顏永勤

摘 要：人工神經(jīng)網(wǎng)絡(luò)技術(shù)在物流業(yè)已經(jīng)得到了較為廣泛的應(yīng)用，但對于貨運量、貨運周轉(zhuǎn)量預(yù)測應(yīng)用較少。通過研究神經(jīng)網(wǎng)絡(luò)輸入輸出結(jié)構(gòu)，確定物流效率影響指標(biāo)，建立貨運量及貨運周轉(zhuǎn)量預(yù)測模型。結(jié)合某市物流投入與產(chǎn)出的數(shù)據(jù)，新方法的預(yù)測精度超過99%，說明新方法對城市物流效率評價、物流體系建設(shè)及資源的整合有較強的推動作用。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);指標(biāo);貨運量;預(yù)測

中圖分類號：F252? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號：1673-291X（2019）25-0041-03

近年來，我國物流業(yè)發(fā)展迅速，社會經(jīng)濟(jì)的發(fā)展也需要物流的支撐，因此物流基建設(shè)施有了一定的提高。但目前物流業(yè)也存在一定的問題，包括我國物流領(lǐng)域缺乏配套法規(guī)、現(xiàn)代物流新系統(tǒng)尚未廣泛應(yīng)用、對物流行業(yè)的認(rèn)識水平及政策透明度不夠、物流專業(yè)人才匱乏等[1]。目前中國的物流產(chǎn)業(yè)已然處于起步發(fā)展階段，企業(yè)物流是全社會物流的重點，在發(fā)展過程中，人們已認(rèn)識到物流領(lǐng)域作為“第三利潤源”的重要性，物流成本的居高不下制約著企業(yè)乃至社會經(jīng)濟(jì)的發(fā)展，企業(yè)想要提高利潤控制成本的重心也集中在了對物流成本的控制。近年來，我國的物流基礎(chǔ)設(shè)施已初具規(guī)模，世界十大港口，中國占了7個，且洋山港的年吞吐量穩(wěn)居世界第一，鐵路、高速公路的發(fā)展也十分迅速，這為現(xiàn)代物流的發(fā)展提供了保障。為與國際接軌，我國物流信息化水平也在不斷提高，我國已經(jīng)形成以光纜為主，以數(shù)字微波和衛(wèi)星為輔的交叉?zhèn)鬏斁W(wǎng)絡(luò)，RFID、北斗定位技術(shù)逐步運用于市場，在一定程度上提高了物流效率[2]。同時，配送中心分揀系統(tǒng)、運輸系統(tǒng)及倉儲系統(tǒng)也實現(xiàn)了信息化，在整個物流運輸過程實現(xiàn)實時跟蹤，倉庫物資的出入庫以及貨物定位均能通過信息系統(tǒng)來完成。雖然我國的物流基礎(chǔ)設(shè)施設(shè)備在近年來發(fā)展較為迅速，但在發(fā)展過程中已然存在一定的問題，如理論與實際不匹配、物流人才的緊缺等等，這就需要對物流過程中的各個環(huán)節(jié)進(jìn)行進(jìn)一步研究，不斷完善和創(chuàng)新。

一、物流業(yè)貨運量與貨運周轉(zhuǎn)量

目前物流業(yè)的貨運量與貨運周轉(zhuǎn)量的文獻(xiàn)較多，大多是關(guān)于鐵路貨運量及周轉(zhuǎn)量、水路貨運量及周轉(zhuǎn)量、公路貨運量及周轉(zhuǎn)量的相關(guān)研究，主要包括對貨運量及貨運周轉(zhuǎn)量的預(yù)測方法、貨運量及貨運周轉(zhuǎn)量對國民經(jīng)濟(jì)的作用，以及影響貨運量與貨運周轉(zhuǎn)量的因素分析。張澎等基于彈性系數(shù)法對某縣的貨運周轉(zhuǎn)量進(jìn)行了預(yù)測，為物流及運輸業(yè)的系統(tǒng)規(guī)劃提供了一定的支持[3]。顏保凡等人針對鐵路貨運量的13項內(nèi)部影響因素，采用BP神經(jīng)網(wǎng)絡(luò)模型，定量得出了對鐵路貨運量影響最大的幾項指標(biāo)[4]。原云霄等人采用回歸模型分析了貨運量對區(qū)域GDP的影響，認(rèn)為在不同地區(qū)貨運量帶動經(jīng)濟(jì)增長的作用也有所差異[5]。李素英[6]、周禹初等通過建立誤差修正模型，研究表明鐵路貨運周轉(zhuǎn)量對國民經(jīng)濟(jì)推動作用最大，水路貨運周轉(zhuǎn)量次之，公路貨運周轉(zhuǎn)量影響最小，貨運周轉(zhuǎn)量與GDP之間具有相互促進(jìn)的作用[7]。趙朝文等運用ARIMA模型與Winter模型對水運貨運量進(jìn)行了預(yù)測，并對比了幾種預(yù)測方法的擬合效果，認(rèn)為選擇模型進(jìn)行預(yù)測為最優(yōu)方法[8]。裴艷華分別運用一次指數(shù)平滑法和二次指數(shù)平滑法對重慶的貨運周轉(zhuǎn)量進(jìn)行了預(yù)測，研究證明二次指數(shù)平滑法更適合做具有明顯增長趨勢的貨運周轉(zhuǎn)量預(yù)測[9]。

從現(xiàn)有的文獻(xiàn)來看，對貨運量及貨運周轉(zhuǎn)量的預(yù)測確實是需要建立模型來進(jìn)行，本文則是基于Matlab建立神經(jīng)網(wǎng)絡(luò)模型來對西安市的貨運量與貨運周轉(zhuǎn)量進(jìn)行預(yù)測，并與原始數(shù)據(jù)進(jìn)行對比，其研究結(jié)果可為物流業(yè)貨運量與貨運周轉(zhuǎn)量的預(yù)測提供參考依據(jù)。

二、基于Matlab實現(xiàn)的神經(jīng)網(wǎng)絡(luò)模型

用工具箱來求解方法簡單，但是算法收斂比較慢，需要選取比較合適的參數(shù)，還需要想過多次實驗，比如，增加節(jié)點數(shù)，減少節(jié)點數(shù)，修改學(xué)習(xí)速率等參數(shù)，還有均方誤差等參數(shù)。經(jīng)過反復(fù)實驗，為了保證95%以上的貨運量及貨運周轉(zhuǎn)量預(yù)測精度，確定以下預(yù)測模型。利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測貨運量時，首先需要明確物流業(yè)的投入指標(biāo)與產(chǎn)出指標(biāo)對應(yīng)的輸入輸出關(guān)系。當(dāng)前，物流業(yè)投入指標(biāo)對應(yīng)輸入?yún)?shù)為交通運輸、倉儲和郵政業(yè)從業(yè)人員（萬人）;交通運輸、倉儲和郵政業(yè)投資總額（億元）;換算后線路運輸長度（萬千米）;物流產(chǎn)業(yè)GDP（億元）。產(chǎn)出指標(biāo)對應(yīng)的輸出參數(shù)為貨運量（萬噸）或貨運周轉(zhuǎn)量（億噸×千米）。結(jié)合神經(jīng)網(wǎng)絡(luò)模型建立輸出參數(shù)指標(biāo)進(jìn)行訓(xùn)練，設(shè)定為x1、x2、x3。輸出參數(shù)指標(biāo)設(shè)定為y1、y2。通過引入統(tǒng)計模型進(jìn)行歸一化處理，建立輸入輸出關(guān)系矩陣。設(shè)定訓(xùn)練參數(shù)，不斷實驗，確定基于歷史數(shù)據(jù)的權(quán)值。最后以該權(quán)值及前期設(shè)定的參數(shù)進(jìn)行動態(tài)模擬預(yù)測，將預(yù)測值結(jié)合初始模型進(jìn)行還原，得出貨運量或貨運周轉(zhuǎn)量的預(yù)測值。

第一，設(shè)置程序。依次打開“Matlab-Start-Neural Retworks-Nntool”。第二，數(shù)據(jù)的輸入。將原始數(shù)據(jù)以矩陣（或向量）的形式進(jìn)行排列，明確輸入數(shù)據(jù)矩陣與目標(biāo)數(shù)據(jù)矩陣。第三，數(shù)據(jù)的預(yù)處理。利用歸一化處理技術(shù)，將原始數(shù)據(jù)處理成[0，1]之間的數(shù)字，并以矩陣的形式進(jìn)行排列輸入。第四，網(wǎng)絡(luò)訓(xùn)練。設(shè)置訓(xùn)練次數(shù)、學(xué)習(xí)速率、最大訓(xùn)練次數(shù)、均方誤差。第五，數(shù)據(jù)仿真。用訓(xùn)練好的Sim模型進(jìn)行仿真，用仿真得到的數(shù)據(jù)還原為原始的數(shù)量級。第六，仿真數(shù)據(jù)和原始數(shù)據(jù)進(jìn)行對比。對有限數(shù)據(jù)開始網(wǎng)絡(luò)測試，運用工具箱繪制貨運量（貨運周轉(zhuǎn)量）學(xué)習(xí)和測試對比圖，開展仿真數(shù)據(jù)和原始數(shù)據(jù)進(jìn)行對比分析。第七，對新數(shù)據(jù)進(jìn)行預(yù)測。當(dāng)在一定實驗條件下，預(yù)測精度達(dá)到要求時，用訓(xùn)練好的網(wǎng)絡(luò)對新數(shù)據(jù)進(jìn)行預(yù)測。

三、貨運量（貨運周轉(zhuǎn)量）預(yù)測

通過查詢《西安市統(tǒng)計年鑒》和《中國統(tǒng)計年鑒》可以獲知從業(yè)人員數(shù)、投資額、物流業(yè) GDP、貨運量和貨運周轉(zhuǎn)量及運輸效率參數(shù)。經(jīng)過數(shù)據(jù)收集與整理，王琴梅等獲得西安市物流投入產(chǎn)出數(shù)據(jù)表[10]（見下表）。

1.建立神經(jīng)網(wǎng)絡(luò)模型。以從業(yè)人員數(shù)、投資額、運輸長度、物流業(yè) GDP作為輸入指標(biāo)，以貨運量作為輸出指標(biāo)，引入歸一化處理函數(shù)，將輸入指標(biāo)的值處理為數(shù)據(jù)矩陣，矩陣元的值均落在區(qū)間[0，1]之間。建立神經(jīng)網(wǎng)絡(luò)模型（如圖1所示）。

2.設(shè)置訓(xùn)練參數(shù)（如圖2和圖3所示）。歸一化處理后貨運量預(yù)測值為：0.51621 0.55348 0.65129 0.74367 0.83886 0.90901 0.95538 0.99735

歸一化處理后貨運量實際值為：0.5161 0.5536 0.6513 0.7437 0.8388 0.9093 0.9547 1

擬合誤差：-1.2768e-013 2.6246e-013 -2.8044e-013 -4.6629e-013 -3.7859e-013 2.7134e-013 9.8699e-013

因而，可以利用該網(wǎng)絡(luò)模型實現(xiàn)高精度貨運量單變量預(yù)測。利用sim函數(shù)輸入歸一化處理后的值，預(yù)測第8個點的值為34 220萬噸，預(yù)測精度99.6%。因而，通過建立BP神經(jīng)網(wǎng)絡(luò)物流效率預(yù)測模型，能實現(xiàn)高精度貨運量及貨運周轉(zhuǎn)量預(yù)測，這為物流資源有效整合提供了強有力的理論基礎(chǔ)與技術(shù)支持。

四、結(jié)語

首先，物流產(chǎn)業(yè)投入與產(chǎn)出指標(biāo)能在BP神經(jīng)網(wǎng)絡(luò)模型建立對應(yīng)的輸入輸出關(guān)系;其次，神經(jīng)網(wǎng)絡(luò)模型能實現(xiàn)99%高精度貨運量及貨運周轉(zhuǎn)量的預(yù)測;最后，高精度貨運量網(wǎng)絡(luò)預(yù)測為城市流體系建設(shè)及物流資源整合提供決策參考。

參考文獻(xiàn)：

[1]? 鄒嘉裕.現(xiàn)代物流業(yè)發(fā)展對我國經(jīng)濟(jì)的影響分析[J].中國集體經(jīng)濟(jì)，2018，（32）：37-39.

[2]? 林佳慧，余朋林.淺談現(xiàn)代物流經(jīng)濟(jì)的發(fā)展[J].現(xiàn)代商業(yè)，2018，（26）：9-10.

[3]? 張澍，于霞，蔣鎮(zhèn)英.基于彈性系數(shù)法預(yù)測某縣貨運周轉(zhuǎn)量[J].科技風(fēng)，2013，（22）：73-75.

[4]? 顏保凡，郭垂江，李夏苗.鐵路貨運量的內(nèi)部影響因素及其敏感度分析[J].鐵道科學(xué)與工程學(xué)報，2018，（5）.

[5]? 原云霄，王寶海.貨運量對區(qū)域經(jīng)濟(jì)發(fā)展影響的實證分析——基于全國31省市面板數(shù)據(jù)[J].中國市場，2018，（7）：14-17.

[6]? 李素英，楊娛，吳永立.鐵路投資？周轉(zhuǎn)量與經(jīng)濟(jì)發(fā)展相互作用分析[J].鐵道工程學(xué)報，2018，（7）：103-108.

[7]? 周禹初，溫旭紅，張仕俊.不同運輸方式貨運周轉(zhuǎn)量與GDP的協(xié)整關(guān)系分析[J].鐵道貨運，2017，（10）：15-19+24.

[8]? 趙朝文，羅瓂，邱晨.基于ARIMA模型與Winter模型的水運貨運量預(yù)測比較[J].軟件，2019，（1）：172-178.

[9]? 裴艷華.基于指數(shù)平滑法對重慶貨運周轉(zhuǎn)量的預(yù)測[J].商，2015，（30）：246.

[10]? 王琴梅，譚翠娥.對西安市物流效率及其影響因素的實證研究——基于DEA模型和Tobit回歸模型的分析[J].軟科學(xué)，2013，（5）：70-74.