基于BP神经网络的海南省物流需求预测

（武汉理工大学 物流工程学院，湖北 武汉 430063）

1 引言

在政府领导以及相关政策支持下，近几年海南省经济稳步前进。据统计，2016年全年海南省全省地区生产总值(GDP)达4 044.51亿元，同比增长9.2%。其中，第一、二、三次产业增加值分别为93.63亿元、26.86亿元、221.26亿元。分别比上年增长10.9%、3.1%、11.2%。三次产业增加值占地区生产总值的比重分别为23.45、22.32、54.23。近几年，海南省经济水平获得了较快的发展，人民生活水平不断提高，社会发展和人民生活对物流业也提出了更高的要求和期望。但目前海南省物流业发展仍存在一定的问题，大宗货运成本较高，瓜果速递速度待提高，南菜北运损耗较高，网购商品快递速度有待提高。归根到底一句话：海南需要一个“快速、高效、专业、服务一流”的现代物流业服务生产、生活。虽然海南省物流业起步较晚，基础较差，发展水平不高，但是随着近些年海南省国际旅游岛的建设，海南省的物流业也开始快速成长，获得了较快发展。海南省的物流业已经成为支撑国际旅游岛建设和推动社会经济发展的重要力量。对海南省的物流需求规模进行合理预测，并分析相关预测数据的合理性和有效性，可以为海南省未来一定时期内的物流系统规划提供理论依据。

2 BP神经网络用于区域物流需求预测的思路分析

区别于其他一些简单的线性系统，物流系统是一个非常复杂的非线性系统[1]。其中包含众多因素，而且各因素之间的关联性很难通过简单的线性规划来求解，也很难用一个准确的数学解析式来表达，用传统的预测模型方法难以有效涵盖物流系统的各个方面，难以建立预测模型的具体函数形式，即使建立了模型，也难以找到一个恰当的参数估计方法来确定参数。神经网络预测的精确度非常高，因为通过学习，神经网络可以以任意的精确度逼近任意非线性映射，这是传统的预测方法无法达到的。此外，神经网络无需确定参数，无需假定f（x1,x2,…,xn）的数学结构，也不需要建立具体的函数形式，它是通过映射来反映函数的，可以通过建立输入与输出模型来预测结果。因此，运用神经网络模型进行物流需求预测可以避免建模问题的困难，同时还可以有效提高预测的准确度。理论上已经证明，具有三层结构和一定数量神经元的神经网络能以任意精度逼近任一函数f（x1,x2,…,xn）[2]。BP神经网络的建模思路如下：

（1）用一神经网络模拟目标函数式y=f（x1,x2,…,xn）中的f（x1,x2,…,xn）。

（2）用神经网络预测代替函数预测。①建立具体的神经网络模型，包括输入层、隐含层、输出层，而且每层神经元要符合理论要求。②神经网络的结构参数通过学习训练的方法来确定，其要满足:当输入x1,x2,…,xn神经网络的输出值接近目标函数Y。③用以上已经学习好的神经网络来进行预测，即给出输入值x1,x2,…,xn的一组值，通过训练好的神经网络得到预测目标Y的输出值。

3 实证分析

3.1 预测指标的选取

本文采取的BP神经网络预测方法，以经济指标为输入指标，来预测海南省未来的物流需求规模。建立BP神经网络前需选取合适的经济指标和物流指标。

货运量和货运周转量在一定程度上可以反映物流需求的变化规律，所以本文选择货运量和货运周转量作为物流指标，即BP神经网络模型的输出指标。基于数据的可获得性及经济指标与物流指标之间的相关性，选取2003-2016年海南省地区生产总值(GDP)、三次产业产值、区域零售总额、城镇常住居民人均可支配收入、居民消费水平作为海南省物流需求预测的输入指标[3-4]，运用BP神经网络预测海南省2017-2022年的货运量和货运周转量。

3.2 数据来源

本文所选取的数据资料源于海南省历年统计年鉴，见表1。将2003至2014年的数据作为网络训练样本，2015和2016年的数据作为网络测试样本，用训练好的神经网络预测2017至2022年的货运量和货运周转量。

表1 海南省历年物流指标与经济指标数据

由于BP神经网络预测方法是以对本年的输出指标有很大影响的输入指标来预测本年要预测指标的变化，所以在进行下一年的预测时须知道下一年各影响输出指标的值。下面将根据历年数据设定海南省物流需求影响因素的变化趋势。

最近几年，海南省经济呈现较快发展之势，GDP从2003年到2016年年均增长率为14.39%。三次产业也不断发展，其中第一产业年均增长率为11.13%，第二产业年均增长率为13.83%，第三产业年均增长率为16.85%，假设以后几年的GDP和三次产业呈此种增长趋势。

随着经济的发展，人民生活水平的提高，消费品零售总额从2003年到2016年年均增长率为16.98%，城镇居民人均可支配收入年均增长率为11.16%，居民消费水平年均增长率为14.94%，同样假设以后几年的消费品零售总额、城镇居民人均可支配收入和居民消费呈此种增长趋势。

按照以上设定的增长速度，2017年到2022年海南省的经济指标见表2。

表2 海南省2017-2022年预测经济指标数据

由于在对BP神经网络进行训练时，过大或者过小的数值都不利于神经网络进行训练，为了保证所提供的样本数据为同一个数量级，需要对所选取的初始数据进行一定的预处理，利用归一化公式：

对数据进行预处理，使数据归一到[0.15,0.85]之间。本文利用MATLAB实现归一化过程，归一化后的数据见表3。

表3 归一化后的样本数据

3.3 网络训练

实践已经证明，具有一个隐含层的BP网络结构足以模拟任意输出与输入之间复杂的非线性映射关系，而且网络学习收敛快[5]。因此，本文海南省BP神经网络预测模型采用三层的网络结构。

前面所述输入层、输出层神经元的个数已经由所求的问题本身确定，而确定中间层神经元的个数比较困难，迄今为止还没有找到一个合适的函数解析式，基本上是根据前人所得的经验和自己的试验来确定的。由于隐含层神经元数还与所求解问题的要求、输入与输出单元数存在着直接关系，故本文在综合各方面因素的基础上先通过前人所总结的经验公式来初步确定神经元个数，然后再对不同神经元数下的网络训练结果进行对比，最终根据训练结果选择合适的神经元数。根据Kolmogorov定理[6]，当输入层的神经元为7个时，可将网络中间层的神经元初步确定为15个，之后，再分别取10和20，将它们的训练结果进行比较，结果显示网络中间层的神经元为15时最佳，训练结果如图1所示。

图1 BP网络训练结果（隐单元数：15）

从图1所示的训练结果中可以看出，将BP网络的训练误差设定在0.000 1时，网络在训练了19 190次时达到了设定的目标，误差为9.998 61 e-005，训练效果比较令人满意，符合研究需要。结合以上分析，海南省的物流需求预测BP网络模型结构如图2所示。

3.4 误差分析

将BP神经网络模型的测试样本（2003-2016年）的预测值与货运量和货运周转量的实际值进行误差比较，结果如图3所示。

由图3可以看出，神经网络的训练误差基本上可以控制在很小的范围内，有很强的预测能力，能够达到理想的效果，故可以用以上训练好的神经网络预测海南省2017-2022年的物流需求。

3.5 预测结果

根据以上所建立的BP神经网络模型，对海南省2017-2022年的物流需求规模进行预测，输入值为表2中2017-2022年归一化后的各经济指标数据，见表4。

图2 海南省物流需求预测BP网络结构模型

图3 货运量、货运周转量的预测误差曲线

表4 海南省2017-2022年预测经济指标归一化数据

将输入值（2017-2022年各经济指标）输入以上训练好的BP神经网络得到输出值即2017-2022年物流需求预测结果，预测结果呈矩阵显示为：

对预测结果T_forc进行反归一化，可以得到海南省2017-2022年的物流需求规模预测值，结果见表5。

表5 海南省2017-2022年货运量、货运周转量

根据预测结果可以看出，未来几年海南省物流需求规模逐年增长，物流业呈现平稳发展态势。通过所建立的BP神经网络模型预测到的结果，可以在一定程度上定量反映出海南省物流需求规模的变化。

4 结语

物流是社会生产和人民生活的重要组成部分，是推动国民经济发展和社会进步的重要力量。物流供给能力不足或者是物流供给能力过剩都不利于物流业的健康发展，通过对区域物流需求进行分析与预测，可以揭示出区域经济与区域物流之间的内在关系，并为区域物流规划提供决策数据和依据。本文对海南省2017至2022年的物流需求规模进行预测，预测结果显示，海南省的物流需求将会有较快的增长和长足的发展。但是由于所掌握的数据与信息资料有限，海南省未来社会经济发展也是不确定的，预测结果可能与未来实际的物流需求规模存在一定差异，但通过此模型预测到的结果可以在一定程度上定量反映其发展变化的趋势。

[1]燕春蓉.电子商务与物流[M].西安:西安电子科技大学出版社,2010.

[2]文培娜.基于人工神经网络的区域物流需求预测及实证研究[D].北京:北京物资学院,2010.

[3]徐优丽.基于神经网络的物流需求预测—以浙江省长兴县为例[J].浙江树人大学学报(人文社会科学版),2008,(1):56-58.

[4]徐宇.湖南省物流需求影响因素分析[D].长沙:湖南大学,2008.

[5]曾斌,项伟.典型地质环境问题区域灾变智能预测研究:以湖北省恩施地区为例[M].武汉:中国地质大学出版社,2013.

[6]谭延嗣.BP神经网络应用于地质灾害预测的研究[J].江西建材,2017,(24).