技术与方法 ｄｏｉ：ｌ０．３９６９／ｊ．ｉｓｓｎ．１００５—１５２Ｘ．２０１４．０６．０４８ 物流技术２０１４年第３３卷第６期（总第３０９期） 基于优化神经网络的物流外包预测模型研究 梁军 木 （广西机电职业技术学院，广西南宁５３０００７） 【摘要】物流外包量受到经济、、区域多种因素影响，其变化具有周期性和随机性，传统单一模型难以对其进行准确预 测。为了提高物流外包量的预测准确率，提出了一种优化神经网络的物流外包预测模型。首先采用灰色预测模型对物流外包的 周期性变化规律进行预测，然后采用神经网络模型对随机性规律进行预测，最后用灰色预测模型对神经网络进行优化，得到物流 外包量最终预测结果，提高了预测准确率。结果表明，优化神经网络模型可以很好对物流外包量变化规律进行刻画，提高了物流 外包量的预测准确率。 【关键词】物流外包；预测模型；灰色模型；神经网络 【中图分类号ｌＴＰ１８３；Ｆ２５２ 【文献标识码】Ａ 【文章编号］１ｏ０５—１５２Ｘ（２０１４）０６—０１５４—０３ Ｓｔｕｄｙ ｏｎ Ｌｏｇｉｓｔｉｅｓ Ｏｕｔｓｏｕｒｃｉｎｇ Ｆｏｒｅｃａｓｔｉｎｇ Ｍｏｄｅｌ Ｂａｓｅｄ ｏｎ Ｏｐｔｉｍｉｚｅｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｌｉａｎｇ Ｊｕｎ （Ｇｕａｎｇｘｉ Ｖｏｃａｔｉｏｎａｌ＆Ｔｅｃｈｎｉｃａｌ Ｃｏｌｌｅｇｅ ｏｆＥｌｅｃｔｒｏｍｅｅｈａｎｉｃｓ，Ｎａｎｎｉｎｇ ５３０００７，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｗｅ ｏｐｔｉｍｉｚｅｄ ｔｈｅ ｌｏｇｉｓｔｉｃｓ ｏｕｔｓｏｕｒｃｉｎｇ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｕｓｉｎｇ ｔｈｅ ｏｐｔｉｍｉｚｅｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｆｏｒｅｃａｓｔｉｎｇ ｐｒｏｃｅｓｓ，ｔｈｅｎ ｉｎｔｒｏｄｕｃｅｄ ｉｎ ｄｅｔａｉｌ ｔｈｅ ｗｏｒｋｉｎｇ ｍｅｃｈａｎｉｓｍ ｏｆ ｈｅ ｍｏｄｅｌｔ，ａｎｄ ａｔ ｔｈｅ ｅｎｄ，ｔｈｒｏｕｇｈ ａｎ ｅｘａｍｐｌｅ， ｐｒｏｖｅｄ ｔｈｅ ｖａｌｉｄｉｔｙ ｏｆｔｈｅ ｍｏｄｅ１． ＫｅｙｗＯｒｄｓ：ｌｏｇｉｓｔｉｃｓ ｏｕｔｓｏｕｒｃｉｎｇ；ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ；ｇｒｅｙ ｍｏｄｅｌ；ｎｅｕｒａｌ ｎｅｔｗｏｒｋ １ 引言 随着经济的迅速发展，物流外包成为拉动企业发展的重 要因素，２００５年的一份调查显示，企业完成的３０ ０５４万ｔ运量 中，委托第三方物流完成的为２０ １５３万ｔ，占６７．１％，可见，物流 外包在企业物流中占有很大比例。物流外包预测可以为物流 规划、资源合理配置提供科学的决策依据ｎ 。 高。物流外包量受到政治、经济、区域因素影响，从各年的数 据来看，物流外包量既呈现出类似指数增长或下降的长期趋 势，即周期性规律，同时又表现出一定的随机性和波动性，很 难用单一模型描述，采用简单算法进行预测，物流外包预测结 果不理想 。 为了提高物流外包量的预测准确率，结合物流外包量的 周期性、非线性变化规律，综合各种预测模型的优点，提出一 种优化神经网络的物流外包量预测模型。仿真实验结果表 明，该模型可以很好对物流外包量变化特点进行预测，有效提 高了物流外包量的预测准确率。 物流外包量传统预测方法是采用经验预测，该方法的预 测准确性与预测人员的经验密切相关，主观性较大，无法动态 跟踪物流外包变化 。近些年，一些学者对物流外包量的预测 进行了深入研究，提出了许多物流外包量的预测方法，如时间 序列方法、灰色预测模型、多元线性回归、支持向量机和神经 ２优化神经网络的物流外包量预测模型 ２．１ 物流外包量数据预处理 物流外包量受到多种影响因素，变化幅度大，需要进行预 处理，提高学习效率，具体为： 一 ＿一 网络等。时间序列方法假设物流外包量呈周期性变化规律， 简单、实现容易 ，但预测准确度波动性较大。多元回归预测 法假设物流外包量与其影响因素间是一种固定不变的线性关 系，预测准确率低 。灰色预测模型将物流外包看作一个灰色 系统，通过生成变换和关联分析，得到比较好的预测效果 １， 但收敛速度较慢。支持向量机和神经网络均属于非线性预测 （１） ｉｎ ｍ“由于采用了预处理，物流外包量最终预测结果需要相应 处理，即： 范畴，相对于其他物流外包量预测模型，预测准确率均有所提 ［收稿日期］２０１３一ｌ１—１４ 【基金项目】教育部项目“校企合作一用物联网技术构建广西农业物流电子商务运作平台研究”（ＪＺＷ２０１３０２７）；２０１４年广西教育厅教改项目课 题Ｂ类“‘订单班’人才培养模式构建广西高职区域性仓储配送人才研究” 【作者简介】梁军（１９６８一），女，广东南海人，四川大学物流管理专业硕士，高级经济师，广西机电职业技术学院专业教师，广西道路运输协会 物流专业委员会委员，研究方向：第四方物流、物流项目运作、物流企业管理。 —－１５４．． 梁军：基于优化神经网络的物流外包预测模型研究 ＝ 一 ）＋ （２） 技术与方法 表示神经元ｉ对应的物流外包量， 表示神经元ｊ的阈值，ｕ 表 示神经元ｊ中间层的输入量， ，表示神经元中间层ｊ的输出量。 （４）对ＢＰ神经网络输出层各神经元的输入ｚ 和输出Ｙ 进 行计算，即： 式中， 为原始物流外包量， 值。 和 为最大值和最小 ２．２基于灰色模型的物流外包量预测 物流外包量预测是一个复杂的动态过程，是多种因素综 『ｆＩ＝Ｘｖ￣，ｈｊ— 合作用的结果，物流外包量的形成过程可看作是既含有已知 ｛Ｉ ｖ： ！ １＋ｅｘｐ（一ｆ ） （９） 信息，又含有未知信息的灰色动态系统，从外包量时间序列本 身挖掘有用的信息，建立物流外包量发展变化的灰色预测模 式（９）中，ｆ 表示神经元输出层的输入量，Ｙ 表示神经元 型。设物流外包量的历史数据为 （１）， …， （＾ ，那么 物流外包量预测模型的白化微分方程为： ——－十＋ａｘ （Ｉ ： Ｊ一“ （＼３）Ｊ， 口 式（３）中，。和ｕ为待定参数， ＝∑ 。 根据最小二乘法求ａ和ｕ： ａ （：Ｊ 曰） Ｂ （４） 其中： 口： （ｌＩ＿－ Ｊｘ（３２））１ １ １ ， ： （２３） ●（５） ● ㈣ （ｃ）＝告（ Ｏ一１）＋ （ ））ｔ＝２，３，…Ｎ 解式（３）的微分方程，得到物流外包量的灰色预测动态模 型为： 露 Ｏ＋１１＝ｆ （１１一ｕ １ａ／ ｅ一 ＋ｕ ａ （６） 对式（６）再经过一次累减处理，就能够得到不同时刻的物 流外包量预测值： “＋１１： ｆ￡＋１）一露 ） （７） 利用灰色预测模型对物流外包量进行预测后，可以捕捉 到物流外包量发展变化的总趋势，即周期性，但是灰色模型对 随机波动性较大的数据序列拟合效果较差，因此无法揭示物 流外包量的时变、随机性变化规律，这些不确定性就隐含于物 流外包量预测值与实际值之间的残差中，因此采用ＢＰ神经网 络对灰色模型预测残差进行预测，以揭示物流外包量的时变、 随机性变化规律，进一步提高物流外包量的预测准确率。 ２．３基于神经网络的物流外包量预测 物流外包量的灰色模型残差序列为一维时间序列，需要 转换成时间序列，然后采用ＢＰ神经网络进行预测。基于 ＢＰ神经网络的物流外包量的随机性部分预测过程如下： （１）ＢＰ神经网络参数初始化。 （２）将物流外包量残差序列样本输入到ＢＰ神经网络进行 学习。 （３）对中间层输入“，和输出ｈ 进行计算。 一． （８） ） １ 式（８）中，Ｗ 表示神经元ｉ和神经元ｊ之间的连接权值。ｘ 输出层的输出量， 表示连接权值， 表示阈值。 （５）对ＢＰ神经网络连接到输出层神经单元ｔ上的权值误 差占 进行计算，即： ６ ＝（ｃ 一Ｙ ）ｙ （１一Ｙ ） （１０） 其中，Ｃ 表示物流外包残差序列样本的期望值。 （６）计算ＢＰ神经网络连接到中间层神经单元 上的权值 误差 ，即： ＝∑占 ＾，（１－ｈ） （１１） （７）对ＢＰ神经网络输出层的连接权值 和阈值 进行更 新，即： Ｉ （Ⅳ＋： 榴：１）＝ｙ （，ｖ）＋ 羞 （１２ （８）对ＢＰ神经网络中间层的连接权值 和阈值ｐ，值进 行更新，即： ｛ｌ ，（Ⅳ＋１）＝ （ ＋届５， 、 （９）输入下一个学习样本并转到步骤（３），不断重复直到 全部物流外包残差序列样本训练完毕。 （１ｏ）进行新一轮ＢＰ神经网络学习训练，如果满足预先设 定的误差阈值条件，那么物流外包残差序列学习训练完成。 （１１）获得物流外包残差序ｓ ㈣的预测值 ㈣。 ２．４灰色模型和神经网络预测结果组合 将灰色模型的物流外包量预测值和ＢＰ神经网络的物流 外包量残差序列预测值相加，可得到物流外包量最终预测结 果为： （ ，－ （ ＋ （１） （１５） 综上可知，基于优化神经网络的物流外包量预测模型的 工作流程如图１所示。 ３仿真与结果分析 ３．１ 数据来源 为了验证物流外包量预测模型的性能，采用某物流公司 ２００７—２０１ １年月度物流外包数据进行仿真实验，共选择６０个 数据，具体如图２所示。将物流外包量数据分为两部分，前５０ 个物流外包量数据为训练样本，用于建立物流外包量预测模 型，后１０个物流外包量数据作为测试样本，检验建立的物流外 包量预测模型的有效性，对比模型为单一灰色预测模型和ＢＰ 神经网络模型，数据处理方式全部相同。 —．１５５．． 技术与方法 图１ 物流外包量预测模型的工作流程 物 流 外 包 量 数据点 图２物流外包量数据 ３．２结果与分析 将前５０个物流外包量数据输入到单一灰色预测模型进行 训练，然后采用建立的模型对最后１０个物流外包量进行预测， 所有程序均在Ｍａｔｌａｂ环境下实现，得到的预测结果如图３所 示。 物 流 外 包 量 测试样本 图３单一灰色预测模型的物流外包量预测结果 由图３可知，单一灰色预测误差较大，无法对物流外包量 进行准确预测，但其可以从总体上预测物流外包量变化趋势。 ．．１５６．． 物流技术２０１４年第３３卷第６期（总第３０９期） 计算灰色模型的预测值与实际物流外包量间的残差，然后对 其进行样本重构，输入到ＢＰ神经网络进行预测，得到物流外 包量随机性部分的预测结果，最后将灰色模型和ＢＰ神经网络 的预测结果进行相加，得到物流外包量最终预测结果。另同 时采用单一ＢＰ神经网络对物流外包量进行预测，得到组合模 型和单一ＢＰ神经网络模型的物流外包量预测结果，具体如４ 和图５所示。 测试样本 图４ ＢＰ神经网络模型的物流外包量预测结果 测试样本 图５优化神经网络的物流外包量预测结果 由图４可知，单一ＢＰ神经网络模型的物流外包量预测结 果比较差，预测误差较大，主要是单一ＢＰ神经网络只能对物 流外包量随机性、波动性规律进行预测，无法准确预测物流外 包量的周期性变化规律。 然而从图５的优化神经网络预测结果可知，相对于单一的 灰色预测模型和ＢＰ神经网络，优化神经网络模型提高了物流 外包量的预测准确率，预测误差相应降低，主要是因为优化神 经网络模型综合了灰色模型和ＢＰ神经网络两者优势，实现优 势互补，能够全面描述物流外包量复杂的变化规律，是一种有 效、高准确率的物流外包量预测方法。 ４结束语 物流外包量受到多种因素影响，变化具有随机性、波动性 和周期性，单一模型难以对其进行准确的预测，为此，本文提 出一种基于优化神经网络的物流外包量组合预测模型。该模 型不仅包括灰色预测模型的趋势预测能力，还包括ＢＰ神经网 络随机性、非线性预测能力，克服了单一模型的弊端，达到优 势互补。结果表明，相对于单一预测模型，优（下转第１６４页） 技术与方法 共生单元不采用其他措施的条件下，也能够达到最大化。 （２）当零售企业的资金不充裕时，其订购量的多少取决于 其可用资金，此时Ｑ Ｑ。。订购Ｑ 数量的货物时，并不能实 物流技术２０１４年第３３卷第６期（总第３０９期） ＡＥ ＝（ｐ一 （Ｑ”一Ｑ ）一（ｐ—Ｗ一 （８） ｇ）【Ｉ（Ｑ”一ｘ）ｆ（ｘ）ｄｘ—ｌ（Ｑ。一ｘ）ｆ（ｘ）ｄｘ］一（ｗＱ 一Ｍ）（１＋ｒ） Ｏ 现零售企业能量的最大化，所以该共生单元的能量仍然有上 升的空间，对应地，其他共生单元能量也有增大的余地，则整 个共生系统的能量存在较大的上升空间，即该种情形并没有 使共生系统中的各个单元实现资源优化。此时，整个共生系 统的能量函数表达式为： Ｅ＝Ｅ ＋ ＋ 因而整个共生系统的能量也会发生改变，对应的函数表 达式为： ＡＥ＝（ｐ—ｃ—ｃＬ）（Ｑ”一Ｑ。）一（ｐ—Ｗ— ＱＩ ．（９） ［ｆ（Ｑ 一 ，∽ 一Ｊ（Ｑ 一ｘ）ｆ（ｘ）ｄｘ１＞０ 综上所述，通过对不同共生单元及整个共生系统能量变 其中，制造企业的能量函数表达式为： Ｅｓ＝ｗ—ｃ 一ｍ）Ｑｌ 第三方物流金融服务企业获得的能量函数为： Ｅ ＝ 一ｃ ）Ｑ。 零售企业的能量函数表达式为： 化的比较分析可知，当零售企业受到资金的时，其可以接 受物流金融企业的服务，这会使整个共生系统的能量增加，同 时也会增加制造企业和第三方物流的能量。零售企业的能量 也会上升，但其增加幅度与物流金融服务企业提供服务时收 取费用利率的大小相关。总之，通过第三方物流企业提供金 融服务，可使共生系统中零售企业的订购量增多，这使系统与 外界的相互作用增强，从而使得各个共生单元的能量增大，整 个共生系统的能量也将相应地增大。 Ｅ ＝（ｐ—ｗ）Ｑ 一 一Ｗ一 Ｊ（Ｑ。一 ｌ厂∽ ４．２物流金融服务参与后模型结果分析 由上面的分析可知，当零售企业资金受限时，其能量仍有 增大的空间，通过弓ｌ入第三方物流金融服务，即如３．３节中所 ５结论 本文针对第三方物流金融参与供应链系统运作前后的不 同情况建立了共生系统能量的数学模型，运用量化的方法，分 析了企业在资金不足时，接受第三方物流金融服务后其共生 能量的变化情况。通过对模型结果进行比较分析得出：第三 方物流金融服务会对整个共生系统产生积极的影响，其会增 强供应链上各个企业的竞争能力，也就会增强整个供应链的 建的模型，则可得到如下两种不同的情形： （１）当零售企业的资金充裕时，即 足够的大，Ｆ ）无限 大，所以Ｑ 一Ｑ ，该种情况与４．１节中的情形１是一致的，说 明零售企业不受资金的束缚，现有资金完全能满足订购货物 的需求。此时，物流金融服务虽然可提供资金，但它并不能使 整个共生系统的能量得到增加。 （２）当资金不充足时，Ｑ Ｑ ，由以下公式： Ｆ（Ｏ＋ １－Ｆ（Ｑ＊）－—［ｐ－ｗ－ｗ（１＋ｒ）］［１Ｆ（Ｑ Ｌ）］＋ｇＦ（ＱＯ＞０（５） －—竞争力，从而实现企业的共赢目标。 【参考文献】 Ｐ——Ｗ——ｇ 可知Ｑ ＜Ｑ“，意味着若零售企业能从第三方物流金融服 务企业得到相应的融资服务，其订购决策就会发生改变，从而 增加货物的订购数量。这时，制造企业共生单元的能量会发 生改变，其表达式如下： ＡＥ ＝（ 一ｃ 一 （Ｑ”一Ｑ ）＞０ 第三方物流金融服务企业能量的变化情况为： ＡＥ ＝（ｍ—ｃ ） ”一Ｑ ）＋ｒ（ｗＱ 一 ＞０ 零售单元的能量也有如下的变化： （７） ［１］郝玉龙，高立娜．基于共生理论的制造业和物流业的互动发展研究 物流技术，２０１ ｌ，（９）． ［２］谢申涛．物流金融服务分销渠道问题研究［Ｊ］．物流技术，２０１ １，（１０）． ［３］，杨德礼，吴清烈．基于努力因素的供应链利益共享契约模型研 究 计算机集成制造系统，２００６，（１１）． （６） ［４］桂良军．基于第三方参与的供应链收益分配机制研究［Ｊ］＿会计研究， ２００６，（１ ｏ）． ［５］李莉莉席啸冰第三方物流企业供应链金融监管体系研究及其构建ｌＪ１． 物流技术，２０１ １，（１）． 【上接第１５６页）化神经网络模型提高了物流外包量预测准确 率。考虑到物流外包市场的复杂性，下一步可以更多的预测 模型，如将支持向量机、多元线性回归等方法引入进来，进一 ［４１陈森，周峰．基于灰色系统理论的物流外包预测模型［Ｊ】．统计与决策， ２００６，（２）：５９—６０． ［５】陈春燕．，Ｊ、波神经网络改进算法在故障诊断中的应用【Ｊ］．科技通报， ２０１２，１０（２８）：３１－３３． 步提高物流外包量预测准确率。 ［参考文献】 （６】魏连雨，庞明宝．基于神经网络的物流量预测［Ｊ】．长安大学学报（自然 科学版），２００４，２４（６）：５５—５９． ［７］后锐，张毕西．基于ＭＬＰ神经网络的区域物流外包预测方法及其应 用【Ｊ］．系统工程理论与实践，２００５，（１２）：４３—４７． ［１］朱道立，龚国华，罗齐．物流和供应链管理【Ｍ］．上海：复旦大学出版社， ２００１． ［２】过秀成，谢实海，胡斌．区域物流外包分析模型及其算法ｆＪ１．东南大学 学报（自然科学版），２００１，３１（３）：１—５． ［８］贾星辰，王铁宁，裴帅．基于ＢＰ神经网络的物流外包量预测模型研究阴． 物流科技，２００６，ｆ４）：３—５． ［９】尹艳玲．基于自适应神经网络的物流外包预测研究【Ｊ１．河南理工大学 学报（自然科学版），２０１０，２９（５）：７００—７０４． ［３］汪字瀚．预测物流外包的一元线性回归分析法［Ｊ］．商场现代化，２００６， （３４）：１３６—１３８． －－１６４——
