择上具有一定困难，需要精心选择，为模型的广泛应用带来了一定难度，是后续研究考虑改进的地方。

五、对策和建议

2014年10月4日国务院印发了《物流业发展中长期规划（2014-2020年）》，从国家层面部署加快现代物流业发展，提出要建立和完善现代物流服务体系，提升物流业发展水平，为全面建成小康社会提供物流服务保障。本研究利用神经网络模型对湖南省货运量进行了拟合和预测，取得了不错效果。从预测结果看，2013年全省货运总量已超过二十亿吨关口，物流业已经成为了湖南省国民经济产业中的重要一环。这是湖南省物流业正在面临的严峻挑战，更是湖南省物流业发展的重大机遇。

现代物流业与区域经济的正向促进作用已经非常明显，一般来说，物流业既是区域经济发展的“瓶颈”产业，更是区域经济发展的“牵引”产业。为了促进湖南省物流业与区域经济的良性互动，满足以装备制造业为核心的产业集群发展的需要，可以从多方面入手，建立起与区域经济发展相协调的物流产业体系。

（一）完善物流信息化建设，创造良好发展环境。通过加强北斗导航、物联网、大数据、移动互联等先进信息技术在物流行业的应用，加快企业物流信息系统建设。完善物流公共信息省域平台建设，积极推进全省物流信息资源的再次开发利用。整合省内铁路干线、高速铁路、高速公路、水路等信息资源，推动省内物流信息与公共服务信息的有效对接，鼓励区域间和行业内的物流平台信息共享，实现互联互通。

（二）完善物流体系的系统性和网络化。继续投入基础设施建设，建立省内综合交通运输体系和枢纽建设，实现各种运输方式的合理分工和有效衔接。在科学考察物流需求的基础上，合理配置并强化物流园区建设，在政策方面为物流需求旺盛的区域提供有利支持。积极打破地方保护、部门封锁，解决工商、税收、土地、交通等方面所存在的制约物流企业发展和经营的问题。

（三）用互联网思维指导物流企业发展。2013年双十一，阿里巴巴集团天猫网的销售额达到350亿元，2014年双十一，天猫销售额有望冲击600亿元大关。应该借助电子商务行业充分发展而催生的物流大发展契机，培育并指导物流企业用互联网思维改造行业管理、经营等各个环节，用电商的“天网”改造物流企业的“地网”，打造基于电子商务的信息对称、价格透明的现代物流体系，降低省域内物流成本。

（四）激励高校物流专业建设，培育物流产业人才。政府应该下放高校专业设置和调整审批权，鼓励并支持高等院校，尤其是以培养一线技术人才为目标的高职院校按照现代物流行业需求自主设置现代物流和商贸专业、课程，按照需求导向、条件保障、规模适度、持续建设等原则制订物流专业建设规划，与物流先进企业合作，培育培训管理人才和一线技术人员，提高人才培养质量。在人才培养过程中注重教育教学模式创新，拓宽物流专门人才的培养渠道，通过订单班等多种形式，使企业能够无缝参与并实现物流人才的培养。

参考文献：

[1] 胡洁琼，李珍萍， “基于时间序列的全社会货运量预测及分析[J]，” 物流技术， pp. 128-130， 5 2014.

[2] 赵建有，周孙锋，崔晓娟，王高青， “基于模糊线性回归模型的公路货运量预测方法[J]，” 交通运输工程学报， pp. 80-85， 7 2011.

[3] Al-Deek， "Use of vessel freight data to froecast heavy truck movements at seaports[J]，" Transportation Research Board， pp. 217-224， 2002（1804）.