下载文档原格式
基于神经网络模型的中国农产品物流需求预测张娜浙江财经大学东方学院摘要：以BP 神经网络模型为预测方法，对2003 年~2012 年我国农产品的物流需求进行模拟，并对未来我国农产品的物流需求的情况进行预测。
结果显示，由BP 神经网络模型模拟的数据精度较高，验证了该方法在数据拟合和预测领域具有较强的实用性。
而对于农产品物流需求的预测结果表明，短期内我国农产品物流需求的增长状况仍然是非常可观的。
关键词：神经网络模型；农产品；物流需求；预测一、引言农产品是我国居民生活必需的产品，在城乡居民消费中都占有较大的比重。
农业向来是支撑我国经济社会发展的基础产业。
随着我国区域经济的发展和人民生活水平的提高，农产品供给和需求都得到显著提高。
随之引致的农产品物流供给和物流需求也不断增加。
在这种发展趋势下，如何协调农产品物流供给和物流需求均衡是值得关注的问题。
对于农产品物流提供者来说，对农产品物流需求进行合理预测，是保证农产品物流供给满足需求的重要手段，是维持农产品物流供求均衡的重要依据。
与此同时，合理地预测农产品的物流需求，也能促进农产品社会物流维持更好更快地发展。
二、农产品物流需求预测的关键因素从我国农产品市场供求关系、农产品市场发展的协调性等多方面来看，农产品物流需求规模变化的主要影响因素包括我国经济发展水平、农产品产量、居民消费水平、居民消费结构、科技发展水平等。
单从经济学角度来看，农产品物流需求是一种派生的需求，它除了受宏观经济因素影响之外，还受到农产品消费和使用、农产品生产等各类微观因素影响。
随着我国经济发展水平不断提升、产业结构不断优化、资源配置不断调整，农产品的物流需求也将不断发生变化。
因此，我们可以认为我国农产品物流需求与经济社会发展之间存在极大的关联。
由此，利用反映经济社会发展的各项指标对我国农产品的物流需求进行预测，是具有可行性的。
在衡量农产品物流需求时，本文采用农产品物流需求规模的指标。
该指标主要反映了我国农产品物流需求的总量，是农产品生产决策过程中必须明晰的首要指标。
基于人工神经网络的货物库存预测模型研究近年来，人工神经网络技术在各行业中得到了广泛的应用。
其中，货物库存预测是人工神经网络技术的一个重要应用。
基于人工神经网络技术的货物库存预测模型，可以有效地预测出未来一定时期内的货物销售情况，从而做好库存管理，提高企业的效益。
本文将针对这一问题展开深入探讨。
一、人工神经网络的基本原理人工神经网络（Artificial Neural Network，ANN）是一种近年来非常流行的人工智能技术。
它是由一系列的人工神经元（Artificial Neuron，AN）组成的网络，每个人工神经元都由输入和输出两个部分组成。
当输入被激活时，人工神经元会将其处理并传递给后续的神经元，从而实现信息的传递和处理。
在人工神经网络中，每个神经元都有一组权值，这些权值可以通过训练来调整。
训练的过程中，网络会根据输入和输出之间的误差来调整每个神经元的权值，最终得到一个可以很好地拟合输入输出关系的模型。
二、货物库存预测模型的建立在建立基于人工神经网络的货物库存预测模型时，我们需要先收集一些历史销售数据，作为训练样本。
具体来说，需要记录以下几个方面的数据：1. 销售日期、时间、地点等基本信息2. 销售数量、金额等销售数据3. 库存数量、金额等库存数据4. 促销、折扣、活动等影响销售的因素数据然后，我们需要将这些数据输入到神经网络中进行训练。
在训练过程中，神经网络会根据输入数据和期望的输出数据之间的误差来调整权值。
最终，我们得到一个可以很好地拟合历史销售数据的神经网络模型。
有了这个模型之后，我们可以使用它来预测未来一定时间内的货物销售情况。
具体来说，我们需要将未来的促销、折扣、活动等因素考虑在内，并将它们输入到神经网络中进行预测。
最终，我们可以得到一个预测结果，用于指导库存管理和采购决策。
三、应用实例下面，我们以一个实际的案例来说明如何应用基于人工神经网络的货物库存预测模型。
某家超市想要预测未来一个月内某种商品的销售情况。
BP神经网络算法预测模型
BP神经网络（Back Propagation Neural Network，BPNN）是一种常
用的人工神经网络，它是1986年由Rumelhart和McClelland首次提出的，主要用于处理有结构的或无结构的、离散的或连续的输入和输出的信息。
它属于多层前馈神经网络，各层之间存在权值关系，其中权值是由算法本
身计算出来的。
BP神经网络借助“反向传播”（Back Propagation）来
实现权值的更新，其核心思想是根据网络的输出，将错误信息以“反馈”
的方式传递到前面的每一层，通过现行的误差迭代传播至输入层，用来更
新每一层的权值，以达到错误最小的网络。
BP神经网络的框架，可以有输入层、隐含层和输出层等组成。
其中
输入层的节点数即为输入数据的维数，输出层的节点个数就是可以输出的
维数，而隐含层的节点数可以由设计者自由设定。
每一层之间的权值是
BP神经网络算法预测模型中最重要的参数，它决定了神经网络的预测精度。
BP神经网络的训练步骤主要有以下几步：首先，规定模型的参数，
包括节点数，层数，权值，学习率等；其次，以训练数据为输入，初始化
权值，通过计算决定输出层的输出及误差；然后，使用反向传播算法，从
输出层向前，层层地将误差反馈到前一层。
库存管理中安全库存的预测与优化作者：王菲来源：《进出口经理人》2017年第10期摘要：库存是企业的一项巨大投资，控制库存成本对于企业具有重要的意义。
尤其是生产企业库存，对其安全库存进行预测与优化，能够使企业资源得到合理地调配与应用，提高企业的经营效益。
基于此，文章主要对安全库存进行了分析，并对其预测及优化进行了探讨。
关键词：企业；库存管理；安全库存；预测；优化工业企业在运营过程中，为了满足企业自身发展需求，其大都会定制相应的库存管理计划，以此来避免因库存不足而导致生产断线或供货不足等问题，安全库存也是由此提出的。
在库存管理过程中，通过对企业实际经营情况进行分析，确定其安全库存管理计划，并依据当前及未来的经营计划，对安全库存进行实时优化是非常有必要的。
一、安全库存概述安全库存（又称保险库存）是指为了防止由于不确定因素（如突发性大量订货或供应商延期交货）影响订货需求而准备的缓冲库存，安全库存用于满足提前期需求。
安全库存的计算，一般需要借助于统计学方面的知识，对顾客需求量的变化和提前期的变化作为一些基本的假设，从而在顾客需求发生变化、提前期发生变化以及两者同时发生变化的情况下，分别求出各自的安全库存量。
即假设顾客的需求服从正态分布，通过设定的显著性水平来估算需求的最大值，从而确定合理的库存。
二、安全库存的预测在库存管理过程中，安全库存预测的科学性直接影响着库存管理水平。
文章主要以BP神经网络模型为理论基础，对安全库存进行了预测分析。
（一）BP神经网络算法BP神经网络的名称来自于BP算法，BP算法属于算法，该由两部分组成信息的正向传递和误差的反向传播。
在正向传递过程中，输入信息从输入层经隐含层逐层计算传到输出层。
根据输出层的输出与期望输出作比较，计算出输出层的误差变化值，然后通过反向传播算法将误差信号延原来的连接通路反传回隐含层，在根据这个误差修改各层权值直到达到期望目的。
（二）训练方法的选取在BP标准算法中，每个样本作用时都会对权矩阵进行修改。
基于深度神经网络的库存预测模型构建近年来，随着物联网技术、人工智能技术的不断普及和发展，大数据时代带来了数据的爆炸式增长。
在大数据时代下，如何快速而准确地预测库存需求成为了企业管理者不可回避的问题。
库存预测的准确度与效率，直接关系到企业的供应链管理和利润水平。
因此，构建一种基于深度神经网络的库存预测模型，将会是解决库存预测问题的一个重要途径。
一、深度神经网络作为库存预测模型的优势深度学习是近年来人工智能领域的研究热点之一，其中深度神经网络（DNN）被广泛应用在图像识别、语音识别、自然语言处理等领域，并不断取得优异的成果。
深度神经网络的优势主要体现在以下几个方面：1. 非线性建模能力强：深度神经网络具有很强的非线性建模能力，可以在不必增加过多的变量的情况下，较好地逼近非线性关系。
2. 参数数量少：相对于其他机器学习模型，深度神经网络需要的参数数量较少，这样可以显著降低数据训练过程中过拟合的风险。
3. 特征自动提取能力强：深度神经网络在训练的过程中，可以自动学出合适的特征，避免了手动提取特征的繁琐工作，同时也提高了模型的准确度。
因此，基于深度神经网络的库存预测模型不仅可以提高预测准确度，还可以减少因过多参数或训练数据的不足而导致的模型的不稳定性，从而提高模型的可靠性。
二、库存预测模型构建流程1. 数据采集：在构建库存预测模型之前，需要收集过去一段时间的供应链和销售数据，包括销售数量、进货数量、库存量等指标。
2. 数据预处理：预处理一般包括数据清洗、数据转化和数据标准化三个步骤。
数据清洗主要是针对数据中的无效和重复值进行清理。
数据转化一般采用对数转换或差分转换。
数据标准化是为了将各个指标的数值统一在一个数值区间内，方便模型训练和应用。
3. 特征提取：特征提取是深度神经网络的重要部分，它的好坏直接决定了模型的准确度。
在库存预测模型构建中，可采用LSTM等网络结构进行特征提取，也可以添加一些辅助特征，如入库量、销售折扣等。
·126·图 1 原纸用量趋势图2009年 1 月 总第 450 期 第 2 期经 济 论 坛E c ono m i cF o r umJan. 2009 G e n.450 N o .2基于 B P 神经网络的库存需求预测应用文 / 刘 洋 李 真【摘要】 本文应用 B P 神经网络模型，并加入影响因子，用于库存需求量的预测，同时采用了传统的预测方法，通过各种方法预测结果的对比，说明文中所建立的加入影响因素的 B P 网络模型预测效果较好。
【关 键 词 】神经网络；B P 算法；A R M A 模型；库存需求；预测【作者简介】刘洋，女，南京大学工程管理学院硕士研究生，研究方向：系统工程、数据分析与数据挖掘； 李真，女，南京大学工程管理学院硕士研究生，研究方向：复杂系统理论。
各行业领域的企业都很重视库存管理，即库存数量的有效控制，但如何确定和预测库存需求，是亟 待研究解决的问题。
本文采用 B P 网络模型对库存 的需求量进行预测，以期提高库存需求预测的精度。
一、库存需求预测文章采用某纸箱生产企业 1998～2003 年原纸 用量的月数据，并假设每个月的原纸用量均能被库 存所满足，那么该数据就可正确反映企业每月的库 存需求水平。
分别应用 A R M A 模型、B P 模型以及加 入影响因素的 B P 模型，以 1998～2002 年的数据预 测 2003 年的原纸用量，通过三种模型预测结果的比 较，选择一种预测精度较高的方法，更好地帮助企业 确定库存需求。
（一）传统库存需求预测方法 1． 数据预处理。
A R M A 模型是比较成熟且常 用的时间序列预测模型，适于处理复杂时间序列的 预测，短期预测时精度较高，故本文拟用 A R M A 模型来预测原纸使用量。
原始数据的趋势如图 1 所示。
该组数据存在一定的指数趋势，为非平稳序列， 而 A R M A 模型建模要求序列为平稳序列，因此先对 原始序列进行平稳化处理。
在 EV i e w s 软件中进行二 阶对数差分后，通过观察序列的自相关系数及偏自 相关系数分析图及差分后的序列趋势，并检查差分 后的均值约为零，可得出序列已基本平稳，因此可用 于预测。
2．模型定阶与预测。
通过对数据自相关系数和 偏自相关系数的观测，可以选择多个模型对数据进 行拟合。
经比较各个模型的 R 2 值、A IC 值以及 S C 值，选择了 A R M A (1,1)模型来预测 2003 年 12 个月 的原纸用量，并通过对残差进行白噪声检验，可证明 残差基本为随机序列。
（二）神经网络方法1．数据准备及归一化处理。
网络的训练样本由 输入、输出两部分组成，在两个模型中，均采用 1998～2002 年数据作为训练样本，预测 2003 年 12个月的原纸用量。
为增加网络权重对输入数值变化 的灵敏度，还需将各项指标数据进行归一化。
（1）B P 网络。
网络输入为 3 维，为前一年 3 个月的原纸用量，输出也为 3 维，为下一年相对应 3 个 月的原纸用量。
（2）加入影响因素的 B P 网络。
销售决定生产 规模，故在模型中加入市场因素，而该市场存在淡季 和旺季两种情况，因此加入季节因子。
网络输入为 4 维，在 B P 网络基础上加入一个季节因子，分为淡季（用 0 表示）与旺季（用 1 表示），输出为 3 维。
2．网络拓扑结构的确定。
K o l m ogo ro v 定理证明 了任意一个连续函数或映射关系可以精确地用一个表1各种方法预测结果月份实际值A R M A模A R M A模B P模型B P模型加影响因素的加影响因素的型预测值型误差预测值误差B P模型预测值B P模型误差12314.2562703.403-16.82%2675.4-15.61%2329.0-0.64%22448.8562769.432-13.09%2902.2-18.51%2823.7-15.31%33029.2732805.187.40%2944.4 2.80%2982.4 1.55%42643.3772851.08-7.86%2749.5-4.01%3145.7-19.00%53420.5682894.76115.37%2984.412.75%3057.710.61%63045.232940.019 3.45%3363.0-10.44%2835.2 6.90%72638.4092985.707-13.16%2693.7-2.10%2663.0-0.93%83431.3393032.1911.63%3489.6-1.70%3121.59.03%93908.6523079.37121.22%3953.9-1.16%3687.6 5.66%103288.1563127.294 4.89%2760.816.04%3310.1-0.67%113681.9893175.9613.74%3546.9 3.67%3673.60.23%123458.7223225.384 6.75%3207.57.26%3292.2 4.81%三层的B P网络实现。
本文采用三层的B P网络对数据进行预测，包括输入层、隐层和输出层。
隐层单元数在实际操作中主要靠经验和试验来确定，直到网络的训练和预测精度达到要求为止。
（1）B P网络。
选择4个数值作为隐层单元数，分别为9，12，15和17，并依次检查网络性能。
为了有更好的对比性，四个模型采用相同的训练样本，且训练次数均为500次。
经比较发现，隐单元数为17时的网络训练效果较好，能达到目标，因此，网络结图3加入影响因素的BP 网络拟合曲线图构为3-17-3型。
（2）加入影响因素的B P网络。
选择3个数值作为隐层单元数，分别为9，12和15，同样采用相同的训练样本与训练次数，依次检查网络性能。
经对比图2BP 网络拟合曲线图图4各模型预测值与实际值对比图·127·表2预测结果对比预测方法平均绝对百分误差（M A P E）A R M A模型11.28%B P模型8.00%加入影响因素的B P模型 6.28%及多次试验发现，隐单元数为12时的网络训练效果较好，因此，网络结构为4-12-3型。
3．应用两种B P网络预测。
运用M a tl a b软件中的神经网络工具箱进行仿真预测，之后，将预测得到的数值进行反归一化，以便与实际值进行比较。
两种B P模型的预测结果如下。
（1）B P网络。
经多次试验，在训练2922次后网络误差达到要求，拟合曲线如图2所示。
（2）加入影响因素的B P网络。
网络在训练727次之后误差达到要求，拟合曲线如图3所示。
（三）预测结果比较各种方法的预测结果及其与实际值的比较见表1、表2和图4所示。
本文使用了平均绝对百分误差M A P E（M ea n A bs o l ut e P e rc e nt a g e Erro r）来衡量预测精度。
平均绝对百分误差是使用百分数表示的预测误差指标，它等于实际值与预测值的离差除以实际值的比值的绝对数的平均数。
由上面的图和表可以看出，加入影响因素的B P 网络具有较高的预测精度（M A P E 值为6.28%），可以用来对该企业原纸库存需求量进行预测，其预测效果优于其他两种方法(M A P E 值分别为11.28%和8.00%)。
这说明，本文所建立的神经网络模型可以更好地拟合数据、逼近函数，而且它可以将定性的影响因素（季节因素）转化为定量，从而使得预测结果更为准确，可以更好地为企业服务，降低库存及缺货成本，提高效益。
三、结论本文将神经网络模型应用于库存需求预测领域，通过建立加入影响因素的B P模型，获得了较为理想的预测结果。
研究结果表明，采用人工神经网络方法能够更加准确地拟合原始数据，得到较高的预测精度，在非线性预测方面具有明显优势，较好解决了库存需求量的预测问题。
这对于实际的企业生产来说，可以为其库存管理提供更加准确的预测数据，为企业节省巨大的库存成本。
参考文献[1]刘云峰.纸箱生产企业库存管理优化模型[D].重庆:重庆大学，2005．29—30．[2]M oh a mm e d E.H a qu e,K.V.S udh a ka r.ANN ·128·ba c k-pr o pa g a ti on pr e di c ti on m o de l f o r fr ac t u r e t oughn e ss i n m i c r o a ll oy s t ee l[J].I n t e r n a ti on a l J ou r n a l o f F a ti gu e,2002,24：1003-1010.[3]王熙.基于遗传算法改进的B P神经网络在矿产品预测领域的应用[D].北京：中国地质大学，2006.[4]J a n-T a i K uo,M i ng-H a n H s i e h,W u-S e ng L ung,N i a n S h e．U s i ng a r ti f i c i a l n e u r a l n e t w o r k f o r r e s e r vo i r e u t r oph i ca ti on pr e di c ti on[J].E c o l og i ca l M o de lli ng，2007，200（1-2）．[5]N.K a s a bov,E vo l v i ng f u zz y n e u r a l n e t w o r ks:a l go r it h m s,a ppl i ca ti on s a nd bi o l og i ca l m o ti v a ti on,i n:T.Y a m a ka w a,G. M a t s u m o t o(E ds.),M e t hodo l og i e s f o r t h e C on ce pt i on,D e s i gn and A ppl i ca ti on o f S o f t C o m pu ti ng[J]W o r l d S c i e n ti f i c,S i ng a po r e,1998．[6]J i a n t a o L i u,H ong bi ng C h a ng, T.Y.H s u(X u Z uy a o), X u e yu R u a n．P r e di c ti on o f t h e f l o w s t r e ss o f h i gh-speed s t ee l du r i ng ho t de f o r m a ti on u s i ng a BP a r ti f i c i a l n e u r a l n e t w o r k[J]. J ou r n a l o f M a t e r i a l s P r o ce ss i ng T ec hno l ogy，2000，103（2）：200—205．[7]H.B r i a n Hw a r ng．I n s i gh t s i n t o n e u r a l-n e t w o r kf o r eca s ti ng o f ti m e s e r i e s c o rr e s pon di ng t o A R M A(p,q)s t r u c t u r e s [J].O m e g a，2001，29（3）：273—289．[8]黄湘俊，刘永跃．基于A R M A模型的城乡居民收入差距预测和分析[J]．市场周刊理论研究，2007，（4）：100—102．[9]易丹辉.数据分析与E V i e w s应用[M].北京：中国统计出版社，2002．125—131．[10]飞思科技产品研发中心．神经网络理论与M A TL A B7实现[M]．北京：电子工业出版社，2005．257—261．（责任编辑：路辉）。
