基于证据理论和动态组合型神经网络的区域物流需求预测

来源:用户上传      作者: 杨晓燕　雷　霞

　　[摘要] 区域物流量不仅和区域经济有关，也和历史物流量有关，故同时利用影响物流需求的区域经济因素和历史物流量进行预测可行。为此提出动态组合型神经网络融合预测模型，并用广东省的物流统计数据进行检验，证明了预测结果的可信度。
　　[关键词] 证据理论 BP神经网络 区域物流 预测 融合
　　
　　一、引言
　　国内外对区域物流需求的预测模型分为：时间序列方法，用历史数据预测；解释性预测方法，找出各影响因素进行预测。然而, 区域物流需求变化具有很强的非线性特征, 同时具有很强的时间相关性。故本文先用区域物流需求的各影响因素进行预测，后用物流需求历史数据进行预测，再将得到的预测值，利用证据理论融合，获得更可靠的区域物流需求预测值。
　　二、动态组合型神经网络模型的构建
　　BP网络非常适合处理区域物流需求预测这类多因素、多条件、不精确的信息问题。理论已证明输入层、隐藏层和输出层三层神经网络就可实现任意N维到M维映射，故本文采用三层BP神经网络。
　　1.解释型区域物流需求预测模型
　　影响区域物流需求的经济因素宏观上考虑主要有三个：区域经济规模是区域物流需求的决定性因素；产业结构差异对物流需求功能、物流需求层次以及物流需求量等产生较大影响；区域经济空间布局、区域经济发展是客观上造成物流需求的最直接原因。物流需求又是经济发展的派生需求,凡影响经济发展的因素也潜在地影响区域物流需求。这种错综复杂的内在关联决定了经济因素与物流需求间的多元非线性映射关系。选取影响区域物流需求的各项经济指标如下:（1）区域经济总量指标：地区国民生产总值(GDP)x1(亿元)；（2）区域产业结构指标：工业总产值x2(亿元)、农业总产值x3(亿元)、第三产业总产值x4(亿元)；（3）区域内外贸易指标：区域零售总额x5(亿元)、区域外贸总额x6(亿美元)；（4）区域消费水平：人均消费水平x7(元)。
　　设Yi表示第i年的物流需求量，表示第i年该区域物流需求经济影响因素向量，xin表示第i年第n个经济影响因素的变量值。因区域物流需求的经济影响因素短期内不会急剧大幅变动，可用第i-1年的经济影响因素变量值预测第年的物流需求量。将()作为输入变量，Yi作为相应的输出变量，形成n个样本对()。用此n个样本对神经网络训练，使其掌握其内在影响及变化关系。后将t-1年的影响区域物流需求的经济因素值输入已训练好的网络来预测t年需求值。
　　2.时间序列区域物流需求预测模型
　　区域物流需求为时间序列变量，通过拟合前一时间段的区域物流需求值，找出其随时间变化的趋势, 从而预测下一时间段的需求值。时间序列预测模型为：
　　为i年份区域物流需求值，qt为t年份区域物流需求值。将前t-1，… t-k(k为神经网络输入单元数)年份区域物流需求值作为输入，目标值为第t年的物流需求值qt。输入层单元数取决于时间序列组数。根据经济现象呈周期性变化的时间周期来确定组数划分,形成n个样本对：，(t=1,2,3,...,n)作为神经网络的训练样本。训练好后，将()作为神经网络的输入，输出值qm就是第m年份的需求预测值。引入时间滑动窗口：若时间周期为m年，则时间滑动窗口尺寸k为m-k。根据前k年的物流需求值来预测下一年的值,然后把此下一年预测值和其前k-2年的需求值作为时间窗口滑动，预测下一年的值，然后再进行时间窗口滑动，以此类推,见图1。
　　图1 时间滑动窗口预测模型
　　三、区域物流需求预测值融合
　　证据融合利用同时来自相互独立的不同信息源的证据来提高对事件的置信程度， 降低不确定度, 改善评价结果的可区分度, 且识别能力强，推理简单。证据理论融合法则：设有两个推理系统，其概率赋值和信任函数分别为m1,m2和Bel1,Bel2，对于子集A，将这两个系统的概率赋值合成的D-S规则为：
　　Bel=m1(A1)m2(A2)
　　m所对应的Bel称为Bel1，Bel2的合成或直和，记为Bel=Bel1Bel2。
　　本文采用证据理论对从两种预测方法所获取的预测值进行融合，见图2。
　　图2 区域物流需求预测模型
　　四、预测模型应用及评价
　　选取1985年～2006年的广东的物流需求统计数据（来源于广东统计年鉴2006）为研究对象，取（1）训练样本：1985年～2002年数据（2）检验样本：2003年～2006年的数据。用Matlab7.0编制网络训练和分析程序，并对神经网络有关参数进行优化。
　　1.解释型区域物流需求预测
　　在解释性区域物流需求预测中，取7个经济因素指标作为输入，隐含层单元数根据经验选择16个，其结构见图3。
　　图3 解释型区域物流预测BP网络结构图
　　将1985年～2002年数据作为样本训练，误差曲线见图4。2002年～2006年数据作为训练后神经网络的输入，输出预测值见表1。
　　图4 解释型BP神经网络训练误差曲线
　　表1 解释型比较
　　由图4知，神经网络很快收敛。表1显示相对误差都<5%，能得到较为满意的预测精度。
　　2.时间序列区域物流需求预测
　　选取时间滑动窗口尺寸为5，故输入单元数为5。隐含层单元数取16个。网络结构与图3类似。
　　用1985年～2002年的区域物流量作为训练样本，用样本后续年的物流量作为目标量，用时间滑动窗口方法训练网络。误差曲线见图5。
　　图5 神经序列型BP神经网络训练误差曲线
　　表2 时间序列型比较
　　3.物流需求预测值进行融合
　　对前2种方法得到的预测值融合，结果见表3。
　　表3 预测值融合结果
　　可看出融合后预测精度比前两者有所提高。
　　五、结束语
　　本文先根据影响区域物流需求的关键经济因素进行预测，再根据物流历史需求量进行预测，最后将二者的预测值用证据融合理论进行统一，提高了单个预测方法的精度，是一种有效的区域物流需求预测方法。同所有的BP神经网络预测模型一样，该方法也有其局限性。
　　
　　参考文献:
　　[1]林荣天陈联诚李绍静黄灏然:基于灰色神经网络的区域物流需求预测[J].价值工程，2007（2）,92～95
　　[2]后锐,张毕西.基于MLP 神经网络的区域物流需求预测方法及其应用[J].系统工程理论与实践，2005(12),43～47
　　[3]刘全:动态组合型神经网络的预测模型[J].统计与决策，2007(4),23～24

转载注明来源:https://www.xzbu.com/3/view-1487554.htm