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。
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
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。
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.