基于MLP神經(jīng)網(wǎng)絡(luò)的物流需求預(yù)測(cè)模型研究?

羅冰潔

1 引言

隨著經(jīng)濟(jì)的高速發(fā)展，人們的生活水平也得到了很高的要求，物流業(yè)也得到了很好的發(fā)展［1～2］，物流業(yè)戰(zhàn)略已經(jīng)從內(nèi)部一體向外部多元化進(jìn)行轉(zhuǎn)變，產(chǎn)業(yè)的供應(yīng)鏈也不斷擴(kuò)大。信息化時(shí)代的到來(lái)使得物流業(yè)空前發(fā)展，人們得到商品的渠道有很多，大大促進(jìn)整個(gè)物流行業(yè)規(guī)模的發(fā)展［3］。所以物流企業(yè)希望通過(guò)對(duì)這些大數(shù)據(jù)進(jìn)行收集、采樣以及處理可以獲得自己想要的信息，對(duì)產(chǎn)業(yè)的發(fā)展提供更好的決策，也同時(shí)幫助決策者做出更加合理的方案［4～5］。因此從海量的數(shù)據(jù)中找到有意義的隱藏信息并且快速、有效地作出決策，達(dá)到對(duì)物流過(guò)程的安排，對(duì)于提高物流效率、降低物流成本都大有益處。而數(shù)據(jù)挖掘方法就是有效地對(duì)數(shù)據(jù)的處理方法［6～7］。區(qū)域物流需求的提出可以解決資源的分配，在降低成本上很有成效，也有利于提高企業(yè)的競(jìng)爭(zhēng)力、促進(jìn)市場(chǎng)優(yōu)化以及加速資金周轉(zhuǎn)。正確分析與預(yù)測(cè)物流需求的改變，對(duì)于決策的制訂和投資有著重要的意義。

本文中采用數(shù)據(jù)挖掘技術(shù)對(duì)數(shù)據(jù)進(jìn)行分析處理，利用影響物流需求的因素對(duì)預(yù)測(cè)進(jìn)行模型建構(gòu)［8］，模型的解決是通過(guò)MLP神經(jīng)網(wǎng)絡(luò)訓(xùn)練進(jìn)行處理［9～10］，通過(guò)原始數(shù)據(jù)預(yù)測(cè)出未來(lái)某個(gè)時(shí)間段的物流量，所以模型也是時(shí)間序列問(wèn)題。通過(guò)模型模擬得出本文的預(yù)測(cè)模型在誤差上較小，可以有效地預(yù)測(cè)物流需求。

2 物流預(yù)測(cè)分析

2.1 區(qū)域物流需求的經(jīng)濟(jì)影響因素分析

影響區(qū)域物流的需求因素來(lái)自各個(gè)方面［11］，主要包括三個(gè)因素：區(qū)域經(jīng)濟(jì)規(guī)模、區(qū)域經(jīng)濟(jì)結(jié)構(gòu)以及區(qū)域經(jīng)濟(jì)空間架構(gòu)。其中第一個(gè)影響因素是核心的部分，它決定了區(qū)域物流需求水平的決定性條件，若區(qū)域經(jīng)濟(jì)水平好，則商品的原料，未成品等要求會(huì)變高；若區(qū)域經(jīng)濟(jì)發(fā)展迅速、產(chǎn)業(yè)結(jié)構(gòu)越豐富，人均收入提高，則區(qū)域物流需求也相對(duì)變高。若區(qū)域經(jīng)濟(jì)發(fā)展不穩(wěn)定或倒退則物流需求會(huì)減少，所以物流需求與區(qū)域經(jīng)濟(jì)的發(fā)展之間有正相關(guān)性。第二，區(qū)域經(jīng)濟(jì)結(jié)構(gòu)對(duì)物流需求構(gòu)成關(guān)系。經(jīng)濟(jì)結(jié)構(gòu)的不同對(duì)物流需求的分部以及物流需求的層次都有很大影響。農(nóng)業(yè)對(duì)物流的需求看做為粗放型需求，關(guān)系為物流需求雖大但附加值相對(duì)較低；工業(yè)物流需求是精細(xì)化需求、附加值高。而服務(wù)業(yè)，流通業(yè)可以促進(jìn)現(xiàn)物流業(yè)的成長(zhǎng)。第三，經(jīng)濟(jì)空間架構(gòu)不合理，或者經(jīng)濟(jì)發(fā)展不平衡也是導(dǎo)致物流需求變化的因素。對(duì)于我國(guó)而言，幅員遼闊，資源分布不均，經(jīng)濟(jì)發(fā)展不平衡，各個(gè)地方的生活差異，風(fēng)俗習(xí)慣差異都很大，地理位置的不同，自然資源的構(gòu)架分布不同，因此每個(gè)地方的農(nóng)業(yè)，工業(yè)發(fā)展不同，交通等多個(gè)因素都會(huì)導(dǎo)致每個(gè)區(qū)域物流需求有很大的不同。圖1中顯示的是一般的物流系統(tǒng)結(jié)構(gòu)。

圖1 物流系統(tǒng)結(jié)構(gòu)圖

因?yàn)榻?jīng)濟(jì)的發(fā)展是物流業(yè)的興起的關(guān)鍵，所以經(jīng)濟(jì)發(fā)展的因素是物流發(fā)展因素的映射關(guān)系，兩者之間有著內(nèi)在的聯(lián)系，經(jīng)濟(jì)的發(fā)展會(huì)帶動(dòng)物流業(yè)的發(fā)展，經(jīng)濟(jì)的衰退會(huì)導(dǎo)致物流業(yè)的萎縮，雖然兩者之間不是簡(jiǎn)單的線性關(guān)系，因此模型的建立也相對(duì)困難，不過(guò)我們可以用式（1）來(lái)表示影響因素對(duì)物流需求的影響，也可以對(duì)物流業(yè)進(jìn)行預(yù)測(cè)：由于物流需求是經(jīng)濟(jì)發(fā)展帶來(lái)的派生需求，因此凡是影響經(jīng)濟(jì)發(fā)展的因素也潛在地影響著區(qū)域物流需求的增長(zhǎng)或減少。經(jīng)濟(jì)與物流需求之間存在著一種內(nèi)在、隱含的映射關(guān)系，而這種關(guān)系卻并非一定是簡(jiǎn)單的線性關(guān)系，因此很難用簡(jiǎn)單明確的模型來(lái)描述。但卻可以用數(shù)學(xué)表達(dá)式（1）來(lái)抽象地概括二者之間的內(nèi)在決定和驅(qū)動(dòng)關(guān)系［12］：

其中 y代表區(qū)域物流的需求，x1,x2,…,xn代表影響需求的n因素。從公式中我們知道影響物流需求的因素很多，每一個(gè)因素的影響程度也不盡相同，所以在每個(gè)影響因素前面都有一個(gè)權(quán)重值來(lái)調(diào)節(jié)，最后進(jìn)行物流需求模型的預(yù)測(cè)。從圖1代表的影響因素結(jié)構(gòu)圖，反映了因素與物流需求的關(guān)系，圖中看出，物流需求的發(fā)展會(huì)反過(guò)來(lái)限制影響物流發(fā)展因素的光系。所以不只是簡(jiǎn)單的線性關(guān)系。

圖2 區(qū)域物流需求影響因素結(jié)構(gòu)

2.2 數(shù)據(jù)預(yù)處理

在做區(qū)域物流預(yù)測(cè)時(shí)，我們需要對(duì)物流量數(shù)據(jù)進(jìn)行采樣和數(shù)據(jù)庫(kù)構(gòu)成。再利用數(shù)據(jù)挖掘技術(shù)對(duì)數(shù)據(jù)進(jìn)行分析和處理。在對(duì)采樣數(shù)據(jù)處理即數(shù)據(jù)的預(yù)處理，我們需要對(duì)物流量數(shù)據(jù)選擇以及構(gòu)成樣本數(shù)據(jù)庫(kù)。預(yù)測(cè)時(shí)沃恩輸入的數(shù)據(jù)要特征化，規(guī)則化，去除重復(fù)以及假的數(shù)據(jù)等預(yù)處理工作。還需要對(duì)數(shù)據(jù)進(jìn)行始數(shù)據(jù)自相關(guān)的因素，才能解除數(shù)據(jù)中的線性部分。若對(duì)原始數(shù)據(jù)構(gòu)成的數(shù)據(jù)庫(kù)以Pi表示，那么一階差分得到的物流變量如下：

其中St代表t時(shí)刻的區(qū)域物流量波動(dòng)。而Pt代表的是t時(shí)刻的物流量。若 P1表示為因變量。{Pt-1} ,{Pt-2} ,….,{Pt-j} 閑坐自變量，Pt是作為{Pt-1} , {Pt-2} ,…,{Pt-j} 進(jìn)行時(shí)間序列分析，獲得 Pt的殘差序列：Xt=Pt-(a0+a1×P{t-1}+…+aj×P{t-j})。

3 MLP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

3.1 模型建立

我們的物流預(yù)測(cè)模型主要分為三個(gè)結(jié)構(gòu)，它們?cè)谶壿嬌嫌质侨龑?，第一層是信息源層，中間是中間件層，最后為應(yīng)用層。第一層包含的是需要處理的信息即物流量采樣信息。第二層又叫做神經(jīng)網(wǎng)元層。每層之間需要相互聯(lián)系，共同運(yùn)行，所以該系統(tǒng)模型具有一個(gè)集體計(jì)算和自我學(xué)習(xí)的能力。第三層是系統(tǒng)中最關(guān)鍵的環(huán)節(jié)。信息源層是用于數(shù)據(jù)預(yù)測(cè)值，最后的應(yīng)用層是控制層。

對(duì)于物流量的預(yù)測(cè)是需要以前的物流量變化以及與因素之間的關(guān)系的聯(lián)系和變化波動(dòng)去判斷未來(lái)的物流量的變化，可以用時(shí)間序列去表示之間的關(guān)系。我們的物流需求預(yù)測(cè)模型的依據(jù)主要包括以下兩種。首先是：市場(chǎng)決定物流需求量。它是反映物流量的關(guān)鍵指標(biāo)。其次：物流需求量的變動(dòng)具有一定的規(guī)律，所以規(guī)律可以被用來(lái)進(jìn)行預(yù)判。通過(guò)研究發(fā)現(xiàn)是一種非線性的變化規(guī)律，所以物流量的時(shí)間序列也是非線性的關(guān)系。在MLP神經(jīng)網(wǎng)絡(luò)中通過(guò)誤差反傳網(wǎng)絡(luò)系統(tǒng)能夠發(fā)現(xiàn)因素與需求量的映射關(guān)系。通過(guò)誤差修正來(lái)進(jìn)行網(wǎng)絡(luò)系統(tǒng)修改，因此可以得到更好的預(yù)測(cè)效果。

首先我們進(jìn)行的是數(shù)據(jù)準(zhǔn)備工作，數(shù)據(jù)主要是某個(gè)時(shí)間段中物流需求量的物流行業(yè)內(nèi)的數(shù)據(jù)量，記為

式中Z一般為標(biāo)量。標(biāo)量可以有利于我們的數(shù)據(jù)處理。我們的MLP網(wǎng)絡(luò)數(shù)據(jù)流，其中時(shí)間序列中我們的時(shí)間單位為計(jì)算量，在實(shí)際處理中采用增量進(jìn)行處理數(shù)據(jù)，數(shù)據(jù)主要包括以下幾個(gè)類型：

過(guò)去數(shù)據(jù)：X0,i=Zi；

需求絕對(duì)增量：X1,i=Zi+1-Zi；

需求對(duì)數(shù)增量：X2,i=lg(Zi+1)-lg(Zi)；

需求相對(duì)增量：X3,i=α1(Zi+1-Zi)/Zi。α1是縮放指標(biāo)；

需求相對(duì)對(duì)數(shù)增量：X2,i=α2（lg(Zi+1)-lg(Zi)）/lg(Zi)，α2也是縮放指標(biāo)；

需求量化數(shù)據(jù)：我們將 X1,i分成以下幾個(gè)類型。包括微增量、中增量、大增量。即將 X1,i的取值分為以下幾個(gè)分割，令0≤A1≤A2≤A3，則

其中的數(shù)據(jù)類型為：Xmj=(Xj,1,Xj,2,…,Xj,m) ,j=0,1, 2,3,4,5。我們可以通過(guò)過(guò)去數(shù)據(jù)的時(shí)間序列來(lái)預(yù)測(cè)出未來(lái)時(shí)間的物流量變化。圖3為預(yù)測(cè)模型的流程圖，MLP神經(jīng)網(wǎng)絡(luò)用到數(shù)據(jù)挖掘工具，最后作評(píng)估與分析。

圖3 物流預(yù)測(cè)模型流程圖

3.2 MLP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

預(yù)測(cè)模型用的是時(shí)間序列Xt進(jìn)行數(shù)據(jù)處理和預(yù)測(cè)。我們對(duì)t-(j+1)做數(shù)據(jù)的因子分解得到A×m=t-(j+1)?？梢詫?shù)據(jù)的時(shí)間序列X分為每組是m個(gè)數(shù)據(jù)觀察值中的A個(gè)子樣本。令m≠1,2中，我們從首個(gè)因子m開(kāi)始分析。使子樣本形成一個(gè)訓(xùn)練集。通過(guò)MLP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。進(jìn)行調(diào)整影響因素的權(quán)值Wij和閾值θi。使得輸入數(shù)據(jù)和輸出的預(yù)測(cè)數(shù)據(jù)形成映射。訓(xùn)練好的WLP神經(jīng)網(wǎng)絡(luò)利用合理的樣本集可以得到有效的輸出。我們考慮數(shù)據(jù)流的m的序列片段Pm=(Pt,Pt+1,…,Pt+m-1)。用WLP神經(jīng)網(wǎng)絡(luò)對(duì)物流預(yù)測(cè)量進(jìn)行預(yù)測(cè)。算法步驟主要包括以下四步：

1）合理的選取數(shù)據(jù)類型，j∈{1, 2,…,5}，用Pmj對(duì)Pj,m+1進(jìn)行預(yù)測(cè)；

2）采用預(yù)測(cè)模型用 P0,m為數(shù)據(jù)輸入來(lái)對(duì)P0,m+1得到預(yù)測(cè)，令Ym+1=(P0,m,P0,m+1)，式中的Ym+1為未知數(shù)；

3）運(yùn)行中取n表示W(wǎng)LP神經(jīng)網(wǎng)絡(luò)中節(jié)點(diǎn)的數(shù)目，將長(zhǎng)度為n的時(shí)間序列映射成一個(gè)維數(shù)是n的空間向量，通常取 n＜m/2，而令 m′=m-n為模型中學(xué)習(xí)樣本的個(gè)數(shù)(Ys,Ys+1,…, Ys+n+1) ,1≤s≤m′；

4）利用m′個(gè)樣本對(duì)預(yù)測(cè)模型進(jìn)行處理，擬合出Ys+n和(Ys,Ys+n-1)的波動(dòng)關(guān)系，調(diào)整因素的權(quán)值直到輸出合理的數(shù)據(jù)條件為止。

4 仿真模擬

仿真實(shí)驗(yàn)中以某市的實(shí)際物流需求量進(jìn)行模擬，采用2016年度3月份的第一、二、三周作為參考，去預(yù)測(cè)4月份前三周的物流需求，實(shí)際上第4月的物流需求量我們是已知的，通過(guò)WLP神經(jīng)網(wǎng)絡(luò)需求模型去預(yù)測(cè)與實(shí)際的進(jìn)行誤差對(duì)比，取值范圍從-5～5，W 代表誤差值，求得的公式依據(jù)以下形式可得：

其中umax和umin代表每次預(yù)測(cè)中誤差最大的和最小的在和均方差進(jìn)行處理地帶的誤差系數(shù)。圖4～6是代表采樣數(shù)據(jù)庫(kù)的量不同時(shí)，得到的誤差差異變化。圖4代表數(shù)據(jù)庫(kù)的量為1000時(shí)的誤差分析。圖5代表數(shù)據(jù)庫(kù)的量為10000時(shí)的誤差分析圖，圖6代表數(shù)據(jù)庫(kù)的量為50000時(shí)的誤差分析。通過(guò)圖表和系統(tǒng)預(yù)測(cè)我們發(fā)現(xiàn)，三個(gè)圖片的誤差分析顯示誤差都在可控范圍內(nèi)，且誤差不大，而且隨著我們數(shù)據(jù)庫(kù)量的增大，誤差的結(jié)果越來(lái)越好，得到的結(jié)果我們也更加滿意，所以我們的物流需求預(yù)測(cè)模型是有效的，具有可用的實(shí)際意義。

圖4 1000數(shù)據(jù)量誤差結(jié)果

圖5 10000數(shù)據(jù)量誤差結(jié)果

圖6 2000數(shù)據(jù)量誤差結(jié)果

5 結(jié)語(yǔ)

本文利用在經(jīng)濟(jì)發(fā)展以及物流需求中影響因素的研究，對(duì)每一個(gè)因素進(jìn)行賦值權(quán)重，使得因素有不同的影響差異，采用數(shù)據(jù)挖掘技術(shù)分析某市2016年的物流需求數(shù)據(jù)，并結(jié)合影響因素得到預(yù)測(cè)模型，并利用本文中提出的MLP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，得出預(yù)測(cè)數(shù)據(jù)，并與實(shí)際的當(dāng)月需求數(shù)據(jù)量進(jìn)行對(duì)比，對(duì)比發(fā)現(xiàn)本文預(yù)測(cè)模型具有很好的準(zhǔn)確性和有效性，具有很好的使用價(jià)值。

［1］徐劍，黃棟梁，肖豫.區(qū)域物流信息網(wǎng)絡(luò)體系的構(gòu)建與運(yùn)營(yíng)機(jī)制研究［J］.中國(guó)水運(yùn)：理論版，2007，5（11）：126-127.

XUJian，HUANGDongliang，XIAOYu.Study on the Construction and Operation Mechanism of Regional Logistics Information Network System［J］.China Water Transport：Theory，2007，5（11）：126-127.

［2］孟宇坤.區(qū)域公共道路貨運(yùn)信息平臺(tái)的功能架構(gòu)及運(yùn)行機(jī)制研究［J］.物流科技，2006，29（12）：35-37.

MENGYukun.Study on the Functional Framework and Operational Mechanism of Regional Public Road Freight Transport Information Platform［J］.Logistics Science and Technology，2006，29（12）：35-37.

［3］徐劍，李廷濤.區(qū)域物流配送信息系統(tǒng)的構(gòu)建［J］.E-Commerce Letters，2013，2（3）：19-24.

XU Jian，LI Tingtao.Construction of Regional Logistics Distribution Information System［J］.E-Commerce Letters，2013，2（3）：19-24.

［4］孫剛，王秀友，王浩.基于Web Service的區(qū)域物流信息平臺(tái)構(gòu)建［J］.物流科技，2012（12）：96-97.

SUN Gang，WANG Xiuyou，WANG Hao.Design of Regional Logistics Information Platform Based on Web Service［J］.Logistics Science and Technology，2012（12）：96-97.

［5］都軍偉，王永綱，李凱.MLP神經(jīng)網(wǎng)絡(luò)定點(diǎn)計(jì)算及誤差分析［J］.中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2009，39（6）：612-618.

DUJunwei，WANGYonggang，LIKai.Study on MLPNeural Network Fixed Point Calculation and Error Analysis［J］.Journal of University of Science and Technology of China，2009，39（6）：612-618.

［6］劉澍，王宏遠(yuǎn).基于混合遺傳算法優(yōu)化的MLP神經(jīng)網(wǎng)絡(luò)的調(diào)制方式識(shí)別［J］.武漢大學(xué)學(xué)報(bào)理學(xué)版，2008，54（1）：104-108.

LIU Shu，WANG Hongyuan.Modeling Recognition of MLP Neural Network Based on Hybrid Genetic Algorithm［J］.Journal of Wuhan University，2008，54（1）：104-108.

［7］于洪霞，李興.一種基于MLP神經(jīng)網(wǎng)絡(luò)的大額損失飛行事故預(yù)測(cè)模型［J］.上海電力學(xué)院學(xué)報(bào)，2016，32（5）：504-506.

YU Hongxia，LI Xing.A Large-scale Flight Accident Prediction Model Based on MLP Neural Network［J］.Journal of Shanghai Institute of Electric Power，2016，32（5）：504-506.

［8］邵必林，梁元欣.基于MLP與RBF神經(jīng)網(wǎng)絡(luò)的鉬金屬價(jià)格預(yù)測(cè)方法研究［J］.中國(guó)鉬業(yè)，2016，40（5）：54-60.

SHAOBilin，LIANGYuanxin.Study on Molybdenum Metal Price Forecasting Method Based on MLPand RBF Neural Network［J］.China Molybdenum Industry，2016，40（5）：54-60.

［9］白雪冰.基于BP與RBF神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)預(yù)測(cè)模型的研究［J］.電腦知識(shí)與技術(shù)，2011，7（10）：2345-2347.

BAI Bingxue.Research on economic forecasting model based on BP and RBF neural network［J］.Computer Knowledge and Technology，2011，7（10）：2345-2347.

［10］郭文偉，陳澤鵬，鐘明.基于MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建小企業(yè)信用風(fēng)險(xiǎn)預(yù)警模型［J］.財(cái)會(huì)月刊，2013（6）：22-26.

GUO Wenwei，CHEN Zepeng，ZHONG Ming.Using MLP Neural Network to Construct Early Warning Model of Small Business Credit Risk［J］.Journal of Finance and Economics Monthly，2013（6）：22-26.

［11］王麗婧，雷剛，韓梅，等.數(shù)據(jù)缺失條件下基于MLP神經(jīng)網(wǎng)絡(luò)的水華風(fēng)險(xiǎn)預(yù)警方法研究［J］.環(huán)境科學(xué)學(xué)報(bào)，2015，35（6）：1922-1929.

WANG Lijing，LEI Gang，HAN Mei，et al.Study on Water Risk Early Warning Method Based on MLPNeural Network in Data Deletion Condition［J］.Journal of Environmental Science，2015，35（6）：1922-1929.

［12］都軍偉，王永綱，楊陽(yáng)，等.前向MLP網(wǎng)絡(luò)的FPGA實(shí)現(xiàn)［J］.數(shù)據(jù)采集與處理，2010，25（1）：39-43.

DENGJunwei，WANGYonggang，YANGYang，et al.FPGA implementation of forward MLP network［J］.Journal of Data Acquisition and Processing，2010，25（1）：39-43.