BP神经网络在物流预测中的应用

BP神经网络在物流预测中的应用摘要：物流预测由于自身的原因,存在着非线性严重,难以精确建模等问题。人工神经网络,对解决非线性问题以及难以精确建模问题有着独特的优势。根据这个想法,提出了用BP网络来解决物流预测的问题。本文在介绍人工神经网络的基本理论的基础上，利用BP神经网络建立了某地区公路货运路的预测模型，并利用工具MATLB实现了模型的构建与预测过程，得了良好的实验结果,表明神经网络是解决这类问题的一种有效方法.关键词：物流预测，神经网络，BP算法Abstract：Becauseoftheirownreasons,Logisticsforecastexistsseriousnonlinearproblems,anditisdifficulttoaccuratelyestablishthemodel.Artificialneuralnetworksforsolvingnonlinearproblemsandthedifficultyestablishmodelhasauniqueadvantage.Accordingtothisidea,thepaperproposestouseBPnetworktosolvetheproblemoflogisticsforecasting.ThepaperestablishedpredictionprocessmodelbyusingBPneuralnetworkbasedonthebasictheoryoftheintroductionofartificialneuralnetwork,anduseMATLBtorealizetheconstructionandpredictionofprocessmodel,whichcontributetogoodexperimentalresults.Itshowsthattheneuralnetworkisaneffectivemethodtosolvethiskindofproblem.Keywords:Logisticsforecast,Artificialneuralnetworks,BPnetwork1物流预测及其现有的解决方法1.1物流预测所谓预测,就是人们对某一不确定的或未知的事件的表述。一般这个不确定的事件具有未来的性质。具体来说,预测就是要把某一未知的事件发生的不确定性最小化。从本质上看,预测是以变化为前提的。如果没有变化,预测也就不存在了。因此,可以说预测就是掌握。预测就是:第一要正确地掌握变化的原因;第二要了解变化的状态;第三要从量的变化中找出因果关系:第四从以上的变化中找出规律性的东西对未来进行判断。在物流方面,对未来的预测非常重要,因为它能使物流经理变被动为主动。物流中的每个领域都在某种程度上受到预测过程的影响—进行预测,提供预测中所需要的信息,或者接收预测结果和采用必要的行动。总之,在物流领域内,预测试图通过定量或者定性地分析对未来进行预言,其实质就是协助做出物流决策。1.2物流预测方法按预测所采用的方法不同分类,可分为定性预测和定量预测。1)定性预测定性预测方法是依据预测者对市场有关情况的了解和分析,结合对市场现象未来发展变化的估计,由预测者根据实践经验和主观判断做出的预测。它既可以对市场未来的供给量和需求量进行预测,也可对市场未来发展变化的特点、趋势做出判断预测。此方法是根据人们的主观判断对事物未来的发展给出的估计。常用的定性预测方法分为:市场调研法、专家预测法、主观概率法、交叉影响法等。定性与定量预测法在综合预测过程中也是相辅相成的。在具有较详尽的历史数据的条件下可以采用定量预测;在历史数据不完备或不确定因素影响较大的情况下可以采用定性预测。对于一些复杂的物流系统预测,可将这两类预测的结果进行综合分析,进而提供更符合客观实际的预测结果。2)定量预测定量预测的特点,是以大量的历史观察值为主要依据,建立适当的数学模型为预测模型,推断或估计预测目标的未来值。定量预测模型分类的方法很多,常用的分类方法是将其分为相关回归预测模型和时间序列预测模型两大类。时间序列预测模型的基本思想是:根据预测的惯性原则利用事物发展的历史数据的变化趋势的延续来估计预测目标的未来发展趋势。时间序列预测模型根据采用的工具和手段不同可分为:移动平均法、指数平滑法、BOX—JEKINS模型、灰色预测法、神经网络预测法等。其特点为:以市场现象的时间序列历史数据为依据,根据时间序列的变动规律建立适当的数学模型,并运用一定的数学方法使其规律外延来预测未来的发展变化趋势。这类方法对模型的要求较高,而在实际情况往往难以精确建模。而神经网络在解决非线性、难以精确建模等问题上取得了很好的效果,并且也越来越广泛地被用在各种时序问题的预测中。本文就是在此背景下,利用人工神经网络对物流预测问题进行研究。2神经网络BP算法2.1人工神经网络介绍人工神经网络的发展经理了大约半个世纪,从20世纪40年代初到80年代,神经网络的研究经历了低潮与高潮几起几落的发展过程。从总体上讲,人类对人工智能的研究可以分成两种方式,这两种方式可以对应两种不同的技术,即传统的人工智能技术和基于人工神经网络的技术。人工神经网络的发展大致可以分为5个时期:1)20世纪40年代信息科学的开创时期是人工神经网络的萌芽时期。1943年,心理学家麦克卡洛克(MCculloch)和数学家匹茨(PittS.W.H.)建立了著名的闽值加权和模型(M-P模型),标志着神经网络研究的开始。2)1950-1968年从单级感知器(Perceptron)的构造成功到被否定是人工神经网络的第一次高潮期。这个时期的研究以MarvinMinsky,FrankRosenblat,Bernardwidrow等为代表人物,成功的构造了单级感知器,并被人们用于各种问题的求解中。3)1968-1980年是人工神经网络研究的低潮期。神经网络研究工作受到了现代计算机和人工智能快速发展所带来的冲击,基于仿生学的结构主义用硬件来模拟人脑的企图,不可避免的受到了严重的阻碍,但世界上仍有一部分学者献身于神经网络的研究,为后期的复兴奠定了基础。如威德罗(widrwo.B.)的自适应线性元件(adaline)模型;安德森(Andersno)的线性联想记忆理论;冯德曼尔斯博格(VonDerMakburg)的竞争学习理论,以及格罗斯博格(Grossberg.S)的自适应共振理论(ATR)等。4)20世纪80年代的第二次高潮期。基于十几年迅速发展起来的以逻辑符号处理为主的人工智能理论和并行分布处理模式的神经网络自身的研究结果,神经网络的研究又一次进入了高潮期。美国加州理工学院的物理学家H叩field.J..J将神经网络理论分析与动力学系统稳定性分析方法相结合,引入了“计算能量函数”的概念,提出了网络稳定性判断依据,开拓了神经网络用于联想记忆和组合优化等计算的新途径,由此掀起了神经网络研究的热潮。比较重要的研究成果还有:柯贺尼(Kohonen)的特征影射理论;菲尔德曼(Feldoan)和巴拉(Ballard)的连接模型等。5)20世纪90年代以后的发展时期。这一时期大多数学者的研究集中在三个方面:开发现有模型的应用,并在应用中根据实际运行情况对模型、算法加以改造,以提高网络的训练速度和运行的准确度:希望在理论上寻找新的突破,建立新的专用或通用的模型和算法;进一步对生物神经系统进行研究,不断的丰富对人脑的认识。总的来说，人工神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统考其状态对外部输入信息的动态响应来处理信息。2.2BP神经网络原理BP网络是1986年由Rinehart和McClelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。误差反传算法的主要思想是把学习过程分为两个阶段：第一阶段（正向传播过程），给出输入信息通过输入层经隐含层处理并计算每个单元的实际输出值；第二阶段（反向过程），若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值（即误差），以便根据此差值调节权值，具体来说，就是可对每一权重计算出接收单元的误差值与发送单元的激活值的积。基于BP算法的多层前馈型网络的结构如图2.1所示。图2.1基于BP算法的多层前馈型网络结构这种网络不仅有输入层节点，输出层节点，而且有一层或多层隐含节点。对于输入信息，首先向前传播到隐含层的节点上，经过各单元的激活函数（又称作用函数、转换函数）运算后，把隐含节点的输出信息传播到输出节点，最后给出输出结果。网络的学习过程由正向和反向传播两部分组成。在正向传播过程中，每一层的神经元的状态只影响下一层神经元网络。如果输出层不能得到期望输出，就是实际输出值与期望输出值之间有误差，那么转向反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，再经过正向传播过程，这两个过程的反复运用，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束。BP算法是在导师指导下，适合于多层神经元网络的一种学习，它是建立在梯度下降法的基础上的。理论证明，含有一个隐含层的BP网络可以实现以任意精度近似任何连续非线性函数。2.3BP算法介绍BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。图2-2BP网络结构图中：表示输入层第个节点的输入，j=1,…,M；表示隐含层第i个节点到输入层第j个节点之间的权值；表示隐含层第i个节点的阈值；表示隐含层的激励函数；表示输出层第个节点到隐含层第i个节点之间的权值，i=1,…,q；表示输出层第k个节点的阈值,k=1,…,L；表示输出层的激励函数；表示输出层第个节点的输出。（1）信号的前向传播过程隐含层第i个节点的输入neti：（2-1）隐含层第i个节点的输出yi：（2-2）输出层第k个节点的输入netk：（2-3）输出层第k个节点的输出ok：jxjijwi()xkiwkkaxkok1Miijjijnetwx1()()Miiijjijynetwx111()qqMkkiikkiijjikiijnetwyawwxa………………输出变量输入变量输入层隐含层输出层（2-4）（2）误差的反向传播过程误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。对于每一个样本p的二次型误差准则函数为Ep：（2-5）系统对P个训练样本的总误差准则函数为：（2-6）根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量。；；；（2-7）输出层权值调整公式：（2-8）输出层阈值调整公式：（2-9）隐含层权值调整公式：（2-10）隐含层阈值调整公式：（2-11）又因为：（2-12）111()()()qqMkkkiikkiijjikiijonetwyawwxa211()2LpkkkETo2111()2PLppkkpkEToikikiwEwkkEaaijijEwwiiEkikkkkkikkkikiwnetnetooEwnetnetEwEwkkkkkkkkkknetonetEEEaanetaonetaiiiijijiijiiijnetynetEEEwwnetwynetwiiiiiiiiiinetynetEEEnet