摘要:当在对物流需求进行预测遇到较大波动的时间序列数据时,传统的以统计学为基础的预测方法在进行预测分析时误差会很大,本文建立了基于人工BP神经网络的预测方法并证明了其有效性。
关键词:物流需求;人工神经网络;时间序列
中图分类号:F252文献标识码:A文章编号:1002-3100(2007)06-0003-03
Abstract: When logistics demand forecast faces greater volatility in time series data, the traditional analytic method based on statistics will have a huge error when it is used for prediction. It creates a forecasts method based on artificial BP neural network and proves its effectiveness.
Key words: logistics amount; artificial neural network; time series
物流需求预测,就是利用历史的资料和市场信息,运用适当的方法和技巧,对未来的物流需求状况进行科学的分析、估算和推断。人工神经网络(Artificial Neural Network,缩写ANN)建模方法是一种有效的分析预测方法,人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息处理体系。通过模仿脑神经系统的组织结构以及某些活动机理,人工神经网络可以呈现出人脑的许多特征,并具有人脑的一些基本功能,因此,它可以较好地揭示非线性时间序列在时延状态空间中的相关性,从而达到预测的目的[1]。神经网络理论中的Kolmogorov连续性定理从数学上保证了神经网络用于时间序列预测的可行性[2]。本文运用基于神经网络理论的误差反向传播算法(Error Back Propagation,简称BP算法),对某地区的物流需求进行预测,并同回归分析方法预测的结果进行了比较。
1BP神经网络
1.1算法思想。BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望输出不符,则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可以接受的程度,或进行到预先设定的学习次数为止。
1.2网络模型与算法推导。采用BP算法的多层前馈网络是至今为止应用最广泛的神经网络,1989年Robert Hecht-Nielson证明了对于闭区间内的任一连续函数都可以用一个隐层的BP网络来逼近,一个三层的BP网络可以完成任意的n维到m维的映照[3]。因此在多层前馈网的应用中,以图1所示的三层前馈网络的应用最为普遍。
2模型的实际应用
表1所示为某地区物流需求量的历史数据,显然数据为较长的时间序列且04年到05年有较大的数据波动,因此网络输入节点的选择可以采用下面的方法:首先将序列分为两部分,一部分为训练数据,另一部分为检验数据,然后分别由小到大改变输入节点数来训练并检验其误差大小。当输入节点数增加,误差不再有明显减小时,则此时输入节点数变化的临界值即为应采用的数值。
从表2可以看出,神经网络预测方法具有比回归分析更好的吻合度和更高的准确度,当数据出现较大的波动时,这种波动对神经网络的预测结果影响较小,因此神经网络预测的稳定性较好,能克服传统方法的缺点,准确地找出各种输入和输出之间的线性或非线性关系,是一种有效的分析预测方法。
参考文献:
[1] 韩力群. 人工神经网络理论、设计及应用[M]. 北京:化学工业出版社,2002.
[2] 卢学强,梁雪惠,卢学军. 神经网络方法在非线性时间序列预测中的应用[J]. 系统工程理论与实践,1997(6):97-99.
[3] 曹顺,刘婷. 基于BP神经网络的企业信用评价研究[J]. 控制工程,2003,10(5):404-406.
[4] 杨小平. 基于主成分与BP神经网络的股票价格预测分析[J]. 决策参考,2004(12):42-43.
“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。”