基于證據(jù)理論和動態(tài)組合型神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預測

[摘要] 區(qū)域物流量不僅和區(qū)域經(jīng)濟有關(guān)，也和歷史物流量有關(guān)，故同時利用影響物流需求的區(qū)域經(jīng)濟因素和歷史物流量進行預測可行。為此提出動態(tài)組合型神經(jīng)網(wǎng)絡(luò)融合預測模型，并用廣東省的物流統(tǒng)計數(shù)據(jù)進行檢驗，證明了預測結(jié)果的可信度。

[關(guān)鍵詞] 證據(jù)理論 BP神經(jīng)網(wǎng)絡(luò) 區(qū)域物流 預測 融合

一、引言

國內(nèi)外對區(qū)域物流需求的預測模型分為：時間序列方法，用歷史數(shù)據(jù)預測；解釋性預測方法，找出各影響因素進行預測。然而， 區(qū)域物流需求變化具有很強的非線性特征， 同時具有很強的時間相關(guān)性。故本文先用區(qū)域物流需求的各影響因素進行預測，后用物流需求歷史數(shù)據(jù)進行預測，再將得到的預測值，利用證據(jù)理論融合，獲得更可靠的區(qū)域物流需求預測值。

二、動態(tài)組合型神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

BP網(wǎng)絡(luò)非常適合處理區(qū)域物流需求預測這類多因素、多條件、不精確的信息問題。理論已證明輸入層、隱藏層和輸出層三層神經(jīng)網(wǎng)絡(luò)就可實現(xiàn)任意N維到M維映射，故本文采用三層BP神經(jīng)網(wǎng)絡(luò)。

1.解釋型區(qū)域物流需求預測模型

影響區(qū)域物流需求的經(jīng)濟因素宏觀上考慮主要有三個：區(qū)域經(jīng)濟規(guī)模是區(qū)域物流需求的決定性因素；產(chǎn)業(yè)結(jié)構(gòu)差異對物流需求功能、物流需求層次以及物流需求量等產(chǎn)生較大影響；區(qū)域經(jīng)濟空間布局、區(qū)域經(jīng)濟發(fā)展是客觀上造成物流需求的最直接原因。物流需求又是經(jīng)濟發(fā)展的派生需求，凡影響經(jīng)濟發(fā)展的因素也潛在地影響區(qū)域物流需求。這種錯綜復雜的內(nèi)在關(guān)聯(lián)決定了經(jīng)濟因素與物流需求間的多元非線性映射關(guān)系。選取影響區(qū)域物流需求的各項經(jīng)濟指標如下:（1）區(qū)域經(jīng)濟總量指標：地區(qū)國民生產(chǎn)總值(GDP)x1(億元)；（2）區(qū)域產(chǎn)業(yè)結(jié)構(gòu)指標：工業(yè)總產(chǎn)值x2(億元)、農(nóng)業(yè)總產(chǎn)值x3(億元)、第三產(chǎn)業(yè)總產(chǎn)值x4(億元)；（3）區(qū)域內(nèi)外貿(mào)易指標：區(qū)域零售總額x5(億元)、區(qū)域外貿(mào)總額x6(億美元)；（4）區(qū)域消費水平：人均消費水平x7(元)。

設(shè)Yi表示第i年的物流需求量，表示第i年該區(qū)域物流需求經(jīng)濟影響因素向量，xin表示第i年第n個經(jīng)濟影響因素的變量值。因區(qū)域物流需求的經(jīng)濟影響因素短期內(nèi)不會急劇大幅變動，可用第i-1年的經(jīng)濟影響因素變量值預測第年的物流需求量。將()作為輸入變量，Yi作為相應的輸出變量，形成n個樣本對()。用此n個樣本對神經(jīng)網(wǎng)絡(luò)訓練，使其掌握其內(nèi)在影響及變化關(guān)系。后將t-1年的影響區(qū)域物流需求的經(jīng)濟因素值輸入已訓練好的網(wǎng)絡(luò)來預測t年需求值。

2.時間序列區(qū)域物流需求預測模型

區(qū)域物流需求為時間序列變量，通過擬合前一時間段的區(qū)域物流需求值，找出其隨時間變化的趨勢， 從而預測下一時間段的需求值。時間序列預測模型為：

為i年份區(qū)域物流需求值，qt為t年份區(qū)域物流需求值。將前t-1，… t-k(k為神經(jīng)網(wǎng)絡(luò)輸入單元數(shù))年份區(qū)域物流需求值作為輸入，目標值為第t年的物流需求值qt。輸入層單元數(shù)取決于時間序列組數(shù)。根據(jù)經(jīng)濟現(xiàn)象呈周期性變化的時間周期來確定組數(shù)劃分，形成n個樣本對：，(t=1，2，3，...，n)作為神經(jīng)網(wǎng)絡(luò)的訓練樣本。訓練好后，將()作為神經(jīng)網(wǎng)絡(luò)的輸入，輸出值qm就是第m年份的需求預測值。引入時間滑動窗口：若時間周期為m年，則時間滑動窗口尺寸k為m-k。根據(jù)前k年的物流需求值來預測下一年的值，然后把此下一年預測值和其前k-2年的需求值作為時間窗口滑動，預測下一年的值，然后再進行時間窗口滑動，以此類推，見圖1。

圖1 時間滑動窗口預測模型

三、區(qū)域物流需求預測值融合

證據(jù)融合利用同時來自相互獨立的不同信息源的證據(jù)來提高對事件的置信程度， 降低不確定度， 改善評價結(jié)果的可區(qū)分度， 且識別能力強，推理簡單。證據(jù)理論融合法則：設(shè)有兩個推理系統(tǒng)，其概率賦值和信任函數(shù)分別為m1，m2和Bel1，Bel2，對于子集A，將這兩個系統(tǒng)的概率賦值合成的D-S規(guī)則為：

Bel=m1(A1)m2(A2)

m所對應的Bel稱為Bel1，Bel2的合成或直和，記為Bel=Bel1Bel2。

本文采用證據(jù)理論對從兩種預測方法所獲取的預測值進行融合，見圖2。

圖2 區(qū)域物流需求預測模型

四、預測模型應用及評價

選取1985年～2006年的廣東的物流需求統(tǒng)計數(shù)據(jù)（來源于廣東統(tǒng)計年鑒2006）為研究對象，?。?）訓練樣本：1985年～2002年數(shù)據(jù)（2）檢驗樣本：2003年～2006年的數(shù)據(jù)。用Matlab7.0編制網(wǎng)絡(luò)訓練和分析程序，并對神經(jīng)網(wǎng)絡(luò)有關(guān)參數(shù)進行優(yōu)化。

1.解釋型區(qū)域物流需求預測

在解釋性區(qū)域物流需求預測中，取7個經(jīng)濟因素指標作為輸入，隱含層單元數(shù)根據(jù)經(jīng)驗選擇16個，其結(jié)構(gòu)見圖3。

圖3 解釋型區(qū)域物流預測BP網(wǎng)絡(luò)結(jié)構(gòu)圖

將1985年～2002年數(shù)據(jù)作為樣本訓練，誤差曲線見圖4。2002年～2006年數(shù)據(jù)作為訓練后神經(jīng)網(wǎng)絡(luò)的輸入，輸出預測值見表1。

圖4 解釋型BP神經(jīng)網(wǎng)絡(luò)訓練誤差曲線

表1 解釋型比較

由圖4知，神經(jīng)網(wǎng)絡(luò)很快收斂。表1顯示相對誤差都<5%，能得到較為滿意的預測精度。

2.時間序列區(qū)域物流需求預測

選取時間滑動窗口尺寸為5，故輸入單元數(shù)為5。隱含層單元數(shù)取16個。網(wǎng)絡(luò)結(jié)構(gòu)與圖3類似。

用1985年～2002年的區(qū)域物流量作為訓練樣本，用樣本后續(xù)年的物流量作為目標量，用時間滑動窗口方法訓練網(wǎng)絡(luò)。誤差曲線見圖5。

圖5 神經(jīng)序列型BP神經(jīng)網(wǎng)絡(luò)訓練誤差曲線

表2 時間序列型比較

3.物流需求預測值進行融合

對前2種方法得到的預測值融合，結(jié)果見表3。

表3 預測值融合結(jié)果

可看出融合后預測精度比前兩者有所提高。

五、結(jié)束語

本文先根據(jù)影響區(qū)域物流需求的關(guān)鍵經(jīng)濟因素進行預測，再根據(jù)物流歷史需求量進行預測，最后將二者的預測值用證據(jù)融合理論進行統(tǒng)一，提高了單個預測方法的精度，是一種有效的區(qū)域物流需求預測方法。同所有的BP神經(jīng)網(wǎng)絡(luò)預測模型一樣，該方法也有其局限性。

參考文獻:

[1]林榮天陳聯(lián)誠李紹靜黃灝然:基于灰色神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預測[J].價值工程，2007（2），92～95

[2]后銳，張畢西.基于MLP 神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預測方法及其應用[J].系統(tǒng)工程理論與實踐，2005(12)，43～47

[3]劉全:動態(tài)組合型神經(jīng)網(wǎng)絡(luò)的預測模型[J].統(tǒng)計與決策，2007(4)，23～24