基于BP 神经网络法和二次指数平滑法的珠海市物流需求预测比较分析

0 引 言

现代社会的经济正在迅速发展，物流作为经济活动的重要组成部分，逐渐受到世界各国的高度重视。物流需求预测是社会物流活动提供物流能力以不断满足物流需求，保证物流服务供求相对平衡，保持社会物流活动高效益的基础。借助定性和定量分析方法对物流需求进行预测，有助于了解社会经济活动对物流能力供给的需求强度，进行有效的需求管理，有针对性地引导社会投资进入物流服务领域，有利于物流基础设施的合理规划、建设。黄韧、潘立军依据全面性、代表性、科学性及统计数据可获得性等原则，选取“全社会货物运输量”作为物流需求量指标。然后用Matlab7.0 的BP 神经网络工具集来模拟湘潭市的物流需求量与各经济、非经济因素的关系，以此来预测该市未来的物流需求量。陈波、张英根据湖北地区近年物流需求数据，运用灰色系统理论，建立了灰色预测模型并对湖北地区未来年份的物流需求进行预测。预测结果表明，未来年份湖北地区的物流需求呈增长趋势，在一定程度上可以为湖北省物流业发展提供理论依据。苗艳艳（2012） 选择主成分分析法进行指标分析，并分别选择灰色预测法、BP 神经网络法以及多元线性回归等建立物流需求量预测模型，通过绝对误差分析比较，选择一种最合适的预测方法。聂晶晶（2011） 分析了相关经济影响因子对物流需求的影响程度，然后分别建立GM (1,N)和GM (1,1)模型对物流量进行了预测，结果表明考虑相关经济因素的GM (1,N)模型预测性能要好于单变量预测模型。选择一种合适的物流需求预测方法十分重要，BP 神经网络法和二次指数平滑法是物流需求预测中常见的方法，可以通过实例研究分析，选择预测精度更高的预测方法。

1 相关方法介绍

1.1 BP 神经网络预测法

BP（Back Proagation） 神经网络是人工神经网络的一种。人工神经网络（Artificial Neural Network，ANN），又称并行处理模型或连接机制模型，是基于模仿人类大脑结构和功能而构成的一种信息处理系统或计算机系统，与人类智能相类似，并通过训练学习而具备适应外部环境的能力、模糊识别能力和综合推理能力。BP 学习算法是Rumelhart 等在1986 年提出的，即误差反向传播学习算法，它具有方便、直观、训练有素等特点。网络学习，即依据样本资料通过一定的目标函数来优化网络参数的过程。BP 神经网络就是以BP 算法作为网络学习算法的前馈型神经网络，它具有广泛的学习能力、适应能力及高度的非线性映射能力，在处理非线性问题时有独特的优势。

BP 神经网络的结构如图1 所示。

图1 BP 神经网络的结构

BP 神经网络的输入层和中间层以及输出层的工作原理如下：

输入层i。BP 神经网络的输入变量必须是能够被提取具体数值的变量，其对输出值的影响特别大。X代表第i 个神经元的输入值，在实际建模过程中，需对输入的数值进行归一化处理。

中间层j。中间层神经元负责处理转换从输入层传递过来的信息，并存储其内在规律。W是第j 个中间层神经元和第i 个输入层神经元的连接权值，它是一个参数，目的是增强网络的映射能力。当非线性函数的复杂度较高时，可以通过增加中间层的数量来增强网络的映射能力，但中间层数量越多，收敛速度也会越慢。

输出层k。输出层输出预测值后，系统需要对这个数值进行分析、比较和研究。当输出值符合预期时，训练结束。

1.2 二次指数平滑法

二次指数平滑法是对一次指数平滑值作再一次指数平滑的方法。它不能单独地进行预测，必须与一次指数平滑法配合，建立预测的数学模型，然后运用数学模型确定预测值。对于初始值的确定，一般来说，对于变化趋势较稳定的观察值可以直接用第一个数据作为初始值；如果观察值的变动趋势有起伏波动时，则应以n 个数据的平均值为初始值，以减少初始值对平滑值的影响。二次指数平滑法实质上是将历史数据进行加权平均作为未来时刻的预测结果。它具有计算简单、样本要求量较少、适应性较强、结果较稳定。

二次指数平滑法预测过程如下：

（1） 计算时间序列的一次、二次指数平滑值

（2） 建立二次指数平滑预测模型

二次指数平滑法的数学预测模型为：

式中：Y表示第t+T 期预测值；T 表示由t 期向后推移期数。

（3） 利用预测模型进行预测

指数平滑系数α 的选择有一定的主观性。α 值越大，近期需求所占权重越大，预测结果对近期数据的变化越敏感；α 过大可能使预测过于“敏感”，结果只会跟踪时间序列的随机波动，而不是根本性变化。α 值越小，则历史数据所占的权重越大，近期数据的影响减少，消除了随机波动性，可反映出长期的大致发展趋势。如果α 值的值太低，预测结果会非常“平稳”。如何选择α 值，是用好指数平滑模型的一个技巧。在进行短期预测时，希望尽快反映观测值的变化，可以选取较高的α 值，一般可取α=0.6～0.8；如果是希望消除季节波动对时间序列的影响，反应时间序列的长期趋势规律，可以选择较小的α 值，一般取α=0.1～0.3。若在历史数据很少的情况下进行预测，推荐选择较高的值进行短期预测。

2 珠海市物流需求预测指标体系构建

2.1 影响珠海市物流需求预测的因素

物流需求的变化取决于对它产生影响的各主要因素的变化，而物流需求的影响因素又十分广泛和复杂。在研究过程中，为了从众多因素中选择决定性因素作为预测因素，应舍弃关系不大的因素。在选择过程中，要同时考虑定性和定量因素。本文主要选择八个因素作为影响珠海物流需求的因素：地区生产总值，第一产业值，第二产业值，第三产业价值经济，居民消费水平，固定资产投资额，社会消费品零售总额和外贸进出口总额。

2.2 珠海市物流需求预测指标的相关性分析

为了进一步证明上面提到的影响因子对社会货运量的影响值大小，通过珠海市统计局官网查找相关数据，归纳整理得到了2000～2019 年珠海市物流市场需求规模预测指标相关数据。本文利用SPSS 软件对2000～2019 年的社会货运量进行综合分析，以此初步确认各个影响因子对社会货运量的影响程度。珠海市物流需求预测初步指标数据如表1 所示。

表1 物流需求规模衡量指标及其影响因素原始数据表

采用Spass 软件，可以求出国民生产总值GDP、第一产业值、第二产业值、第三产业值、居民消费水平、国定资产投资额、社会销售品零售总额、外贸进出口总额、货运量之间的相关性，结果如表2 所示。

表2 物流货运量影响因素分析表

由上可见，社会消费品零售额对珠海市物流货运量的影响最大，其次是第一产业值、居民消费水平和地区生产总值，最后是第二产业值、第三产业值和外贸进出口总额，所有因素都与物流货运量显著相关。

3 物流需求预测实证研究

3.1 基于BP 神经网络法的物流需求预测分析

利用表1 的数据构建BP 神经网络模型。由前面的分析可知，各指标间的相关系数基本都在0.9 以上，故该数据可以用来构建BP 模型。选取地区生产总值、第一产业值、第二产业值、第三产业值、居民消费水平、固定资产投资额、社会消费品零售总额、外贸进出口总额作为神经元的输入变量，选取货运量作为神经元的输出变量。利用Matlab 软件编程构建模型，构建模型过程中需对数据进行归一化处理。

首先在表1 数据中选取网络输入p 和期望输出t，选择2000～2016 年这17 年的数据作为训练数据，对数据进行归一化处理，代码如下。

p=[3 359 192 3 729 815 4 150 575 4 830 648 5 580 339 6 405 336 7 536 263 9 024 451 10 066 218 10 568 652 12 417 388 14 600 679 15 836 632 17 808 660 20 088 563 22 165 366 24 526 098 152 657 168 601 194 315 211 349 207 324 226 850 252 323 262 763 261 567 264 866 300 045 340 633 366 489 422 096 443 592 482 993 451 518 1 762 999 1 931 685 2 110 975 2 481 553 2 886 158 3 441 393 4 205 563 5 017 983 5 499 493 5 494 593 6 706 303 7 771 661 7 911 918 8 687 336 9 670 257 10 436 880 11 188 623 1 443 536 1 629 529 1 845 285 2 137 746 2 486 857 2 737 093 3 078 377 3 743 705 4 305 158 4 809 193 5 411 040 6 488 385 7 558 225 8 699 228 9 974 714 11 245 494 12 885 957 11 694 11 562 11 988 11 708 12 826 14 324 14 426 17 422 16 517 17 948 20 370 21 162 24 083 26 131 26 638 28 742 32 151 949 823 1 048 682 1 205 346 1 410 518 1 826 539 2 185 110 2 571 608 3 450 467 3 767 575 4 105 052 5 015 458 6 373 858 7 876 184 9 187 674 11 350 492 13 051 412 13 897 545 1 211 764 1 334 714 1 473 426 1 620 437 1 822 414 2 100 467 2 399 747 2 766 743 3 279 096 3 622 518 4 200 789 4 794 547 5 235 244 5 844 426 6 592 167 7 421 630 8 173 674 916 461 980 308 1 283 868 1 678 312 2 181 335 2 572 916 3 281 656 3 986 899 4 683 650 3 744 020 4 347 954 5 163 892 4 566 871 5 416 898 5 499 782 4 766 098 4 171 495]t=[2 712 2 694 2 937 3 018 3 225 2 226 2 829 3 375 3 231 6 683 7 039 6 888 7 582 9 973 11 175 10 826 11 395][p1,ps ]=mapminmax(p );[t1, ts ]=mapminmax(t );

图2 BP 神经网络结构

net=newff (p1,t1,8, {'tansig', 'purelin' }, 'traingd' );

对权重进行初始化：

首先确定初始的学习速率，然后确定目标误差：调试后选TRAINGDM 算法来训练BP 网络：

对BP 神经网络进行仿真：

神经网络的训练过程如图3 所示。在第19 秒时，神经网络完成了训练，达到了预先设定的误差目标值，此时值为0.001。

由图2 至图4，当隐含层神经元个数为8 个，同时训练次数达到15 013 次的时候，收敛速度和训练精确度达到了较好的结果，BP 网络拟合的误差缩小至0.001，该BP 网络已经基本拟合了输入的17 组数据。为了检验神经网络的有效性，用2017～2019 年共3 年的数据来对训练好的网络进行验证，这3 年的数据也要进行归一化处理，程序如下。

图3 网络训练过程

pnew=[29 438 309 32 167 798 34 358 867 488 242 540 967 573 634 13 003 794 14 508 241 15 287 332 15 946 273 17 118 590 1 849 7901 34 735 36 819 40 031 16 620 214 20 060 598 19 718 790 8 695 859 9 321 011 9 962 987 4 424 911 4 933 177 4 222 062]

图4 货运量预测训练模拟曲线

pnewn=mapminmax (pnew );

anewn=sim (net,pnewn );

anew=mapminmax ('reverse',anewn,ts);

disp (anew)

为方便比较，将计算出的预测结果进行反归一化处理，通过检验后的网路计算2017～2019 年的货运量如表3 所示。

表3 货运量2017～2019 年预测误差统计表

在BP 神经网络预测2020～2022 年的物流规模需求时，需要知道各影响指标的值，可以根据各影响因素在2000～2019 年的平均增长率来设定未来3 年的指标值。通过得到的影响指标数据来预测未来三年的物流需求规模，最终预测结果如表4 所示。

表4 BP 神经网络模型预测结果

3.2 基于指数平滑法的珠海市物流需求预测研究

取2000～2019 年珠海市货运量作为建模的时间序列，记为Y= (Y,Y,…,Y)，t=20。对于指数平滑模型来说，平滑系数α 的选取显得至关重要。根据前文所述平滑系数及选取标准和方法，结合物流货运量对时间的敏感程度，选取平滑系数α 为0.8，其中初始值取时间序列的前三个数据的平均数。由前述公式（1） 至公式（5） 按历史数据进行逐期预测。二次指数平滑模型计算表如表5 所示。

根据表5 可以建立二次指数平滑的数学模型为：

表5 二次指数平滑模型计算表 单位：万吨

预测未来三年的物流需求规模，最终预测结果如表6 所示：

表6 二次指数平滑模型预测结果

4 结果分析

为了进一步观察两种预测模型对历史数据的拟合程度以及预测值和原始值之间的差值关系，现将两种模型2017～2019 年预测数据与原始数据合并起来进行对比分析，如表7 所示。

表7 货运量2017～2019 年预测误差统计表

从表7 可以看出，二次指数平滑法的相对误差总是高于BP 神经网络的相对误差，这说明BP 神经网络预测方法较二次指数平滑方法具有更好的拟合性能和预测精度，可能是由于神经网络具有很强的非线性映射能力，在预测物流需求这种复杂的活动中，更占优势，预测准确度也较高。