基于改进ANN的我国社会物流总成本预测研究

湖北科技学院数学与统计学院 张吉刚 梁娜

随着科技持续进步、产业不断升级，经济快速发展，第三利润源——物流受到越来越多的关注。但我国的物流成本高，并已成为一个巨大的障碍制约物流发展和经济进步。正确预测社会物流成本，对有效控制物流活动过程的费用，对降低物流总成本，提高企业和社会经济效益，有非常重要的意义。

物流业作为一个新兴产业，相关统计数据缺失，很难构建出以大量历史观测数据为主要依据的数学模型，推断预测目标。同时物流业属于生产性服务业，物流需求属于派生性需求，既包含了线性时序的成分，又包含了非线性时序的成分，呈现出线性和非线性的特性，是个复杂双特征系统。神经网络在解决预测问题时对数据的要求较低，建模比较容易且具有极强的模糊推理能力，特别适用于非线性系统的建模。

本文提出对我国WLCB序列作两步预处理，逐步消除原始数据的线性特征，转换成只具有非线性的序列，然后利用BPNN技术进行预测，与直接利用原始数据及只作一步预测处理的数据建立的BPNN模型相比较，消除WLCB的线性特征的改进模型充分发挥了BPNN模型的优势，显著改善了预测性能。

1 改进NN模型

改进的BPNN的WLCB预测模型，是要对WLCB序列原始数据作消除线性特征预处理，在预处理后的数据上建立BPNN预测模型。具体原理:先对WLCB数据求年增量、年增长率的预处理，WLCB年增长率序列仍具有线性特征，再对WLCB年增长率序列求年增长率的增长率处理，WLCB年增长率的增长率序列中已不含线性特征，然后用BPNN预测WLCB年增长率的增长率，最终转化为对WLCB的预测，其流程如图1所示。

图1 改进BPNN模型原理示意图

2 改进BPNN模型在WLCB预测中的应用

本文将上述改进BPNN模型应用到我国WLCB的预测之中，构建了我国WLCB序列预测模型。本研究选取1991～2011年期间的WLCB 为研究对象，数据来源于中国物流年鉴。按照下式对数据作预处理，所得数据及原始数据见表l。

表1 1991年至2011年我国社会物流总成本原始数据及预处理数据

图2 WLCB值及年增量曲线图

图3 WLCB年增长率曲线图

图4 WLCB年增长率的增长率曲线图

从图2可以观察到WLCB序列具有明显的单调上升趋势，WLCB年增量仍具较为明显的上升趋势，图3中WLCB年增长率序列还有上升趋势，含线性特征，图4中WLCB年增长率的增长率已没有了上升趋势，不含线性特征，以具有非线性特征的WLCB年增长率的增长率序列作为网络输入，建立BPNN预测模型。

由于WLCB年增长率的增长率数据没有1991，1992年，所以BPNN的总样本量N=21。以1993～1996，1994～1997，1994～1998，……2002～2006年WLCB年增长率的增长率数据作为网络输入，1997～2007年的WLCB年增长率的增长率数据作为目标输出，即以前5年WLCB年增长率的增长率数据作为BPNN的输入变量，以当年增长率的增长率数据作为BPNN的输出变量，组成样本数据对网络进行训练。因此，BPNN的输入神经元为5，输出神经元为1，中间层的节点数经过实验对比，最终选定为8个， 网络结构为5-8-1，如图5所示。

图5 GDP预测的BPNN拓扑结构

在MATLB7的神经网络工具箱中，训练函数采用是数值优化L-M学习算法trainlm，输入层与隐层、隐含层与输出层之间的传递函数选为tansig,logsig函数。训练次数最大设置为500次，网络收敛误差为0.0001。

将表1中WLCB年增长率的增长率，先进行归一化处理，使样本数据落在[0，1]范围之内:式中:和分别是 数据中的最小值和最大值，再加载到设置好的BPNN中，按照图1的模型原理，最终转化为对WLCB值的预测。测试样本(2009～2011年)的预测结果见表2，为显示本模型的优越性，与以WLCB数据为输入的BP模型、以WLCB的增长率为输入的BP模型的结果进行比较。

表2 各模型对测试样本的预测结果

由表2可知，三种模型中，本文的改进BPNN模型预测结果最好，其结果最接近于实际值。与WLCB原始数据相比，WLCB的增长率序列由于去除了部分线性特征， BP模型对测试样本的预测精度大幅提高，以完全去除线性特征的WLCB年增长率的增长率数据为输入的BP模型预测精度进一步提高，达到最优。

3 结语

本文提出以相邻两年的WLCB年增长率的增长率序列作为网路的输入，建立基于BPNN的WLCB预测模型，对我国的WLCB进行预测，仿真实验表明，改进的BPNN模型预测准确率明显优于未经过数据处理的单一BPNN模型及以WLCB的增长率为输入的BP模型的预测准确率。这一思想方法可以平移到其他的带有增长趋势的BPNN预测问题以及其他神经网络的预测中。

[1]杨培华.基于拉动系数时间序列法的物流市场容量预测[J].消费导刊,2009(9).

[2]李慧.线性回归预测与控制在物流作业成本法中的应用[J].重庆交通学院学报,2004(6).

[3]陈德良,王文科.多元线性回归模型在物流需求预测中的应用[J].中国物流与采购,2009(20).

[4]濮帅.江苏物流需求预测分析[J].物流科技,2009(9).

[5]梁娜.基于前馈型神经网络股价预测的一点改进[J].科技创业月刊,2007(8).

[6]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005.