劉靖++張海

[摘 要]采用SPSS及Matlab軟件分別建立多元線性回歸模型和BP神經(jīng)網(wǎng)絡預測模型，通過HN省林產(chǎn)品物流運輸需求量的算例，對比多元線性回歸和BP神經(jīng)網(wǎng)絡預測模型的預測能力得出相應結(jié)論。

[關鍵詞]多元線性回歸；BP神經(jīng)網(wǎng)絡；預測模型

[DOI]10.13939/j.cnki.zgsc.2017.06.098

1 引 言

HN省林業(yè)發(fā)展雖然迅速，但總體規(guī)模小，林業(yè)產(chǎn)業(yè)化水平低，林產(chǎn)品沒有規(guī)?；陌l(fā)展。預測林產(chǎn)品的物流需求，能夠探索出HN省林產(chǎn)品的發(fā)展規(guī)律，發(fā)現(xiàn)林業(yè)轉(zhuǎn)型升級過程中存在的問題。本文運用與林產(chǎn)品物流運輸需求有強相關性的經(jīng)濟指標來預測HN省林產(chǎn)品物流運輸需求量。

2 多元線性回歸模型

2.1 多元線性回歸

確定兩種及以上變量間相互定量關系的統(tǒng)計方法稱為回歸分析。在回歸分析中，如果有兩個或兩個以上的自變量，就稱為多元回歸分析，如果自變量與因變量間存在線性關系，就稱為多元線性回歸。其模型的一般形式為：

2.2 多元線性回歸模型構(gòu)建

設物流運輸需求量[JB（（]Y[JB））]與影響因素[JB（（]X1，X2，…，XP[JB））]存在線性相關，可建立回歸函數(shù)模型Y=F[JB（（]X1，X2，…，Xp[JB））]，以此為基礎，對林產(chǎn)品物流運輸需求做出預測。

3 BP神經(jīng)網(wǎng)絡模型

3.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，BP網(wǎng)絡模型拓撲結(jié)構(gòu)包括輸入層、隱含層和輸出層。

3.2 構(gòu)建物流運輸需求預測模型

利用BP神經(jīng)網(wǎng)絡構(gòu)建林產(chǎn)品物流運輸需求預測模型，強相關性的經(jīng)濟指標是輸入變量，林產(chǎn)品物流運輸需求量是輸出變量。

3.2.1 設計網(wǎng)絡輸入、輸出樣本

設Xi=[JB（（]Xi1，Xi2，…，Xin[JB））]表示第i年的經(jīng)濟指標向量，Yi=[JB（（]yi[JB））]表示第i年的物流運輸需求量向量。以第1年至第n-1年的經(jīng)濟指標值作為輸入樣本P，以第2年至第n年的物流運輸需求量作為輸出樣本T，用輸入樣本P和輸出樣本T對BP網(wǎng)絡進行訓練，訓練完成后，輸入第n年的輸入指標Xn來預測第n+1年需求量。

3.2.2 確定網(wǎng)絡層數(shù)、隱層節(jié)點數(shù)

本文選用典型的三層BP網(wǎng)絡。根據(jù)Kolmogorov定理n1=2n+1確定隱含層節(jié)點數(shù)。

4 HN省林產(chǎn)品物流運輸需求預測實證分析

貨運量能反映出物流運輸需求的變化規(guī)律，HN省鐵路網(wǎng)發(fā)達，故選擇“林產(chǎn)品鐵路貨運量”作為輸出指標，設為Y。依據(jù)預測指標選取原則，選取“人均生產(chǎn)總值、居民消費水平、林業(yè)生產(chǎn)總值、林業(yè)固定資產(chǎn)投資、鐵路營業(yè)里程”作為輸入指標，分別設為X1，X2，X3，X4，X5。本文選取的原始數(shù)據(jù)來源于歷年HN省統(tǒng)計年鑒，選取2005—2013年的數(shù)據(jù)作為樣本數(shù)據(jù)，如表1所示。2014年的數(shù)據(jù)作為預測數(shù)據(jù)加以驗證。本文以木材作為木產(chǎn)品的代表。

4.1 多元線性回歸模型算例分析

本文借助SPSS軟件對五個經(jīng)濟指標和林產(chǎn)品鐵路貨運量指標之間進行相關性分析和線性回歸分析，從而對林產(chǎn)品物流運輸需求進行預測。

4.1.1 相關性分析

本文依據(jù)數(shù)據(jù)特點，對其采用Pearson相關系數(shù)，如表2所示。

4.1.2 線性回歸分析

選擇X1、X2、X3、X4、X5作為自變量，Y作為因變量。在SPSS軟件的計算下，根據(jù)SPSS的輸出結(jié)果得到林產(chǎn)品物流運輸需求量多元線性回歸模型為：Y=550.119+0.009X1-0.047X2-0.230X3-2.060X4+0.017X5

4.2 BP神經(jīng)網(wǎng)絡模型算例分析

本文借助MATLAB軟件的神經(jīng)網(wǎng)絡工具箱，通過編程來建立林產(chǎn)品物流運輸需求神經(jīng)網(wǎng)絡預測模型。

4.2.1 對數(shù)據(jù)歸一化處理

4.2.2 設計網(wǎng)絡結(jié)構(gòu)參數(shù)

通過試驗，隱含層節(jié)點數(shù)目為2×7+1=15個最為合適。訓練函數(shù)設為traingdx函數(shù)，傳遞函數(shù)第一層設為tansig函數(shù)，第二層設為logsig函數(shù)，學習率設為0.1，動量因子設為0.9，學習誤差設為10-5。

4.2.3 網(wǎng)絡訓練與測試

取歸一化后2005—2010年的輸入指標值作為訓練樣本輸入p-train，2006—2011年的輸出指標作為訓練樣本輸出t-train。在MATLAB軟件中編輯訓練語句，結(jié)果如下圖所示。

訓練結(jié)果曲線

經(jīng)過了146次訓練后，網(wǎng)絡達到設定學習誤差，訓練效果較好。

4.3 模型預測對比

多元線性回歸方程及BP神經(jīng)網(wǎng)絡對2014年的數(shù)據(jù)進行預測的結(jié)果如表3所示。

由表3知，BP神經(jīng)網(wǎng)絡預測模型對2014年預測誤差為7.9%，多元線性回歸預測模型誤差為8.1%。相比而言，BP神經(jīng)網(wǎng)絡預測模型的預測精度更高，更穩(wěn)定。

通過模型可以預測到未來幾年林產(chǎn)品物流運輸需求量呈遞減趨勢，說明對樹木的砍伐在逐年遞減。

5 結(jié) 論

本文介紹及建立了多元線性回歸模型和BP神經(jīng)網(wǎng)絡模型，以HN省林產(chǎn)品物流運輸需求量為算例，得出的研究結(jié)果表明BP神經(jīng)網(wǎng)絡在對新數(shù)據(jù)的預測能力方面有略微的優(yōu)勢，但是BP神經(jīng)網(wǎng)絡每一次訓練運行的結(jié)果都是不同的，具有一定的不確定性，因此并不能簡單地以此判斷兩者之間在預測能力方面哪個更有優(yōu)勢，但總的來說，BP神經(jīng)網(wǎng)絡較多元線性回歸模型的預測精度更高。

參考文獻：

[1]陳思遠，郭奕崇.基于BP神經(jīng)網(wǎng)絡的安徽省物流需求預測研究[J].物流技術，2012（17）：231-233.

[2]韓林.湖南省林產(chǎn)品物流運輸需求預測研究[D].長沙：中南林業(yè)科技大學，2015.

[3]張景陽，潘光友.多元線性回歸與BP神經(jīng)網(wǎng)絡預測模型對比與運用研究[J].昆明理工大學學報：自然科學版，2013（6）：61-67.