夏建民， 李 冰， 柯芬芬

(江西師范大學(xué) 軟件學(xué)院， 江西 南昌 330022)

基于遺傳神經(jīng)網(wǎng)絡(luò)的城市圈物流需求預(yù)測
——以鄱陽湖城市圈為例

夏建民， 李 冰， 柯芬芬

(江西師范大學(xué) 軟件學(xué)院， 江西 南昌 330022)

針對(duì)單純使用神經(jīng)網(wǎng)絡(luò)預(yù)測物流量出現(xiàn)預(yù)測精度低、泛化能力差、耗費(fèi)時(shí)間長等問題，提出一種可以最優(yōu)化目標(biāo)的算法，為避免陷入局部最小值，引入遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)所需要的權(quán)值、閾值等可變參數(shù)進(jìn)行最優(yōu)化處理。仿真結(jié)果表明利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化處理，預(yù)測結(jié)果能夠表現(xiàn)出更高的預(yù)測精度與泛化能力。

遺傳算法； 神經(jīng)網(wǎng)絡(luò)； 物流； 城市圈

隨著我國經(jīng)濟(jì)的飛速發(fā)展，物流業(yè)作為新興產(chǎn)業(yè)之一也在快速發(fā)展，逐漸成為區(qū)域經(jīng)濟(jì)重要的構(gòu)成要素，同時(shí)引導(dǎo)和促進(jìn)著區(qū)域經(jīng)濟(jì)的發(fā)展，成為衡量經(jīng)濟(jì)發(fā)展程度的一個(gè)重要指標(biāo)，對(duì)于區(qū)域經(jīng)濟(jì)發(fā)展有著不可忽視的拉動(dòng)作用[1]。

物流與經(jīng)濟(jì)發(fā)展表現(xiàn)出正相關(guān)關(guān)系，物流規(guī)模的預(yù)測已經(jīng)受到越來越多的學(xué)者青睞。Gogoneata B[2]使用世界銀行數(shù)據(jù)，分析了42個(gè)國家物流產(chǎn)業(yè)與經(jīng)濟(jì)發(fā)展的影響因子，通過回歸分析，認(rèn)為物流產(chǎn)業(yè)的發(fā)展與該國經(jīng)濟(jì)有較強(qiáng)的關(guān)聯(lián)性。JIANG Hua[3]采用灰色預(yù)測模型對(duì)物流量進(jìn)行了預(yù)測，利用其所需樣本小、數(shù)據(jù)要求低、運(yùn)算方便等特性可以得到精準(zhǔn)及合理的預(yù)測結(jié)果。楊樹果[4]采用偏最小二乘回歸與灰色預(yù)測模型耦合進(jìn)行物流預(yù)測，充分利用了二者的優(yōu)點(diǎn)，可進(jìn)一步提高預(yù)測的精度，使預(yù)測更加趨于合理。朱幫助[5]在文章中提出了基于有效度的組合預(yù)測模型，即通過組合多個(gè)單一模型的預(yù)測結(jié)果，發(fā)揮各自的優(yōu)點(diǎn)，提高預(yù)測的精確度。然而使用灰色預(yù)測模型、組合預(yù)測模型等方法雖然能夠?qū)崿F(xiàn)對(duì)物流進(jìn)行預(yù)測，但其精度卻低于使用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測，而且沒有考慮到更多影響物流的指標(biāo)因素。李赤林等[6]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)物流量進(jìn)行了預(yù)測，其結(jié)果也表現(xiàn)出了更高的擬合性與準(zhǔn)確性。Fu Pei-hua[7]結(jié)合BP神經(jīng)網(wǎng)絡(luò)與灰色模型來預(yù)測物流量，相對(duì)于單一的預(yù)測方法，表現(xiàn)出更加優(yōu)越的精準(zhǔn)性與穩(wěn)定性。基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型雖然具有較高的精確度，但是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)仍普遍存在容易陷入局部極小值等問題，其預(yù)測最終結(jié)果仍然沒有達(dá)到最優(yōu)解。

M.M.Rahman、Wang Jing-an、Nejra Sikalo等學(xué)者利用了遺傳算法較好的空間搜索能力，容易得到全局最優(yōu)解和性能較好的次優(yōu)解等特點(diǎn)，使用遺傳算法模擬優(yōu)化糧食干燥過程、紡織企業(yè)自動(dòng)化安排、對(duì)沖基金配對(duì)交易等過程，都獲得了良好的預(yù)測結(jié)果[8-10]。Vetrichelvan G[11]將遺傳算法與聲發(fā)射技術(shù)結(jié)合，得到了一種更為準(zhǔn)確的能夠檢測構(gòu)件缺陷、疲勞斷裂的技術(shù)。M. Hakan Satman[12]在線性回歸方法中加入遺傳算法，大大降低了變量的誤差值，說明遺傳算法能夠幫助其他模型獲得更優(yōu)的解。

鄱陽湖城市圈作為長江中游三大城市圈之一，物流系統(tǒng)規(guī)劃和建設(shè)對(duì)實(shí)現(xiàn)整個(gè)江西產(chǎn)業(yè)改革、經(jīng)濟(jì)發(fā)展以及在中部崛起的目標(biāo)，有著重大意義。城市圈物流預(yù)測能夠?qū)φ贫ù龠M(jìn)經(jīng)濟(jì)發(fā)展的宏觀政策、方針以及物流行業(yè)所需的基礎(chǔ)設(shè)施建設(shè)的決策行為提供必要的參考，同時(shí)對(duì)改善現(xiàn)代經(jīng)濟(jì)發(fā)展環(huán)境、建立一套科學(xué)合理的物流配送方案，促進(jìn)物流企業(yè)和企業(yè)物流發(fā)展，提升區(qū)域現(xiàn)代物流競爭力和推動(dòng)整個(gè)區(qū)域的經(jīng)濟(jì)發(fā)展都具有十分重要的意義[13]。

本文采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)鄱陽湖城市圈物流量進(jìn)行了預(yù)測，結(jié)合遺傳算法的優(yōu)點(diǎn)，克服傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值、收斂速度慢、全局搜索能力差等問題，得到更高的精確度與擬合效果。

1 指標(biāo)選取與數(shù)據(jù)來源

1.1 指標(biāo)選取

衡量物流需求量的指標(biāo)非常多，應(yīng)根據(jù)全面性、代表性、科學(xué)性及數(shù)據(jù)可得性原則選取物流指標(biāo)。依據(jù)以上原則，考慮到與物流量相關(guān)的總?cè)丝跀?shù)、第一產(chǎn)業(yè)、第二產(chǎn)業(yè)等經(jīng)濟(jì)指標(biāo)有很多，將這些指標(biāo)進(jìn)行相關(guān)性分析，同時(shí)使用多元逐步線性回歸，消除影響因素之間的共線性，去除與物流量相關(guān)性低和指標(biāo)之間相關(guān)性高的指標(biāo)[14]，以及宏觀經(jīng)濟(jì)政策、市場環(huán)境等不可量化的其他因素，將總?cè)丝?、第一產(chǎn)業(yè)、第二產(chǎn)業(yè)、第三產(chǎn)業(yè)產(chǎn)值、消費(fèi)品零售額、進(jìn)出口貿(mào)易6個(gè)指標(biāo)作為影響指標(biāo)，并將全社會(huì)貨物運(yùn)輸量作為衡量物流需求量的指標(biāo)。

1.2 數(shù)據(jù)來源

依據(jù)指標(biāo)選取的要求，結(jié)合南昌市作為江西省會(huì)城市以及在鄱陽湖城市圈的核心地位，本文使用南昌市1998—2014年各指標(biāo)數(shù)值作為鄱陽湖城市圈的相應(yīng)指標(biāo)值(見表1)。

表1 南昌市1998—2014年全社會(huì)貨物運(yùn)輸量與經(jīng)濟(jì)指標(biāo)統(tǒng)計(jì)數(shù)據(jù)

注：數(shù)據(jù)來源于南昌市經(jīng)濟(jì)統(tǒng)計(jì)年鑒。

由于各個(gè)指標(biāo)互不相同，數(shù)量級(jí)大小也不一樣，為防止奇異值影響，同時(shí)為了加快收斂速度并防止局部值達(dá)到過飽和狀態(tài)，需要對(duì)原始數(shù)據(jù)進(jìn)行歸一化，這里采用mapminmax函數(shù)對(duì)其歸一化處理，

(1)

式中ymax、ymin為設(shè)置參數(shù)，代表的是映射區(qū)間，本文將其設(shè)置為1、-1，即將原始數(shù)據(jù)映射到(-1，1)之間，歸一化結(jié)果如表2所示。

表2 南昌市1998—2014年全社會(huì)貨物運(yùn)量與經(jīng)濟(jì)指標(biāo)統(tǒng)計(jì)數(shù)據(jù)歸一化數(shù)據(jù)

2 優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

2.1 優(yōu)化BP神經(jīng)網(wǎng)絡(luò)與模型建立

BP神經(jīng)網(wǎng)絡(luò)是按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其高度非線性映射能力、精確尋優(yōu)以及較強(qiáng)的容錯(cuò)能力使其成為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，但是它本身存在著容易陷入局部極小值、權(quán)值、閥值初始值設(shè)定不確定等問題。本文運(yùn)用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閥值進(jìn)行優(yōu)化，在一定程度上解決了BP神經(jīng)網(wǎng)絡(luò)所存在的問題。優(yōu)化過程如下(流程圖見圖1)：

(1)通過遺傳編碼操作，將神經(jīng)網(wǎng)絡(luò)中的權(quán)值、閥值編碼成染色體作為一個(gè)個(gè)體，初始化出一個(gè)種群(種群數(shù)量預(yù)先設(shè)定)，并建立BP神經(jīng)網(wǎng)絡(luò)；

(2)輸入進(jìn)行訓(xùn)練的樣本，1998—2010年歸一化的數(shù)據(jù)，第一產(chǎn)業(yè)、第二產(chǎn)業(yè)等指標(biāo)數(shù)據(jù)，不包括全社會(huì)貨物運(yùn)輸量，訓(xùn)練BP網(wǎng)絡(luò)，將所獲得結(jié)果與實(shí)際貨物運(yùn)輸量比對(duì)，使用公式(2)計(jì)算每個(gè)個(gè)體的適應(yīng)度值fitness，即總誤差倒數(shù)，

(2)

式中an為預(yù)測值，outputn為實(shí)際值，并以此作為衡量該個(gè)體作為神經(jīng)網(wǎng)絡(luò)權(quán)值與閥值的優(yōu)劣；

(3)比較該種群內(nèi)所有個(gè)體的適應(yīng)度值，使用輪盤賭方法選擇出適應(yīng)度值最大的個(gè)體，直接遺傳到下一個(gè)種群；

(5)重復(fù)執(zhí)行(2)—(4)步，不斷對(duì)個(gè)體的權(quán)值、閥值進(jìn)行優(yōu)化，直到達(dá)到最大的進(jìn)化代數(shù)；

(6)計(jì)算最后種群的每個(gè)個(gè)體的適應(yīng)度值，并將適應(yīng)度值最大的作為最優(yōu)個(gè)體；

(7)將最優(yōu)個(gè)體進(jìn)行解碼，獲得對(duì)應(yīng)于神經(jīng)網(wǎng)絡(luò)的權(quán)值與閥值；

(8)輸入樣本到權(quán)值與閥值已經(jīng)設(shè)定好的BP網(wǎng)絡(luò)中，進(jìn)行訓(xùn)練，直到滿足收斂條件，獲得最優(yōu)解。

圖1 遺傳神經(jīng)網(wǎng)絡(luò)過程

2.2 參數(shù)初始化

(1)初始化網(wǎng)絡(luò)，本文采用三層BP神經(jīng)網(wǎng)絡(luò)模型，輸入層為

防治柑桔鳳蝶：在柑橘鳳蝶的幼蟲發(fā)生較為嚴(yán)重的時(shí)候，選用10%吡蟲啉可濕性粉劑3000倍液對(duì)害蟲進(jìn)行挑治，可以起到防治效果。

X={x1,x2,x3,x4,x5,x6},

(3)

其參數(shù)分別為第一產(chǎn)業(yè)、第二產(chǎn)業(yè)、第三產(chǎn)業(yè)、消費(fèi)品零售額、出口貿(mào)易以及總?cè)丝冢瑢?shí)際輸出為O={oi}，即使用該模型最終獲得的物流量結(jié)果，期望輸出為Q={qi}，也就是全社會(huì)貨物運(yùn)輸量，由于隱含層沒有系統(tǒng)完備的理論來確定數(shù)目，故使用經(jīng)驗(yàn)公式

(4)

式中n為輸入層個(gè)數(shù)，m為輸出層個(gè)數(shù)，其數(shù)目H應(yīng)當(dāng)位于[4，13]之間。訓(xùn)練函數(shù)設(shè)為trainbr，第一層傳遞函數(shù)為logsig函數(shù)，第二層傳遞函數(shù)為purelin函數(shù)，訓(xùn)練周期為100，目標(biāo)值為0。

(2)初始化種群P，交叉概率Pc(通常取0.4～0.99之間)，本文使用概率為[0.6，0.9]，變異概率Pm(通常取0.000 1～0.1之間)，本文取[0.01，0.1]，以上取值是經(jīng)過多次實(shí)驗(yàn)取得的最優(yōu)數(shù)據(jù)。初始種群大小pop，遺傳代數(shù)gen代。

3 實(shí)例分析

本文是使用當(dāng)年的指標(biāo)數(shù)值預(yù)測第二年的貨物運(yùn)輸量，故將表2中歸一化的數(shù)據(jù)中1998—2010年份中的指標(biāo)數(shù)值轉(zhuǎn)置后作為訓(xùn)練集的樣本輸入input，1999—2011年份中的全社會(huì)貨物運(yùn)輸量作為訓(xùn)練集的樣本輸出output，

input=

output=(-1.00，-1.00，-0.98，-0.96，-0.84，-0.79，-0.71，

-0.66，-0.57，-0.51，-0.08，0.08，0.19)。

將訓(xùn)練樣本集input輸入未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)與經(jīng)過遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，將用于測試的數(shù)據(jù)inputn即2011—2012年份的指標(biāo)數(shù)值轉(zhuǎn)置數(shù)據(jù)輸入進(jìn)已經(jīng)訓(xùn)練過的網(wǎng)絡(luò)中，獲得結(jié)果an的實(shí)際值outputn進(jìn)行比對(duì)，

outputn=(0.33，0.54)，

其誤差結(jié)果如圖2、圖3所示。

圖2 未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò) 圖3 經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)所得誤差值error=(-65.083，89.342)，誤差百分比為-0.642%、0.811%，總誤差為1.453%。經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)所得誤差值error=(-86.837，17.581)，誤差百分比為-0.917%、0.153%，總誤差為1.07%。

運(yùn)用以上方法，還可以輸入2013年的物流相關(guān)指標(biāo)數(shù)據(jù)，預(yù)測出2014年的全社會(huì)貨物運(yùn)輸量為11 847.16萬噸，南昌市統(tǒng)計(jì)局顯示2014年社會(huì)貨物運(yùn)輸量12 709萬噸，誤差率6.78%。雖然誤差相較之前預(yù)測較大，但是由于數(shù)據(jù)量較少，且數(shù)值較大，以及定性指標(biāo)并沒有統(tǒng)計(jì)進(jìn)去，該誤差是可以接受的，同時(shí)可以看出其貨物運(yùn)輸量依舊保持著持續(xù)增長的勢頭，與第一產(chǎn)業(yè)、第二產(chǎn)業(yè)等數(shù)據(jù)的增長也相對(duì)應(yīng)。

4 結(jié) 論

通過實(shí)驗(yàn)結(jié)果對(duì)比可以得出，經(jīng)過優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時(shí)出現(xiàn)的誤差總和為1.07%，而沒有優(yōu)化的誤差達(dá)到了1.453%，表明遺傳神經(jīng)網(wǎng)絡(luò)表現(xiàn)出更高的精度，更強(qiáng)的泛化能力，同時(shí)避免了BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值、全局搜索能力差等缺點(diǎn)。因此鄱陽湖城市圈可以使用經(jīng)過遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)未來物流量進(jìn)行精確預(yù)測，為城市圈物流產(chǎn)業(yè)發(fā)展政策以及物流系統(tǒng)基礎(chǔ)設(shè)施規(guī)劃設(shè)計(jì)等提供科學(xué)合理的決策依據(jù)。

[1] 趙莉，宋國宇.物流業(yè)與區(qū)域經(jīng)濟(jì)一體化協(xié)調(diào)發(fā)展的實(shí)證及理論解釋——基于中國省級(jí)數(shù)據(jù)的分析[J].技術(shù)經(jīng)濟(jì)，2012，31(1)：53-59.

[2] GOGONEATA B. An analysis of explanatory factors of logistics performance of a country[J]. Amfiteatru Economic Journal，2008，10(24)：143-156.

[3] JIANG Hua，LIANG Qi-hong. Application Research of the Grey Forecast in the Logistics Demand Forecast[J]. Education Technology and Computer Science，2009(1)：361-363.

[4] 楊樹果，王新利.偏最小二乘回歸與灰色模型耦合在物流需求預(yù)測中的應(yīng)用[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2010(7)：105-111.

[5] 朱幫助.組合預(yù)測模型在區(qū)域物流需求預(yù)測中的應(yīng)用[J].經(jīng)濟(jì)地理，2008，28(6)：952-954.

[6] 李赤林，胡小輝.基于BP神經(jīng)網(wǎng)絡(luò)的武漢城市圈物流需求預(yù)測[J].武漢理工大學(xué)學(xué)報(bào)：信息與管理工程版，2009，31(5)：773-776.

[7] FU Pei-hua，LI Ya-jie. Application of Combined Model in Forecasting Logistic Volume of a Port[C]. Changsha：2010 International Conference on Intelligent Computation Technology and Automation，2010(1)：742-745.

[8] RAHMAN M M，MUSTAYEN A G M B，MEKHILEF S，et al. The Optimization of Solar Drying of Grain by Using a Genetic Algorithm[J]. International Journal of Green Energy，2015，12(10)：1212-1231.

[9] WANG Jing-an，PAN Ru-ru，GAO Wei-dong，et al. An automatic scheduling method for weaving enterprises based on genetic algorithm[J]. Journal of The Textile Institute，2015，106(12)：1-11.

[10] SIKALO N，HASEMANN O，SCHULZ C，et al. A Genetic Algorithm-Based Method for the Optimization of Reduced Kinetics Mechanisms[J]. International Journal of Chemical Kinetics，2015，47(11)：695-723.

[11] VETRICHELVAN G，SUNDARAM S，KUMARAN S S，et al. An investigation of tool wear using acoustic emission and genetic algorithm[J]. Journal of Vibration and Control，2014，21(15)：3061-3066.

[12] SATMAN M H，DIYARBAKIRLIOGLU E. Reducing errors-in-variables bias in linear regression using compact genetic algorithms[J]. Journal of Statistical Computation and Simulation，2014，85(16)：1-20.

[13] 曾艷.基于變異系數(shù)的區(qū)域物流需求組合預(yù)測方法[J].統(tǒng)計(jì)與決策，2012(21)：93-95.

[14] 謝曉燕，韋學(xué)婷，王霖.基于指數(shù)平滑法的呼、包、鄂三角區(qū)物流需求量預(yù)測[J].干旱區(qū)資源與環(huán)境，2013，27(1)：58-62

[責(zé)任編輯：謝 平]

Prediction of the logistics demand of Poyang lake city circle based on genetic algorithm neural network

XIA Jian-min， LI Bing， KE Fen-fen

(College of Software，Jiangxi Normal University， Nanchang 330022, China)

In view of the problems of inadequate prediction, poor generalizability and time-consumption arising from using neural network alone, the study puts forward an algorithm which can be optimized in order to avoid falling into local minimum， and introduce necessary parameters such as weights and thresholds of the genetic algorithm neural network for optimizing processing. The simulation results show that the neural network using genetic algorithms to optimize the predicted results can exhibit higher prediction accuracy and generalization ability.

genetic algorithm； neural network； logistics； city circle

1673-2944(2016)06-0080-06

2016-05-23

2016-09-14

夏建民(1991—)，男，江西省上饒市人，江西師范大學(xué)碩士研究生，主要研究方向?yàn)榻?jīng)濟(jì)預(yù)測與決策。

O211.67

A