基于BP神经网络与GM(1,1)的昆明市物流需求预测

基于BP神经网络与GM(1,1)的昆明市物流需求预测

李洁云

云南省交通科学研究院有限公司 云南省昆明市650011

摘  要:以昆明市物流市场为实证对象进行研究,通过分析影响物流需求的相关因素,构建物流需求预测影响因素指标体系｡采用BP神经网络和GM(1,1)方法,选取近15年的统计数据对未来五年的物流需求进行预测｡研究结果表明,采用BP神经网络和GM(1,1)的组合预测结果准确性较好,可有效地反映出昆明市物流需求的整体变化趋势,为物流系统规划发展提供了合理依据｡

关键词:BP神经网络;GM(1,1)模型;物流需求;预测模型

0 引言

物流作为现代经济社会活动的重要组成部分,与经济社会的发展关系密切｡对物流市场需求进行预测,可为政府有关部门制定物流规划、对市场进行生产指导等提供科学合理的决策数据支持｡同时物流需求预测也是公司业务计划制定和企业发展规划的基础工作,是物流企业进行资源配置中的重要环节之一[1]｡国内外用于物流需求预测的方法较多,根据算法的不同,可以分为:灰色预测法､回归分析法､神经网络法和组合预测法等[2]｡张卜云等基于灰色理论,运用GM(1,1)模型对广西水果冷链物流需求进行预测,并选取了关联度较高的影响因素构建指标体系,研究各指标与冷链物流需求量之间的相关性[3]｡吴乐等采用岭回归和GM(1,1)组合预测模型对上海市未来4年的物流需求进行了预测,并与BP神经网络和GM(1,1)的预测结果进行了对比分析[4]｡

通过相关文献的梳理发现,对于物流需求的预测研究,大多数学者仅采用一种模型对物流需求进行预测,较少采用两种预测方法结合的方式进行研究｡基于此,文章以昆明市物流需求为切入点,运用了BP神经网络和GM(1,1)的组合模型对物流需求进行了预测｡

1 昆明市物流需求预测

1.1物流需求相关因素分析

物流需求影响因素的选择是进行预测分析的重要步骤之一,是构建预测模型的前提｡影响城市物流需求的因素众多,包括有城市经济规模､产业结构､消费者消费观念等因素｡结合昆明市物流需求预测影响因素的分析选取相关数据指标,通过将相关数据指标导入SPSS软件,进行相关性和显著性分析,从中选取与输出指标昆明市货运量相关性较高的几个数据指标作为预测模型的输入变量,分析结果如表1所示｡

表1 物流货运量影响因素分析表

从上表可以看出所选取的数据指标都与货运量高度显著相关,因此将昆明地区生产总值､昆明固定资产投资､昆明城镇居民可支配收入､昆明第一产业增加值､昆明第二产业增加值､昆明第三产业增加值､昆明人口､昆明全社会消费品零售总额8个数据指标作为预测模型的输入变量｡

2.模型预测

2.1BP神经网络预测

运用表1中的相关数据指标来构建预测模型,采用Matlab软件编程构建BP神经网络模型｡将上述8个变量2007-2021年的历史数据作为神经元的输入变量,将2007-2021年的货运量作为神经元的输出变量进行网络训练｡训练完成后,运用二次指数平滑法来确定预测模型的输入向量,分别预测出8个数据指标2022-2026年的数值,作为预测模型的输入变量,由此预测出2022-2026年输出变量值｡

论文采用三层神经网络结构,根据Kolmogorov定理确定隐含层的神经元个数,计算公式为,n为输入的神经元个数,m为输出的神经元个数,的取值为1-10,根据训练分析,当隐含层神经元个数为7时,预测效果最好｡由此构建BP神经网络结构如图1所示｡

图1  BP神经结构

将模型迭代次数设为500,误差阈值设为0.0001,学习率设为0.1进行网络训练｡神经网络在第5次训练时达到收敛,此时误差为,误差曲线如图2所示｡

图2 BP神经网络误差训练曲线

由此可得出BP神经网络的预测输出结果,如表3所示｡

表3 BP神经网络输出向量预测值

2.2 GM(1,1)灰色模型预测

2.2.1GM(1,1)模型预测原理

GM(1,1)灰色预测模型是通过对原始数列进行处理后，并进行预测的方法，主要针对数据量小且变化规律不明显的问题。GM(1,1)原理是先对原始序列进行累加形成新序列，建立一阶线性微分方程，最后对求解结果进行累减还原为预测值。

（1）原始序列： ；

（2）对原始序列进行累加形成新序列：；

（3）生成均值序列：；

（4）GM(1,1)模型均值形式：，为发展系数，为灰色作用量；

（5）运用最小二乘法求出、的值，并得到GM(1,1)模型的时间响应序列：；

（6）将时间序列进行累减获得原始序列。

利用Matlab进行编程，输入原始货运量数据，计算得出GM(1,1)模型、的值，，，由此得出灰色预测模型为

。

2.2.2误差检验

为了判断模型的可靠性，需对模型进行检验，比较常用的检验方法有计算后验比和小误差概率，判断C值和P值是否落于可靠范围，以上指标决定了是否能应用该模型对货运量进行预测，各指标计算公式如下。

残差为：

相对误差为：

平均相对误差：

若用表示原始数列的方差，用表示残差数列的方差，则：

后验差比为：

小误差概率为：

由指标计算公式可求得模型均方误差为0.024，相对残差为0.091，后验比为0.25，小误差概率为1，由此可判断该模型的预测结果可信。预测结果见下表。

3.BP-GM(1,1)组合预测

为了提高预测结果的精度，本文将两种预测模型结合起来，赋予不同权重，进行组合预测。根据上述理论计算，对BP神经网络、GM(1,1)灰色模型分别取权重0.5、0.5，0.6、0.4，0.7，0.3，求得昆明市2022-2026年的货运量如下表所示。

由上述预测过程可以看出，二次指数平滑法可以有效提高BP神经网络预测模型输入向量的质量，提高模型预测精度，使得预测结果更具科学性。同时，组合预测的精度比各单项预测精度更高，给预测模型赋予不同权重进行预测，也提高了组合预测的精度。

昆明市物流需求预测研究对昆明市交通运输发展具有十分重要的意义，但由于可用于研究的数据量少，受统计制度等的影响数据难以全面准确获取，对指标预测有一定影响。对于物流需求预测的研究还需进一步改进研究方法进行探索。

4.结论和建议

近年来，我国经济发展大幅提升，居民收入和生活水平都有了极大改善，消费水平快速上升，货运量逐年递增。为了更好掌握未来几年昆明市交通运输行业发展状况，为政府部门制定行业发展规划策略提供参考，需对未来几年昆明市货运量发展水平进行预测。本文建立了BP-GM(1,1)组合预测模型，对未来5年昆明市货运量进行预测。仿真结果表明，BP-GM(1,1)组合预测模型适用于我国居民消费水平预测研究，能进一步提高模型的预测准确性，为货运量需求预测研究提供了理论依据。

[1]胡小建,张美艳,卢林.物流需求预测模型构建[J].统计与决策,2017(19）:185-188.

[2]朱梦琳.基于GM(1,1)模型的成都市农产品冷链物流需求预测[J].物流工程与管理,2022,44(11):69-78.

[3]张卜云,梁智.基于灰色理论的广西水果冷链物流需求预测研究[J].物流工程与管理,2024,46(5):99-103.

[4]吴乐,陈刚.基于岭回归和GM(1,1)组合的上海市物流需求预测模型[J].物流科技,2023(15):6-9.

[5]杨麟,张志清.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[J].物流科技,2022,45(15):27-32.

[6]李晗,吴珍珍,张雪雪.基于BP神经网络与GM(1,1)组合的北京市物流需求预测模型[J].物流技术, 2021,40(1):50-55.

[7]陈雄寅.基于BP神经网络的港口物流需求预测研究[J].物流工程与管理, 2022, 44(12):11-14.

[8]王艳丽.基于 GM(1,1)模型的甘肃省冷链物流需求预测研究.物流工程与管理,2024，46(357):1-3.