基于BP神经网络的杭州城市圈物流需求预测

汪洪帆

摘要：利用BP神经网络来模拟杭州城市圈的物流需求量与各城市经济因素的内在关系，以此来进行杭州城市圈物流需求量的未来预测。因此，采用Matlab方法，以杭州市2000～2015年的数据为例， 阐述了该方法的现实意义。

关键词：杭州城市圈；物流需求量；BP神经网络；Matlab

中图分类号：F25文献标识码：Adoi：10.19311/j.cnki.16723198.2017.29.022

1引言

近年来， 随着电子商务的兴起和“互联网+”行业的发展， 物流已经成为全球经济的脉络， 现代物流已成为各国实现经济增长的重要着力点。我国也将物流产业规划作为十大产业振兴规划之一，物流产业发展的重要性可见一斑。杭州作为在互联网经济发展上的领头羊城市，每天都创造着巨大的线上交易量，其带来的不光是巨大的贸易金额，还有巨大的物流需求量，对物流需求量的预测和把控，有利于城市物流系统的资源配置，可以有效提高物流效率，使得杭州的物流發展与经济发展相匹配，所以研究杭州城市圈物流需求预测具有重要的理论和现实意义。

2BP神经网络

BP神经网络为人工神经网络的一种，应用广泛，是一种多层前馈神经网络，因在网络训练中， 调整网络权值的训练算法是误差反向传播学习算法， 即BP（backpropagation）算法而得名。BP神经网络的结构主要层为输入层和输出层，其中可以根据需求的不同增加若干层神经元，也称之为隐含层。上下层之间的连接主要是依靠输入信号的传播以及误差的反向传播实现。BP神经网络是一种自适应即采取自我误差修正的信息处理系统，其在训练过程中进行由后向前的逐步修正，修正依据是实际输出值和期望值的差异即误差。BP神经网络的训练目的是为了建立起输入值与输出值之间的非线性映射。BP神经网络相较于以往方法在处理非线性相关的问题方面有着明显的优势， 表现在：网络容错能力强、 得出结果的速度快、避开了因素与目标值之间的复杂关系描述。

3杭州城市圈的物流需求量预测

3.1影响城市圈的物流需求量的主要因素

城市因素有多种，而物流需求量与城市经济发展状况密不可分，城市的经济规模大小、第一、二、三产业结构和城市现有经济布局等经济因素都会对影响到物流需求量。同时，中国步入移民时代，一二线城市的移入人口量是巨大的，但是也有相当多的移出人口量，由此产生的居住人口量毫无疑问是物流需求量变化的重要影响因素。另外，一些新兴的因素诸如思想观念等也必须考虑。因此，要分析一个城市圈的物流需求量的影响因素，要综合考虑多重因素，才能得出最完善的分析结果。

3.2预测模型的基本思路

先假设物流需求量的影响因素，见表1。

表中xij表示第j年的第i个指标，yj表示第j年的货运量，因为区域物流需求的影响因素短时期内不会有大变动，所以为了预测n年的物流需求量，可以以1至n-1年的各指标作为样本输入p，以2至n年的货运量作为样本输出t，本文采用Matlab编程方法进行BP神经网络的预测模拟，BP神经网络模型在进行训练后，使神经网络具有适用性，当有新的样本输入该网络时，网络就可以进行再一次的训练并输出预测数值。

3.3物流需求量预测模型

（1）归一化。

由于可选择的指标因素众多，如果不进行选择处理，即使输入了神经网络也无法得到可靠的预测结果，所以笔者为了神经网络的训练效果，选取杭州2000～2015年的指标值代替城市圈的指标值，笔者在阅读过众多相关文献后，选择全社会货运量作为输出项指标。 其它影响物流需求量的各指标则选择如下表所示，杭州2000 ～ 2015年的有关数据如表2所示。为了保证各指标输入神经网络进行训练效果，避免部分神经元提前达到过饱和状态，对数据进行归一化处理。

（2）样本输入和样本输出处理。

归一化后，2000～2014 年数据作为样本输入p， 2001～2015年的货运量作为样本输出t， 以此来训练BP神经网络并预测2016年的全社会货物运输量。

4BP神经网络的设计与训练

4.1BP神经网络的设计

本文的网络拓扑结构为7-10-1。其它训练参数设置如下表3。

4.2BP神经网络的训练

在按照上文的指示步骤对BP网络进行训练后， 得出了均方误差的变化曲线界面图，达到了设定的均方误差MSE所需要的训练周期很大，高达907个训练周期， 但是就BP神经网络的特性而言，这说明神经网络开始拟合，得出的结果有一定适用性。

4.3BP网络的模拟预测

输入值p1采用2015年归一化后的各指标值来进行模拟， 将p1导入训练好的BP网络， 经过运算即可得到2016年的货物运输量预测值t1 ，t1=[0.9092]，反归一化后，得出2016年的货运量为29073.86，与2015年相比较略有下降。

5结论

介绍了利用BP神经网络来预测杭州未来物流需求量的方法。笔者以杭州市2000 ～ 2015年的数据为例建立BP神经网络， 旨在通过训练神经网络， 从而可以对物流需求进行预测，并取得了预测结果。样本越多，训练周期越多，拟合效果越好，神经网络对未来的适用性就越好。随着训练样本的积累，杭州城市圈可以对未来物流需求量进行精准预测。杭州在全国经济环境中，最突出的特点就是互联网经济发达，电子商务兴旺，所以在预测物流需求量的指标中考虑电子商务相关的指标是必要的，但是目前还没有统一对于衡量电子商务方面成果的物流指标，必须要对未来会出现哪些新指标进行关注，新的指标会带来更精准的预测结果。同时， 样本数据应进行横向和纵向的全面收集， 才能反映出众多因素指标与物流需求量之间的关系。BP神经网络拟合的越好，用BP网络进行的预测也就越有实用性意义， 预测得到的结果也就更具有现实参考价值。

参考文献

[1]李赤林，胡小辉. 基于BP神经网络的武汉城市圈物流需求预测[J]. 武汉理工大学学报（信息与管理工程版），2009，（05）：773776.

[2]秦文肖，刘瑞雪. 基于BP神经网络的长乐市物流需求与预测分析[J]. 物流工程与管理，2016，（09）：2426.

[3]王东蛟. 广西区域物流需求预测研究[D].南宁：广西科技大学，2015.

[4]刘梦丽. 基于BP神经网络的环渤海经济区物流需求预测研究[J]. 天津职业技术师范大学学报，2014，（04）：5457.

[5]陈思远，郭奕崇. 基于BP神经网络的安徽省物流需求预测研究[J]. 物流技术，2012，（17）：231233.

[6]胡雄斌，王雄辉. 基于BP神经网络的武汉市物流需求模型预测及发展战略研究[J]. 物流技术，2010，（15）：7073.

[7]文培娜，张志勇，罗斌. 基于BP神经网络的北京物流需求预测及分析[J]. 物流技术，2009，（06）：9193.endprint