（管理科学与工程专业论文）基于改进APSOGRNN的区域物流需求预测研究.pdf

摘要随着经济一体化，物流在实现资源优化配置中的地位日益重要，区域物流是区域经济的主要构成要素。从单个企业物流合理化走向区域物流合理化，是社会经济发展的必然趋势。因此，规划和建立完善的区域物流网络体系具有十分重要的意义，而区域物流需求预测研究是其中重要的环节。传统的物流需求量预测方法对物流需求量与预测影响因素的高度非线性无法辨识，对于一些模糊等不确定性因素无法处理，造成预测结果的严重失真的问题。运用广义回归神经网络( g e n e r a l i z e dr e g r e s s i o nn e u r a ln e t w o r k ，g r n n ) 来构建预测模型，泛化性能良好，在逼近能力、分类能力和学习速度上有着较强的优势，具有很强的非线性拟合能力等优点，适合用于预测分析。但广义回归神经网络的唯一调节参数一平滑因子难以确定，其值对网络的预测性能影响很大。因此，本文提出一种改进的自适应粒子群优化算法( a d a p t i v ep a r t i c l es w a r mo p t i m i z a t i o n ，a p s o ) 来确定平滑因子。将平滑因子映射为粒子，根据粒子的适应度值一致等价于粒子位置的特点，通过比较粒子适应度值与当前全局最优适应度值的差来自适应调整惯性权值，并按当前种群平均粒距对种群中部分粒子进行变异操作，克服早熟收敛，找到全局最优的平滑因子，从而确定广义回归神经网络模型。通过实证研究证明，本文构建的a p s o - g r n n 预测模型适合用于预测区域物流需求量。关键词区域物流需求，广义回归神经网络，粒子群优化算法a b s t r a c tw i t ht h ed e v e l o p m e n to fe c o n o m i ci n t e g r a t i o n ，l o g i s t i c si si n c r e a s i n g l yi m p o r t a n ti no p t i m i z e dt h ea l l o c a t i o no fr e s o u r c e s ，r e g i o n a ll o g i s t i c sa r et h em a i nc o m p o n e n t so fr e g i o n a le c o n o m i cf a c t o r s f r o mr a t i o n a l i z a t i o no fas i n g l ee n t e r p r i s el o g i s t i c st or a t i o n a l i z a t i o no fr e g i o n a ll o g i s t i c si sa ni n e v i t a b l et r e n do fs o c i o e c o n o m i cd e v e l o p m e n t t h e r e f o r e ，i t si m p o r t a n tt op l a na n ds e tu pac o m p r e h e n s i v en e t w o r ko fr e g i o n a ll o g i s t i c so f ，a n df o r e c a s t i n gr e s e a r c ho fr e g i o n a ll o g i s t i c sd e m a n di so n eo fa ni m p o r t a n ta s p e c t b e c a u s et r a d i t i o n a ll o g i s t i c sd e m a n df o r e c a s t i n gm e t h o d su n r e c o g n i z e dl o g i s t i c sc a p a c i t ya n df a c t o r so ff o r e c a s t i n g sh i g h l yn o n l i n e a r , s o m ev a g u eu n c e r t a i n t i e sc a nn o tb ep r o c e s s e d ，r e s u l t i n gi ns e r i o u sd i s t o r t i o no ft h er e s u l t so ff o r e c a s t i n g ，t h i sp a p e ri sb a s e do ng e n e r a l i z e dr e g r e s s i o nn e u r a ln e t w o r k ( g e n e r a l i z e dr e g r e s s i o nn e u r a ln e t w o r k ，g r n n ) t ob u i l daf o r e c a s t i n gm o d e l ，g e n e r a l i z e dr e g r e s s i o nn e u r a ln e t w o r kh a v eg o o dg e n e r a l i z a t i o n ，i th a ss t r o n ga d v a n t a g e si nt h ea p p r o x i m a t i o na b i l i t y , c l a s s i f i c a t i o na b i l i t ya n ds t u d ys p e e d ，a n dw i t hs t r o n ga b i l i t yo fn o n l i n e a rf i t t i n ge t c ，i t ss u i t a b l ef o rt h ef o r e c a s t i n ga n a l y s i s b u tt h eo n l ya d j u s t m e n tp a r a m e t e r s s m o o t h i n gf a c t o ri sd i f f i c u l tt od e t e r m i n e ，s m o o t h i n gf a c t o r sv a l u e sh a v eag r e a ti m p a c to np r i d i c t i o no ft h en e t w o r k t h e r e f o r e ，t h i sp a p e rp r e s e n t sa ni m p r o v e di ia d a p t i v ep a r t i c l es w a r mo p t im i z a t i o n ( a d a p t i v ep a r t i c l es w a r mo p t i m i z a t i o n ，a p s o ) t od e t e r m i n et h es m o o t h i n gf a c t o r , s m o o t h i n gf a c t o ri sm a p p i n gf o rt h ep a r t i c l e s ，t h ea l g o r i t h mb a s e do nt h ec h a r a c t e r i s t i c st h a tt h ef i t n e s sv a l u eo fp a r t i c l e si se q u i v a l e n tt ol o c a t i o no fp a r t i c l e s ，i t sa d a p t i v et oa d j u s tt h ei n e r t i aw e i g h tb yc o m p a r i n gt h ef i t n e s sv a l u eo fp a r t i c l ew i t ht h ec u r r e n tv a l u eo ft h eg l o b a lo p t i m u m ，a n da c c o r d i n gt ot h ea v e r a g ed i s t a n c eo fc u r r e n tp o p u l a t i o n ，t a k ep a r to ft h ep o p u l a t i o nt ob em u t a t i o nf o ro v e r c o m i n gt h ep r e m a t u r ec o n v e r g e n c e ，a n df i n dt h es m o o t h i n gf a c t o ro fg l o b a lo p t i m u m ，s ot h a td e t e r m i n et h eg e n e r a lr e g r e s s i o nn e u r a ln e t w o r km o d e l t h r o u g ht h ee m p i r i c a ls t u d yp r o v e dt h a tt h ea p s o g r n np r e d i c t i o nm o d e lw h i c ht h i sa r t i c l ec o n s t r u c t si ss u i t a b l et of o r e c a s tr e g i o n a ll o g i s t i c sd e m a n d k e yw o r d sr e g i o n a ll o g i s t i c sd e m a n d ，g e n e r a l i z e dr e g r e s s i o nn e u r a ln e t w o r k ，p a r t i c l es w a r mo p t i m i z a t i o n1 1 1原创性声明本人声明，所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。作者签名：琢芝室望一一日期：单年月望日学位论文版权使用授权书本人了解中南大学有关保留、使用学位论文的规定，即：学校有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科学技术信息研究所将本学位论文收录到中国学位论文全文数据库，并通过网络向社会公众提供信息服务。作者张邈选导师签名啦吼珥年上月卑日硕士学位论文第一章导论1 1 选题背景第一章导论随着经济的全球化，区域经济已经发展成为一种新趋势，得到全世界的高度重视。在全球范围内，由于地理位置、资源禀赋、经济社会发展水平等方面的差异，形成了各具特色的经济区域，如跨国的有：欧盟、北美自由贸易区、亚太经合组织、东盟等，国家内部的有：长三角、珠三角和京津地区等，经济区域之间的产业分工更加细化和明确。在此条件下，建立密切的经济联合与协作关系，发挥各个区域的比较优势，促进区域经济的发展，已经成为一种普遍的共识。经济联合与协作必然伴随着大量的人员、资源、商品和资本的流通，如果拥有发达的区域物流系统，人员、资源、商品可以高效率、低成本的流通，促进区域经济的快速发展；反之，如果区域物流系统很落后，则会严重阻碍它们的流动，进而延缓区域经济的发展，可见区域物流系统在区域经济联合与协作及区域经济发展中具有巨大的能动作用。区域物流与区域经济之间存在着很强的相关性【l 捌。区域物流与区域经济是相互依存的统一体，区域物流是区域经济的重要构成部分，是区域经济系统形成与发展的主导力量之一，它对提高生产领域、流通领域的运作效率和经济效益，提高区域市场的竞争能力，改变生产企业的布局和生产方式都发挥着积极的能动作用。与此同时，区域经济发展水平决定区域物流产业的发展程度，也是区域物流产生并发展的源动力。区域经济是一种聚集经济，是客流、商流、资本流等各种生产要素聚集在一起的规模化生产，以生产的批量化和连续性为特征。但是，聚集小是目的，要素的聚集是为了商的扩散，如果没有发达的商业贸易作保障，生产的大量产品就会堆积在狭小的空间里，商品的价值和使用价值都难以实现，区域经济的基本运转就会中断。因此，在区域经济的发展进程中，合理的物流系统起着基础性的作用【4 捌。主要表现在以下三方面：( 1 ) 低运行成本，改变区域经济增长方式物流业之所以能够显著降低交易成本，主要是因为现代物流业的主体是由诸多节点和线路组成的网络体系。以点状松散存在的要素组成物流网络后，原来点和点、要素和要素之间偶然的、随机的关系随之变成网络成员之间的稳定的、紧密的联系。一个结构稳定、高效运作的物流网络，不仅可以减少组成要素之间的磨损和交易成本，减少用户使用网络资源和要素的成本，还可以放大各要素硕士学位论文第一章导论的功能，提高要素和整个网络的收益。现代物流业对普遍降低交易成本所作的贡献可以从对交易过程和交易主体行为的考察中得到进一步的证实【7 1 。一方面，从交易的全过程看，现代物流业的发展，有助于物流合作伙伴之间在交易过程中减少相关交易费用。由于物流合作伙伴之间经常沟通与合作，可使搜寻交易对象信息方面的费用大为降低：提供个性化物流服务建立起来的相互信任和承诺，可以减少各种履约风险：即便在服务过程中产生冲突，也会因为合同时效的长期性而可通过协商加以解决，从而避免仲裁、法律诉讼等行为所产生的费用【2 1 。另一方面，从交易主体行为看，现代物流业的发展将促使伙伴之间的“组织学习 ，从而提高双方对不确定性环境的认知能力，减少因交易主体的“有限理性 而产生的交易费用：物流联盟企业之间的长期合作将在很大程度上抑制交易双方之间的机会主义行为，这使得交易双方机会主义交易费用有望控制在最低限度。( 2 ) 形成新的产业形态，优化区域产业结构根据产业结构发展演进规律，区域产业结构的发展方向是合理化和高度化。产业结构合理化是以第三产业的发展水平来衡量的。产业结构高度化是一次产业向二、三次产业升级演进，由劳动密集型向资本、技术密集型产业演进。现代物流的实现方法之一就是通过培育并集中物流企业，使其发挥整体优势和规模效益，促使区域物流业形成并向专业化、合理化的方向发展。现代物流产业的本质是第三产业，是现代经济分工和专业化高度发展的产物。物流产业的发展将对第三产业的发展起到积极的促进作用。发达国家的实践还表明，现代物流业的发展，推动了当地的经济发展，既解决了当地的就业问题，又增加了税收，促进了其他行业的发展。此外，现代物流业将进一步带来商流、资金流、信息流、技术流的集聚，以及交通运输业、商贸业、金融业、信息业和旅游等多种产业的发展，这些产业都是第三产业发展的新的增长点，是第三产业重要的组成部分。现代物流还有利于对分散的物流进行集中处理，量的集约必然要求利用现代化的物流设施、先进的信息网络进行协调和管理。相对于分散经营、功能单一、技术原始的储运业务，现代物流属于技术密集型和高附加值的高科技产业，具有资产结构高度化、技术结构高度化、劳动力高度化等特征。从这个角度来说，发展现代物流有利于区域产业结构向高度化方向发展。( 3 ) 促进以城市为中心的区域市场形成和发展一般来说，城市是商品集散和加工的中心，其物流设施和基础建设齐全，流通人力资本高，消费集中而且需求量大，交通与信息发达，与周围地区存在不对称性在这种非对称性，扮演着“中心地”或“增长极”的作用，这种以城市为核心枢纽将其他地域“极化”成一个商品流通整体，所以在此意义上讲，现代物流所辐射的经济区域属于法国经济学家布德维尔提出的“极化区域 。现代物流对2硕士学位论文第一章导论于以城市为中心的区域市场的形成和发展的促进作用表现为：促进以城市为中心的区域经济形成，促进以城市为中心的区域经济结构的合理布局和协调发展，有利于以城市为中心的经济区吸引外资，有利于以城市为中心的网络化的大区域市场体系的建立，有利于解决城市的交通问题，有利于城市的整体规划，有利于减小物流对城市环境的种种不利影响。近年来，我国物流产业发展很快，物流需求迅速增长，但是在此过程中，各种物流发展政策的制定、各类物流基础设施的可行性研究等都缺乏物流需求的定量依据，这必然导致物流市场供需失衡、物流基础设施重复建设，从而阻碍物流产业持续发展。因此，建立科学合理的预测模型，对物流需求进行定量预测，为制定区域物流发展政策、确定物流基础设施建设规模、分析物流市场态势提供定量依据，对物流业的持续发展至关重要。目前常用的物流需求预测方法有时间序列方法、相关回归分析法、灰色预测方法和作为多种方法综合的组合预测方法等。这些方法大都集中在对其因果关系回归模型和时间序列模型的分析上，不能全面本质地反映所预测动态数据的内在结构和复杂特性。人工神经网络作为一种并行的计算模型，有很好的非线性映射能力，对被建模对象的经验知识要求不多，不必事先知道被建模对象的结构、参数和动态特性等方面的知识，只要给出对象的输入输出数据，通过网络本身的学习功能就可以达到输入与输出的映射关系。因而如何运用神经网络来构建预测模型，以提高预测精度，成为本文研究的重点。1 2 本文研究意义区域物流需求预测是区域物流系统规划过程中的重要环节，它能为政府制定物流产业发展政策提供必要的决策依据，对促进区域经济的发展有着至关重要的意义。与国家宏观物流需求相比，区域物流需求预测存在自身的特点，主要表现为两个方面，一是物流需求量与影响物流需求的各项指标存在高度的非线性；二是物流需求量存在更大的波动性。高度非线性和波动性使得区域物流的需求预测成为项复杂的研究课题。具体而言，对区域物流进行需求预测有以下几点意义：( 1 ) 区域物流需求预测有助于企业物流系统的合理建设和物流设施的合理配备。企业在提供物流供给时，首先要认识到区域物流的需求情况，否则当供给大于需求时，给企业带来资源浪费，当供给小于需求时，企业物流不堪重负。( 2 ) 区域物流需求预测是区域物流合理规划的必要条件。在进行区域物流规划的时候，会改造和建设一批物流基础设施，这些基础设施投资规模大、建设周期长，不根据需求来建设不仅会造成不必要的浪费，还会造成地区商品经济的不3硕： 学位论文第一章导论正常流通。( 3 ) 区域物流需求预测是区域物流管理的前提。通过物流需求预测，可以揭示和描述市场需求的变动趋势，了解未来物流需求发展的动态，为制定物流发展战略目标和方向提供依据，规避投资风险。根据区域物流需求预测自身存在的两个特点，本文采用广义回归神经网络( g e n e r a l i z e dr e g r e s s i o nn e u r a ln e t w o r k ，g r n n ) 来进行预测分析，广义回归神经网络是一种基于概率方法的神经网络，它具有更明确的概率意义，其模型的泛化性能良好。g r n n 不需要设定模型的形式，在逼近能力、分类能力和学习速度上有着较强的优势，在样本数据缺乏时，预测效果也比较好，具有很强的非线性拟合能力等优点。适合用于预测分析。但其隐回归单元的核函数中的平滑因子0 其取值对网络的影响很大，却难以确定。如何准确的确定平滑因子对整个模型的预测性能起着关键性的作用。粒子群优化算法( p a r t i c l es w a r mo p t i m i z a t i o n ，p s o 算法) 源于鸟群和鱼群群体运动行为的研究，是一种新的群体智能优化算法，是演化计算领域中的一个新的分支。它的主要特点是原理简单、参数少、收敛速度较快，所需领域知识少。己在函数优化、神经网络训练、组合优化、机器人路径规划等领域获得了广泛应用，并取得了较好的效果。本文试图通过提出一种改进的自适应粒子群优化算法来优化广义回归神经网络，使广义回归神经网络能快速准确的确定平滑因子，提高模型的预测性能，使之能对区域物流需求进行准确的预测。1 3 区域物流需求概述1 3 1 区域物流需求定义( 1 ) 物流物流是一个发展中的概念，其定义不是永恒不变的。物流概念产生以后，随着物流管理理论和物流实践活动的飞速发展，物流概念的内涵和外延也在不断地变化，各种物流定义层出不穷。在不同经济发展阶段，为了适应不同的经济活动目的，物流定义在不断地进化和完善。即便在同一历史时期、同一经济发展阶段，物流定义也因不同的团体组织和学派所站的角度和出发点及认识的不同而有所差别。联合国物流委员会2 0 0 2 年给出如下定义：物流是为了满足消费者的需要而进行的从起点到终点问的原材料、中间过程库存产品、最终产品和相关信息的有效流动和储存的计划、实施和控制管理的全过程。( 2 ) 区域物流4硕士学位论文第一章导论所谓区域物流是在一定的区域地理环境中，以大中型城市为中心，以区域经济规模和范围为基础，结合物流辐射的有效范围，将区域内外的各类物品从供应地向接受地进行有效的实体流动；根据区域物流基础设施条件，将公路、铁路、航空、水运及管道输送等多种运输方式及物流节点有机衔接，并将运输、储存、装卸、搬运、包装、流通加工、配送及信息处理等物流基本活动有机集成，以服务本区域的经济发展，提高本区域物流活动的水平和效率，扩大物流活动的规模和范围，辐射其他区域，提高本区域的综合经济实力。【8 】( 3 ) 物流需求物流需求即指对物流服务的需求。对物流服务的需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、成品和半成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和效率方面的要求，涉及运输、库存、包装、装卸搬运、流通加工、配送以及与之相关的信息需求等物流活动的诸方面。( 4 ) 物流需求和物流量社会经济活动对物流的需求是通过各种物流需求量( 如运输量、仓储量、配送量、流通加工量等) 的形式反映出来的。物流需求量是物流需求与物流供给、服务水平相互作用的结果，即在一定的物流服务能力与水平下所实现的物流需求。物流量与物流需求密切相关，但物流量并不完全代表经济社会活动对物流的需求。在物流服务能力完全满足物流需求的条件下，物流量基本上反映物流需求：在物流服务能力不能完全满足物流需求的条件下，物流量不能代表社会经济活动对物流的需求，仅代表被一定物流服务设施所限制的物流需求量，尚未满足的物流需求部分就是潜在的物流需求。物流需求是社会经济活动在物流服务方面所提出的有支付能力的需求：而物流量是指在一定物流供给条件下所能实现的物流活动。1 3 2 区域物流需求的特点伴随着区域经济水平、产业结构、资源状况，区域物流的需求在宏观上呈现出一定的特点。而了解和掌握区域社会物流需求的特点对提高物流需求分析的准确度，进而进行区域物流需求预测有十分重要的意义。概括起来说，区域物流需求的特点主要有以下几个方面：( 1 ) 需求发展的阶段性区域物流需求发展的阶段性特点主要表现在物流需求的增长过程以及物流需求层次的变化上。在经济活动的最初开始阶段，物流需求因其量小、功能需求硕上学位论文第一章导论也相对单一而处于初级阶段，但随着区域经济的快速发展，物流需求规模开始扩大，更重要的是对物流功能和物流服务质量等方面提出了更高的要求。在信息化条件下，对物流信息处理功能的需求越来越大，物流管理信息系统、物流系统集成、电子技术等先进的物流技术和设备需求加大，从而使得区域物流需求不仅在规模上而且在层次都发展到更高的阶段。( 2 ) 需求种类的多样性物流需求的针对性直接引发了物流需求种类的多样性，不同行业、不同企业以及不同时期均会对生产和销售产生不同的影响，从而产生个性化、多样化的物流需求，物流增值服务的内容和优势也由此得以发展和发挥。对于工业化程度较高的区域来说，需求的多样性表现在以下几个方面：第一，生产企业间的配送要求。其中主要需求环节有装卸、运输、配送、简单加工等。第二，商业配送要求。其主要环节有仓储、配送、装卸、简单包装等。第三，区域内快递。因为伴随着商品流通市场的繁荣、旅游业发展，便捷、直达的快递服务显得尤其重要，更加剧了需求种类的多样性。( 3 ) 需求分布非均衡性需求分布的非均衡性是区域物流需求的又一特点。造成区域物流需求分布不均衡的原因有三个：一是区域资源分布不均，二是区域商品生产地比较集中，三是消费地十分分散，这三个原因造成了区域物流需求事实上的错综复杂的物流供给、需求网络【9 1 。1 4 区域物流需求预测研究综述1 4 1 区域物流需求预测常用方法区域物流需求预测常有方法主要分为定性和定量预测方法，具体有以下几种：( 1 ) 德尔菲法德尔菲法又称专家调查法，通过对专家背靠背( 即专家互不见面或协商) 的匿名征询方式进行预测的一种方法，它是在1 9 5 0 年代由美国兰德公司创立的。德尔菲法主要靠专家的主观判断，如果专家选得不合适，预测结果就难以保证。它经常用于长期的和新产品的销售预测，利润预测以及技术预测。主要采用函询的方式，依靠专家背靠背的判断，使专家的不同意见能够充分发表，经过客观分析和多次征询反馈，使各种不同意见逐步趋向一致，从而得出较为符合事物发展规律的预测结果。这种方法优点是集思广益，有助于预测的全面和可靠，并且采取的匿名反馈6硕士学位论文第一章导论有助于预测人员独立思考，减少心理因素的干扰。但缺点是主要依靠主观判断缺乏客观标准，一致性，可靠性低。( 2 ) 业务人员评估法预测时，召集所属物流各环节，如计划、采购、仓储和运输等的业务人员对未来某种物流需求做出估计，然后把大家的推断数据综合处理，形成对未来的预测。这种方法的优点是业务人员最了解物流需求情况和市场动态，所提出的情况和预测的数值比较接近实际。缺点是某些业务人员的自身素质较低，思想狭隘，所作出的预测常忽略整个经济形势和市场需求变化趋势，并且业务人员出于自己的业务考虑做出估计一般比较保守。其经验公式为：推定平均值：垒羔掣( 1 - 1 )oa 为最乐观估计，b 为最可能估计，c 为悲观估计( 3 ) 时间序列方法时间序列方法是利用过去一段时间的销售量数据或其他一级数据，运用一定的数学方法，通过现有的需求数据预测未来的发展变化趋势及需求量，这种技术首先要分析确定历史数据的类型和动态，其次选定具体的预测方法，并进行计算，最后结合判断与量化的数据确定未来的预测值。1 、移动平均法根据历史统计数据的变化规律，使用最近时期数据的平均数，利用上一个或几个时期的数据产生下一期的预测。移动平均法就是时间序列上移动平均的每一个点都是一系列连续点的算术平均数或加权平均数。需要选择若干数据点以消除季节性影响或不规律性或前两者的共同影响。应用简单移动平均法进行预测时，本期的预测数等于过去各期的实际发生量之和除以所用的预测期数，它的基本公式是：x 。+ l _ 去x i( 1 2 )1i = t - n + lx 川第t + 1 时期的预测值x ；第i 时期的实际值n 总时期数移动平均法的使用比较广泛，主要适用于这样的情况：数值的变化没有明显的上升或下降的趋势，比较平稳：没有受到明显的季节性变化的影响。适合于短期预测。7硕士学位论文第一章导论2 、指数修正法这种方法是根据以前时期的实际数据和预测值的加权平均数来估计未来的预测值，适用于趋势和季节性变化不很显著成的时间序列。数学表达式为：y 什l = a x t + ( 1 一a ) y t( 1 3 )y t + l 第t + l 期的预测值x t _ 第t 期的实际需求值a 平滑系数( 0 4 a 1 )下一时期的预测值等于本期预测值再加上一个修正值，修正值是平滑系数与实际值和本期预测值的误差之积。这种方法关键在a ，当a = 0 时，y 什l = y 。，即几乎是一种简单的移动平均。当a = l 时，y 什l = x 。，即用最近时期的数据做下一时期的预测值。合理选取平滑系数，当时间序列波动较大，不具备长期稳定趋势时，平滑系数可取得大一些：当时间序列变化缓慢，起伏波动不大时，平滑系数可取得小一些。( 4 ) 回归分析方法这种预测技术建立于事物变化的因果关系基础上，研究两个以上变量之间的关系，所以又叫因果分析法，如果预测基于一个单一因素，只涉及两个变量，叫做一元回归分析；如果使用一个以上的因素，就称为多元回归分析。因果分析法的步骤如下：1 、通过对历史数据和现实调资料的分析，找出变量之间的因果关系，确定预测目标以及因变量和自变量。因变量即预测的内容，自变量就是引起预测目标变化的各种影响因素。2 、根据变量之间的因果关系模型，选择数学模型，并建立预测模型。3 、对预测模型进行检验，测定误差，确定预测值。一元是回归分析法是处理两个变量之间线性相关关系的一种方法，它描述一个自变量x 与另一个因变量y 之间的相关关系。回归分析法的通式为：y t = q + 1 31 x l + b2 x 2 + + bn x n( 1 4 )y t _ 因变量，即在时间段t 的预测值x i 自变量，即引起因变量y t 变化的影响因素q ，1 3 。回归系数这种方法我们一般借助于软件来实现，常见的软件如：s p s s 、s a s 、m a t l a b 、e x c e l 等都可以用于回归预测。8硕士学位论文第一章导论1 4 2 国内外研究综述2 0 世纪5 0 年代以来，随着大规模区域经济开发的兴起，西方区域经济学和运输经济学的学者开始研究物流系统的区域经济效益，并将区域物流系统构建与区域开发联系起来，使得物流系统的社会效益逐渐显现。k i s p e r k a - m o r o n d a n u t a ( 1 9 9 2 ) 通过对波兰经济转型中经济与物流关系的研究指出物流在经济转轨时期起到了重要促进作用。j a r a d i a z ( 2 0 0 0 ) 从国际化视角分析了交通经济，对交通物流与产业结构关系进行了详细研究。m u d i tk u l s h r e s h t h a 等( 2 0 0 1 ) 利用印度铁路1 9 6 0 1 9 9 5 年间的时间序列数据和多元共交向量自回归模型估算了印度货物运输需求的长期结构关系，通过实证研究指出了印度铁路运输物流对其经济的重大影响和关联性。国外学者针对物流需求预测建立了一些模型，如货物需求预测时空多项概率模型【1o 】；基于时间序列的非线性航空服务需求模型；货运量预测的逐步线性回归方法【1 1 1 。我国对物流理论的研究始于2 0 世纪8 0 年代之初，对区域物流的研究更是一个全新的课题。对区域物流的研究，主要侧重于研究物流规划技术、供应链理论、物流市场及需求、物流信息化、物流政策体系和国外物流发展趋势等问趔1 2 , 1 3 】。其中北方交大的张文杰教授的区域经济发展与物流一文从区域发展的角度论述了区域经济与物流间的相互关系【1 4 】：长安大学的董千里教授等关于区域物流理论在我国应用的研究一文从微观层次探讨了区域物流运作的基本模式【1 5 1 ；北方交大的刘文茹等论区域性物流中心的建设一文结合物流业的发展，探讨了区域物流与区域经济的关系以及区域性物流中心的功能【1 6 】；文献 1 7 提出了区域物流需求预测的l a o r 方法，结合了统计学习理论的研究成果，建立基于最小一乘准则的最优回归模型；文献 1 8 针对区域物流需求规模短期预测建模的特点，结合核方法和支持向量回归的研究进展，提出了一类带约束的最优多元回归模，该模型综合考虑了多元回归函数的拟合误差、泛化能力以及非线性预测建模的特点，为区域物流需求增长预测提供了一种新方案；文献 1 9 以研究物流需求预测的方法为主线，提出了应用随机时间序列方法进行物流需求预测；文献 2 0 提出一种基于灰色神经网络的区域物流需求预测，利用b p 神经网络的非线性强拟合能力强的特点，建立区域物流与区域经济两者之间的非线性映射关系，结合灰色模型进行预测研究；文献 2 1 在一般预测方法的基础上引入了变权组合预测模型，提高了区域物流需求预测精度；文献 2 2 3 参考了宏观经济预测和交通需求预测的有关方法，构造了多区间投入产出模型和空间价格均衡模型相结合的区域物流需求分析模型利用多区间投入产出模型能较好地分析地区间和部门间的经济关联，利用空间价格均衡模型能将物流产生作为内生变量处理，从而9硕士学位论文第一章导论使区域物流需求分析模型成为包含宏观经济分析层和物流分析层的两层次决策问题。国内不少学者还针对宏观区域物流需求预测建立了一些模型，如路线比较模型与重力模型【2 3 】；以及灰色预测模型、模糊预测和神经网络预测模型与方法笔 2 4 , 2 5 可0通过以上国内国外对区域物流需求预测的研究现状综述发现，目前对区域物流需求预测的研究多数都是一些传统的方法，如因果关系分析法、时间序列分析法、弹性系数法等，这些方法都存在着一定的局限性，使得预测出现较大偏差，主要表现为：一、这些预测模型表示线性关系，对物流量与预测影响因素的高度非线性无法识别，对于一些模糊等不确定性因素无法处理，造成预测结果的严重失真；二、我国物流起步发展较晚，因而拥有的历史数据不多，样本较少，无法保证预测精度。1 5 研究内容和论文结构1 5 1 本文研究内容( 1 ) 对区域物流需求预测指标分析和选取；( 2 ) 提出一种改进的自适应粒子群优化算法；( 3 ) 运用改进的自适应粒子群优化算法优化广义回归神经网络，并在此基础上建立需求预测模型；( 4 ) 对构建的区域物流需求预测模型进行实证分析。1 5 2 本文结构论文共分为六章，第一章主要是对本文的研究背景、目的和意义以及国内外研究现状进行概述；第二章是理论基础部分，主要对本文所采用的研究方法( 广义回归神经网络和粒子群优化算法) 进行详细阐述；第三章对区域物流需求进行了详细介绍，包括影响因素、量化指标等；第四章提出一种改进的粒子群优化算法，并用于优化广义回归神经网络，构建预测模型；第五章进行实证研究，把预测模型应用于实证数据，进行预测；第六章为结论部分，对全文进行总结，指出论文的不足以及未来的研究方向。下面是关于各章的详细介绍：第一章介绍了国内外对区域物流需求的研究现状，并根据研究现状综述，针对目前区域物流需求预测的一些传统方法的不足，提出构建a p s o - g r n n 模型。第二章为本文的理论基础部分，详细介绍了广义回归神经网络的基本原理、网络结构等，还有粒子群优化算法的原理、参数、流程等，介绍了一些改进的粒l o硕十学位论文第一章导论子群优化算法，并比较了粒子群算法与其他进化算法的优劣。第三章详细分析区域物流需求的经济影响因素，确定量化指标。第四章为本文核心部分，提出一种改进的保证全局收敛的粒子群优化算法，并通过和标准粒子群优化算法进行比较，证明其优越性；用改进的粒子群算法优化广义回归神经网络，从而构建a p s o - g r n n 预测模型，介绍模型的原理、算法流程、参数定义、预测结果检验等。第五章为实证研究，把构建好的a p s o - g r n n 预测模型用于区域物流需求预测，运用m a t l a b 来实现计算机仿真，通过与灰色预测模型的比较分析，证明模型的有效性。第六章总结了全文所做的工作，对进一步的研究方向进行了展望。硕：t 学位论文第二章理论基础第二章理论基础弟一早埋t 匕荃佃面2 1 广义回归神经网络理论2 1 1 人工神经网络原理概述神经网络模型是模仿人的神经元系统而构造的智能化的数据处理及映射模型。其应用己遍及到了许多领域，它的智能化及无需建立函数模型的特点，使许多难以用传统方法建立数学模型的实际问题的定量分析成为可能。神经网络预测模型的应用也相当普遍。对于某些系统，神经网络预测模型明显优于传统的预测模型，同时神经网络预测模型还有自学习，自适应功能使神经网络预测模型成为智能化预测的工具，也是人们研究的热门内容。人工神经网络【2 6 ( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 是模拟生物神经元的结构而提出的一种信息处理方法。早在1 9 4 3 年，已由心理学家w a r r e ns m c e u l l o c h 和数学家w a l t hh p i t t s 提出神经元数学模型，后被冷落了一段时间，8 0 年代又迅猛兴起。a n n 之所以受到人们的普遍关注，是由于它具有本质的非线性特征、并行处理能力、强鲁棒性以及自组织自学习的能力。人脑是产生自然智能的源泉，是真正出色的并行计算机。人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络，它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种非算法的信息处理系统。人工神经网络己经广泛的应用于模式识别、信号处理及人工智能等各个领域【2 7 1 。人工神经网络吸取了生物神经网络的许多优点，因而有其固有的特点【2 8 2 9 1 ，列举如下：( 1 ) 高度并行性人工神经网络是由许多相同的简单处理单元并联组合而成，使其对信息的处理能力与效果惊人。( 2 ) 高度非线性全局作用人工神经网络每个神经元接受大量其它神经元的输入，并通过并行网络产生输出，影响其它神经元。网络之间的这种相互制约和相互影响，实现了从输入状态到输出状态空间的非线性映射。从全局的观点来看，网络整体性能不是网络局部性能的简单迭加，而表现出某种集体性的行为。( 3 ) 良好的容错性与联想记忆功能1 2硕士学位论文第二章理论基础人工神经网络通过自身的网络结构能够实现对信息的记忆，而所记忆的信息是存储在神经元之间的权值中。从单个权值中看不出所存储的信息内容，因而是分布式的存储方式，这使得网络具有良好的容错性，既能进行模式信息处理工作，又能进行模式联想等的模式信息处理工作，又能进行模式识别工作。( 4 ) 强大的自适应性和自学习功能人工神经网络可以通过训练和学习来获得网络的权值与结构，呈现出很强的自学习能力和对环境的适应能力。2 1 2 广义回归神经网络2 1 2 1 广义回归神经网络基本原理广义回归神经网络【3 0 ，3 1 1 ( g e n e r a l i z e dr e g r e s s i o nn e u r a ln e t w o r k ，g r n n ) 是由t h el o c k h e e dp a l oa l t o 研究实验室的d o n a l ds p e c h t 提出的一种新型的神经网络，它建立在数理统计的基础上，能够根据样本数据逼近其中隐含的隐射关系，主要用于系统模型和预测。优点是学习速度快，网络最后收敛于样本量集聚最多的优化回归面，一旦学习样本确定，则相应的网络结构和神经元之间的连接权值也随之确定，网络训练过程实际上只是确定平滑参数的过程，并且在样本数据较稀少时，效果也很好，网络可以处理不稳定的数据。人为调节的参数少，只有一个阈值。网络的学习全部依赖数据样本。这个特点决定了网络得以最大限度地避免人为主观假定对预测结果的影响。g r n n 用标准的统计学公式来计算在随机变量x的给定测量值x 时，变量y 的有条件平均值y 。在计算这个条件平均值是要用到相关可能性密度函数0 d f ) ，在g r n n 中，相关的p d f 使用泊松估计，由训练矢量近似来得到。2 1 2 2 广义回归神经网络结构g r n n 结构如图所示，包括输入层，模式层，求和层与输出层四层神经元。对应网络输入x _ x l ，x 2 ，x m 】，其输出为y = y l ，y 2 ，y n 】。硕士学位论文第二章理论基础x lx zp ls d输入层模式层求和层输出层图2 - 1 广义回归神经网络模型( 1 ) 输入层输入层中的神经元数目等于学习样本中输入向量的维m ，各神经元是简单的分布单元，直接将输入变量传递给模式层。( 2 ) 模式层模式层的神经元数目等于学习样本的数目n ，各神经元各自对应不同的样本，神经元i 的传递函数为p j ：e x p 一( x _ x i ) r ( x 竺型】( i = 1 2 ，1 1 ) ( 2 - 1 )2 g 。也就是说，神经元i 的输出为输入变量x 与其对应的x i 样本之间的e u c l i d距离平方d ；= ( x x ；) t ( x x ；) 的指数形式。其中x 为网络输入变量；x j 为第i 个神经元对应的学习样本。( 3 ) 求和层求和层中使用两种类型神经元进行求和：一类的计算公式为善ne x p 一里兰羔乒】，它对所有模式层神经元的输出进行算术求和，其与模式层各神经元的连接权值为1 ，其传递函数为：ns d = p ii = l( 2 2 )另一类计算公式是善i iy ie x p 卜里兰! 掣 ，它对所有模式层神经元的1 4硕士学位论文第二章理论基础输出进行加权求和，模式层中第i 个神经元与求和层中第j 个分子求和神经元之间的连接权值为第i 个输出样本y i 中的第j 个元素y 其传递函数为：s n j = e y p i0 = 1 2 ，k )( 2 3 )( 4 ) 输出层输出层中的神经元数目等于学习样本中输出向量的维数k ，各神经元将求和层的输出相除，可得公式( 2 1 1 ) 的估计结果，神经元j 的输出对应估计结果y ( 均的第i 个元素，即y i ：( 产l 2 ，k )( 2 - 4 )x2 毒o = 1 2 ，pq 川本文采用的是m a t l a b 工具箱中的结构和算法，结构如图2 - 2 所示：输入径向基层特定的线性层n 厂弋厂rqql _ j 、图2 - 2 广义回归神经网络结构如图所示，广义回归神经网络有q 组输入向量，也是每层网络中的神经元个数，每组向量的元素个数为r 个。a ：表示第一层输出的第i 个元素：a ；1 ：r a d b a s ( n e t p r o d ( i i d i s t 眦b j l ) ) ：e x p 卜掣】( 2 5 )i i w l ，l 表示第一层的权值矩阵i w l 。l 的第i 行元素；光滑因子为a i ，它的值越大，则基函数越平缓。光滑因子6 ；和s p r e a d 的关系为a i = 0 8 3 2 6 s p r e a d ，可通过改变s p r e a d 的值来调节b 1 。网络的最后一层为线性输出层，输出层的神经元数目等于学习样本中输出向量的维数。其权函数为规范化点积权函数( n p r o d 表示) 。在n p r o d 环节，通过向量1 5硕士学位论文第二章理论基础a 1 与权值矩阵l w 2 1 每行元素的点积再除以向量各元素之和，就可以得到归一化点积权函数，他们被直接送入传递函数。g r n n 的传递函数为线性函数，网络的输出由下式计算：y 。= l w k ，j