1、BP神經網絡在物流預測中的應用摘要：物流預測由于自身的原因, 存在著非線性嚴重, 難以精確建模等問題。人工神經網絡, 對解決非線性問題以及難以精確建模問題有著獨特的優勢。根據這個想法, 提出了用BP 網絡來解決物流預測的問題。本文在介紹人工神經網絡的基本理論的基礎上，利用 BP 神經網絡建立了某地區公路貨運路的預測模型，并利用工具MATLB實現了模型的構建與預測過程，得了良好的實驗結果, 表明神經網絡是解決這類問題的一種有效方法.關鍵詞：物流預測，神經網絡，BP算法Abstract：Because of their own reasons, Logistics forecast exists

2、serious nonlinear problems, and it is difficult to accurately establish the model. Artificial neural networks for solving nonlinear problems and the difficulty establish model has a unique advantage. According to this idea, the paper proposes to use BP network to solve the problem of logistics forec

3、asting. The paper established prediction process model by using BP neural network based on the basic theory of the introduction of artificial neural network, and use MATLB to realize the construction and prediction of process model, which contribute to good experimental results. It shows that the ne

4、ural network is an effective method to solve this kind of problem.Keywords: Logistics forecast, Artificial neural networks, BP network1 物流預測及其現有的解決方法1.1物流預測所謂預測, 就是人們對某一不確定的或未知的事件的表述。一般這個不確定的事件具有未來的性質。具體來說, 預測就是要把某一未知的事件發生的不確定性最小化。從本質上看, 預測是以變化為前提的。如果沒有變化, 預測也就不存在了。因此, 可以說預測就是掌握。預測就是: 第一要正確地掌握變化的原因;

5、 第二要了解變化的狀態; 第三要從量的變化中找出因果關系: 第四從以上的變化中找出規律性的東西對未來進行判斷。在物流方面, 對未來的預測非常重要, 因為它能使物流經理變被動為主動。物流中的每個領域都在某種程度上受到預測過程的影響進行預測, 提供預測中所需要的信息, 或者接收預測結果和采用必要的行動。總之, 在物流領域內,預測試圖通過定量或者定性地分析對未來進行預言, 其實質就是協助做出物流決策。1.2物流預測方法按預測所采用的方法不同分類,可分為定性預測和定量預測。1)定性預測定性預測方法是依據預測者對市場有關情況的了解和分析,結合對市場現象未來發展變化的估計,由預測者根據實踐經驗和主觀判斷做

6、出的預測。它既可以對市場未來的供給量和需求量進行預測,也可對市場未來發展變化的特點、趨勢做出判斷預測。此方法是根據人們的主觀判斷對事物未來的發展給出的估計。常用的定性預測方法分為:市場調研法、專家預測法、主觀概率法、交叉影響法等。定性與定量預測法在綜合預測過程中也是相輔相成的。在具有較詳盡的歷史數據的條件下可以采用定量預測;在歷史數據不完備或不確定因素影響較大的情況下可以采用定性預測。對于一些復雜的物流系統預測,可將這兩類預測的結果進行綜合分析,進而提供更符合客觀實際的預測結果。2)定量預測定量預測的特點,是以大量的歷史觀察值為主要依據,建立適當的數學模型為預測模型,推斷或估計預測目標的未來值

7、。定量預測模型分類的方法很多,常用的分類方法是將其分為相關回歸預測模型和時間序列預測模型兩大類。時間序列預測模型的基本思想是:根據預測的慣性原則利用事物發展的歷史數據的變化趨勢的延續來估計預測目標的未來發展趨勢。時間序列預測模型根據采用的工具和手段不同可分為: 移動平均法、指數平滑法、BOXJEKINS 模型、灰色預測法、神經網絡預測法等。其特點為: 以市場現象的時間序列歷史數據為依據,根據時間序列的變動規律建立適當的數學模型,并運用一定的數學方法使其規律外延來預測未來的發展變化趨勢。這類方法對模型的要求較高,而在實際情況往往難以精確建模。而神經網絡在解決非線性、難以精確建模等問題上取得了很好

8、的效果, 并且也越來越廣泛地被用在各種時序問題的預測中。本文就是在此背景下, 利用人工神經網絡對物流預測問題進行研究。2 神經網絡BP 算法2.1人工神經網絡介紹人工神經網絡的發展經理了大約半個世紀,從20世紀40年代初到80年代,神經網絡的研究經歷了低潮與高潮幾起幾落的發展過程。從總體上講,人類對人工智能的研究可以分成兩種方式,這兩種方式可以對應兩種不同的技術,即傳統的人工智能技術和基于人工神經網絡的技術。人工神經網絡的發展大致可以分為5個時期:1) 20世紀40年代信息科學的開創時期是人工神經網絡的萌芽時期。1943年,心理學家麥克卡洛克(MCculloch)和數學家匹茨(PittS.W.

9、H.)建立了著名的閩值加權和模型(M-P模型),標志著神經網絡研究的開始。2) 1950-1968年從單級感知器(Perceptron)的構造成功到被否定是人工神經網絡的第一次高潮期。這個時期的研究以 MarvinMinsky,FrankRosenblat,Bernardwidrow等為代表人物,成功的構造了單級感知器,并被人們用于各種問題的求解中。3) 1968-1980年是人工神經網絡研究的低潮期。神經網絡研究工作受到了現代計算機和人工智能快速發展所帶來的沖擊,基于仿生學的結構主義用硬件來模擬人腦的企圖,不可避免的受到了嚴重的阻礙,但世界上仍有一部分學者獻身于神經網絡的研究,為后期的復興奠

10、定了基礎。如威德羅(widrwo.B.)的自適應線性元件(adaline)模型;安德森(Andersno)的線性聯想記憶理論;馮德曼爾斯博格(VonDerMakburg)的競爭學習理論,以及格羅斯博格(Grossberg.S)的自適應共振理論(ATR)等。4) 20世紀80年代的第二次高潮期。基于十幾年迅速發展起來的以邏輯符號處理為主的人工智能理論和并行分布處理模式的神經網絡自身的研究結果,神經網絡的研究又一次進入了高潮期。美國加州理工學院的物理學家H叩field.J.J將神經網絡理論分析與動力學系統穩定性分析方法相結合,引入了“計算能量函數”的概念,提出了網絡穩定性判斷依據,開拓了神經網絡用

11、于聯想記憶和組合優化等計算的新途徑,由此掀起了神經網絡研究的熱潮。比較重要的研究成果還有:柯賀尼(Kohonen)的特征影射理論;菲爾德曼(Feldoan)和巴拉(Ballard)的連接模型等。5) 20世紀90年代以后的發展時期。這一時期大多數學者的研究集中在三個方面:開發現有模型的應用,并在應用中根據實際運行情況對模型、算法加以改造,以提高網絡的訓練速度和運行的準確度:希望在理論上尋找新的突破,建立新的專用或通用的模型和算法;進一步對生物神經系統進行研究,不斷的豐富對人腦的認識。總的來說，人工神經網絡是由多個非常簡單的處理單元彼此按某種方式相互連接而形成的計算機系統，該系統考其狀態對外部輸

12、入信息的動態響應來處理信息。2.2 BP神經網絡原理BP網絡是1986年由Rinehart和McClelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。誤差反傳算法的主要思想是把學習過程分為兩個階段：第一階段（正向傳播過程），給出輸入信息通過輸入層經隱含層處理并計算每個單元的實際輸出值；第二階段（反向過程），若在輸出層未能得到期望的輸出值，則逐層遞歸地計算實際輸出與期望輸出之差值（即誤差），以便根據此差值調節權值，具體來說，就是可對每一權重計算出

13、接收單元的誤差值與發送單元的激活值的積。基于BP算法的多層前饋型網絡的結構如圖2.1所示。圖2.1基于BP算法的多層前饋型網絡結構這種網絡不僅有輸入層節點，輸出層節點，而且有一層或多層隱含節點。對于輸入信息，首先向前傳播到隱含層的節點上，經過各單元的激活函數（又稱作用函數、轉換函數）運算后，把隱含節點的輸出信息傳播到輸出節點，最后給出輸出結果。網絡的學習過程由正向和反向傳播兩部分組成。在正向傳播過程中，每一層的神經元的狀態只影響下一層神經元網絡。如果輸出層不能得到期望輸出，就是實際輸出值與期望輸出值之間有誤差，那么轉向反向傳播過程，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，逐次

14、地向輸入層傳播去進行計算，再經過正向傳播過程，這兩個過程的反復運用，使得誤差信號最小。實際上，誤差達到人們所希望的要求時，網絡的學習過程就結束。BP算法是在導師指導下，適合于多層神經元網絡的一種學習，它是建立在梯度下降法的基礎上的。理論證明，含有一個隱含層的BP網絡可以實現以任意精度近似任何連續非線性函數。2.3 BP算法介紹BP算法包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算實際輸出時按從輸入到輸出的方向進行，而權值和閾值的修正從輸出到輸入的方向進行。輸出變量輸入變量輸入層隱含層輸出層圖2-2 BP網絡結構圖中：表示輸入層第個節點的輸入，j=1,M；表示隱含層第i個節點到輸入層第j個

15、節點之間的權值；表示隱含層第i個節點的閾值；表示隱含層的激勵函數；表示輸出層第個節點到隱含層第i個節點之間的權值，i=1,q；表示輸出層第k個節點的閾值,k=1,L；表示輸出層的激勵函數；表示輸出層第個節點的輸出。（1）信號的前向傳播過程隱含層第i個節點的輸入neti： （2-1）隱含層第i個節點的輸出yi： （2-2）輸出層第k個節點的輸入netk： （2-3）輸出層第k個節點的輸出ok： （2-4）（2）誤差的反向傳播過程誤差的反向傳播，即首先由輸出層開始逐層計算各層神經元的輸出誤差，然后根據誤差梯度下降法來調節各層的權值和閾值，使修改后的網絡的最終輸出能接近期望值。 對于每一個樣本p的二

16、次型誤差準則函數為Ep： （2-5）系統對P個訓練樣本的總誤差準則函數為： （2-6）根據誤差梯度下降法依次修正輸出層權值的修正量wki，輸出層閾值的修正量ak，隱含層權值的修正量wij，隱含層閾值的修正量。； （2-7）輸出層權值調整公式： （2-8）輸出層閾值調整公式： （2-9）隱含層權值調整公式： （2-10）隱含層閾值調整公式： （2-11）又因為： （2-12）， （2-13） （2-14） （2-15） （2-16）所以最后得到以下公式： （2-17） （2-18） （2-19） （2-20）結 束參數初始化：最大訓練次數，學習精度，隱節點數，初始權值、閾值，初始學習速率等批量輸

17、入學習樣本并且對輸入和輸出量進行歸一化處理計算各層的輸入和輸出值計算輸出層誤差E(q)E(q) %數據p=1237 1379 1385; 1379 1385 1399;1385 1399 1663; 1399 1663 1714;1663 1714 1834;1714 1834 4322;1834 4322 8132;4322 8132 8936;8132 8936 11099;8936 11099 11203;11099 11203 10524;11203 10524 11115;10524 11115 13320;11115 13320 16762;13320 16762 18673;16

18、762 18673 20724;18673 20724 20803;t=1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804;%歸一化處理pmax=max(p);pmax1=max(pmax);pmin=min(p);pmin1=min(pmin);for i=1:17 p1(i,:)=(p(i,:)-pmin1)/(pmax1-pmin1);endpmax2=max(t);pmax3=max(pmax2);pmin2=min(t);pmin3=min(pmi

19、n2);t1=(t-pmin3)/(pmax1-pmin3);%利用處理好的數據對網絡進行訓練 net=newff(0 1;0 1;0 1,7 1,tansig,logsig,trainlm); %net.trainFcn = traingdm;net.trainParam.epochs=15000;net.trainParam.goal=0.001;net.trainParam.lr=0.01;net=train(net,p1,t1);%利用訓練好的BP網絡對原始數據進行仿真yc=sim(net,p1);yc1=yc*(pmax3-pmin3)+pmin3; %利用訓練好的BP網絡對新數據進

20、行仿真y=sim(net,20724 20803 21804);y1=y*(pmax3-pmin3)+pmin3;在運行過程中，首先對樣本數據進行訓練，訓練過程中訓練后得到的誤差變化過程如下圖。由圖中可以看出, 曲線很快就達到收斂效果。對樣本數據作為輸入得到預測值，并與實際值相對照數據，如下表：年份實際值（萬噸）預測值（萬噸）相對誤差199713991712 0.18283199816631829.1 0.09081199917141836.70.066805200018342555.40.2823200143223163.90.36604200281328362.30.02754200389

21、36103070.1330220041109910500 0.05704820051120312068 0.07167720061052411151 0.05622820071111511780 0.05645220081332014037 0.05107920091676217288 0.030426201018673189230.03274220112072421467 0.03461120122080321764 0.044155201321804217920.00055066通過MATLAB作圖得到預測值與實際值的曲線，如下圖：通過圖表以及表中絕對相對誤差，我們可以看出最近5年的檢驗值

22、與實際值的誤差均都在5 % 以內,證明整個模型是有效的。因此利用2011-2013年的公路貨運量數據對2014年數據進行預測，MATLAB運行得到2014年的貨運量預測值（y1）為21803萬噸。5小結本文描述了BP神經網絡的基本原理和基本算法，并利用BP神經網絡對物流問題中的公路運輸流量進行了預測, 取得了令人滿意的結果。表明神經網絡是解決此類問題的一種有效的方法。但是神經網絡由于自身的缺點,存在隱層單元數難以確定, 模型結構難以用實際原理解釋等難點。在實際應用中還需要進一步探討研究。相信隨著物流信息系統的不斷現代化, 以及對物流數據深入的挖掘, 神經網絡在物流上的應用將會達到一個新的高度。

23、參考文獻1王隆基,張仲鵬,孫曉霞. 基于BP神經網絡的物流預測方法J. 起重運輸機械,2005,05:30-32.2王新利,趙琨. 基于神經網絡的農產品物流需求預測研究J. 農業技術經濟,2010,02:62-68.3甄亞男,張獻州. 基于改進遺傳算法的BP神經網絡在高速鐵路沉降預測中的應用A. 中國測繪學會工程測量分會.全國工程測量2012技術研討交流會論文集C.中國測繪學會工程測量分會:,2012:3.4熊堯,李智慧,楊家欣,白婕,胡瓊,褚淑貞. 基于BP神經網絡在基本藥物采購量短期預測中的研究J. 上海醫藥,2013,05:47-51.5桂現才. BP神經網絡在MATLAB上的實現與應用

24、J. 湛江師范學院學報,2004,03:81-85.6任謝楠. 基于遺傳算法的BP神經網絡的優化研究及MATLAB仿真D.天津師范大學,201附錄源程序及運行結果： %數據p=1237 1379 1385; 1379 1385 1399;1385 1399 1663; 1399 1663 1714;1663 1714 1834;1714 1834 4322;1834 4322 8132;4322 8132 8936;8132 8936 11099;8936 11099 11203;11099 11203 10524;11203 10524 11115;10524 11115 13320;111

25、15 13320 16762;13320 16762 18673;16762 18673 20724;18673 20724 20803;t=1399 1663 1714 1834 4322 8132 8936 11099 11203 10524 11115 13320 16762 18673 20724 20803 21804;%歸一化處理pmax=max(p);pmax1=max(pmax);pmin=min(p);pmin1=min(pmin);for i=1:17 p1(i,:)=(p(i,:)-pmin1)/(pmax1-pmin1);endpmax2=max(t);pmax3=max(pmax2);pmin2=min(t);pmin3=min(pmin2);t1=(t-pmin3)/(pmax1-pmin3);%利用處理好的數據對網絡進行訓練 net=newff(0 1;0 1;0 1,7 1,tansig,logsig,trainlm); %net.trainFcn = traingdm;net.trainParam.epochs=15000;net.trainParam.goal=0.001;net.trainParam.lr=0.01;net=trai