基于SPSS與BP神經(jīng)網(wǎng)絡(luò)的林產(chǎn)品物流運(yùn)輸需求預(yù)測(cè)對(duì)比研究VIP

1、    基于spss與bp神經(jīng)網(wǎng)絡(luò)的林產(chǎn)品物流運(yùn)輸需求預(yù)測(cè)對(duì)比研究    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(luò)預(yù)測(cè)模型，通過(guò)hn省林產(chǎn)品物流運(yùn)輸需求量的算例，對(duì)比多元線性回歸和bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)能力得出相應(yīng)結(jié)論。關(guān)鍵詞多元線性回歸；bp神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型doi10.13939/ki.zgsc.2017.06.0981 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(méi)有規(guī)?；陌l(fā)展。預(yù)測(cè)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(jí)過(guò)程中存在的問(wèn)題。本文運(yùn)用

2、與林產(chǎn)品物流運(yùn)輸需求有強(qiáng)相關(guān)性的經(jīng)濟(jì)指標(biāo)來(lái)預(yù)測(cè)hn省林產(chǎn)品物流運(yùn)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(guān)系的統(tǒng)計(jì)方法稱為回歸分析。在回歸分析中，如果有兩個(gè)或兩個(gè)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(guān)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(shè)物流運(yùn)輸需求量jb（yjb）與影響因素jb（x1，x2，xpjb）存在線性相關(guān)，可建立回歸函數(shù)模型y=fjb（x1，x2，xpjb），以此為基礎(chǔ)，對(duì)林產(chǎn)品物流運(yùn)輸需求做出預(yù)測(cè)。3 bp神經(jīng)網(wǎng)絡(luò)模型3.1 bp神經(jīng)網(wǎng)絡(luò)bp神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前

3、饋網(wǎng)絡(luò)，bp網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層。3.2 構(gòu)建物流運(yùn)輸需求預(yù)測(cè)模型利用bp神經(jīng)網(wǎng)絡(luò)構(gòu)建林產(chǎn)品物流運(yùn)輸需求預(yù)測(cè)模型，強(qiáng)相關(guān)性的經(jīng)濟(jì)指標(biāo)是輸入變量，林產(chǎn)品物流運(yùn)輸需求量是輸出變量。3.2.1 設(shè)計(jì)網(wǎng)絡(luò)輸入、輸出樣本設(shè)xi=jb（xi1，xi2，xinjb）表示第i年的經(jīng)濟(jì)指標(biāo)向量，yi=jb（yijb）表示第i年的物流運(yùn)輸需求量向量。以第1年至第n-1年的經(jīng)濟(jì)指標(biāo)值作為輸入樣本p，以第2年至第n年的物流運(yùn)輸需求量作為輸出樣本t，用輸入樣本p和輸出樣本t對(duì)bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完成后，輸入第n年的輸入指標(biāo)xn來(lái)預(yù)測(cè)第n+1年需求量。3.2.2 確定網(wǎng)絡(luò)層數(shù)、隱層節(jié)點(diǎn)數(shù)本文選用典

4、型的三層bp網(wǎng)絡(luò)。根據(jù)kolmogorov定理n1=2n+1確定隱含層節(jié)點(diǎn)數(shù)。4 hn省林產(chǎn)品物流運(yùn)輸需求預(yù)測(cè)實(shí)證分析貨運(yùn)量能反映出物流運(yùn)輸需求的變化規(guī)律，hn省鐵路網(wǎng)發(fā)達(dá)，故選擇“林產(chǎn)品鐵路貨運(yùn)量”作為輸出指標(biāo)，設(shè)為y。依據(jù)預(yù)測(cè)指標(biāo)選取原則，選取“人均生產(chǎn)總值、居民消費(fèi)水平、林業(yè)生產(chǎn)總值、林業(yè)固定資產(chǎn)投資、鐵路營(yíng)業(yè)里程”作為輸入指標(biāo)，分別設(shè)為x1，x2，x3，x4，x5。本文選取的原始數(shù)據(jù)來(lái)源于歷年hn省統(tǒng)計(jì)年鑒，選取20052013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(yù)測(cè)數(shù)據(jù)加以驗(yàn)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(duì)五個(gè)經(jīng)

5、濟(jì)指標(biāo)和林產(chǎn)品鐵路貨運(yùn)量指標(biāo)之間進(jìn)行相關(guān)性分析和線性回歸分析，從而對(duì)林產(chǎn)品物流運(yùn)輸需求進(jìn)行預(yù)測(cè)。4.1.1 相關(guān)性分析本文依據(jù)數(shù)據(jù)特點(diǎn)，對(duì)其采用pearson相關(guān)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(jì)算下，根據(jù)spss的輸出結(jié)果得到林產(chǎn)品物流運(yùn)輸需求量多元線性回歸模型為：y=550.119+0.009x1-0.047x2-0.230x3-2.060x4+0.017x54.2 bp神經(jīng)網(wǎng)絡(luò)模型算例分析本文借助matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱，通過(guò)編程來(lái)建立林產(chǎn)品物流運(yùn)輸需求神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。4.2.1 對(duì)數(shù)據(jù)歸一化處

6、理4.2.2 設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)通過(guò)試驗(yàn)，隱含層節(jié)點(diǎn)數(shù)目為2×7+1=15個(gè)最為合適。訓(xùn)練函數(shù)設(shè)為traingdx函數(shù)，傳遞函數(shù)第一層設(shè)為tansig函數(shù)，第二層設(shè)為logsig函數(shù)，學(xué)習(xí)率設(shè)為0.1，動(dòng)量因子設(shè)為0.9，學(xué)習(xí)誤差設(shè)為10-5。4.2.3 網(wǎng)絡(luò)訓(xùn)練與測(cè)試取歸一化后20052010年的輸入指標(biāo)值作為訓(xùn)練樣本輸入p-train，20062011年的輸出指標(biāo)作為訓(xùn)練樣本輸出t-train。在matlab軟件中編輯訓(xùn)練語(yǔ)句，結(jié)果如下圖所示。訓(xùn)練結(jié)果曲線經(jīng)過(guò)了146次訓(xùn)練后，網(wǎng)絡(luò)達(dá)到設(shè)定學(xué)習(xí)誤差，訓(xùn)練效果較好。4.3 模型預(yù)測(cè)對(duì)比多元線性回歸方程及bp神經(jīng)網(wǎng)絡(luò)對(duì)2014年的數(shù)據(jù)進(jìn)

7、行預(yù)測(cè)的結(jié)果如表3所示。由表3知，bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)2014年預(yù)測(cè)誤差為7.9%，多元線性回歸預(yù)測(cè)模型誤差為8.1%。相比而言，bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)精度更高，更穩(wěn)定。通過(guò)模型可以預(yù)測(cè)到未來(lái)幾年林產(chǎn)品物流運(yùn)輸需求量呈遞減趨勢(shì)，說(shuō)明對(duì)樹(shù)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(luò)模型，以hn省林產(chǎn)品物流運(yùn)輸需求量為算例，得出的研究結(jié)果表明bp神經(jīng)網(wǎng)絡(luò)在對(duì)新數(shù)據(jù)的預(yù)測(cè)能力方面有略微的優(yōu)勢(shì)，但是bp神經(jīng)網(wǎng)絡(luò)每一次訓(xùn)練運(yùn)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(jiǎn)單地以此判斷兩者之間在預(yù)測(cè)能力方面哪個(gè)更有優(yōu)勢(shì)，但總的來(lái)說(shuō)，bp神經(jīng)網(wǎng)絡(luò)較多元線性回歸模型的預(yù)測(cè)精度更高。參考文獻(xiàn)：1陳思遠(yuǎn)，郭奕崇.基于bp神經(jīng)網(wǎng)絡(luò)的安徽省物流需求預(yù)測(cè)研究j.物流技術(shù)，2012（17）：231-233.2韓