基于物流数据的绿色物流预测算法研究
任娟娟
（陕西工业职业技术学院陕西咸阳712000）
摘要： 为了提高物流数据预测算法效率，实现物流交通量的有效预测，就实现物流预测算法的改进，提出基于物流数据的绿色物流预测算法。首先对传统物流预测方法局限性进行了分析，分解交通流数据的特点，并且证实分解之后的流量序列具备相应的特征，提出了物流数据的绿色物流预测算法，预测精度比传统时间序列模型要高。对预测算法进行实验，表示此算法预测精度及训练效率比最近邻聚类在线训练算法要高，还能够实现交通流量在线预测。
关键词： 物流数据；时间序列模型；绿色物流；预测算法
在物资流通领域中，全面调查物资流量、流向、供求规律、资金周转等，得到各种信息及资料，使用科学方法对一定时间中的物流状态进行预计及推测，能够为国民经济发展战略决策及企业经营管理、决策提供基础。物流预测主要作用包括：其一，预测属于计划编制基础，通过预测能够实现物流系统运输、存储等各种业务活动计划的制定。所以预测资料是否精准，对计划的可行性具有直接的影响，以此也决定了企业是否成功经营[1]。其二，预测为决策的根据，所以不管是掌握未来物流发展趋势或者实现物流计划的制定，实现物流预测是尤为重要的内容。简单来说，物流预测主要目的就是实现未来物流发展的精准估计。对物流预测造成影响的因素比较多，比如经济、市场供需及交通灯，此种因素也都是物流预测过程中的内容，所以创建物流预测模型属于较为复杂的工程[2]。
1 物流需求度量指标体系
物流需求亮度分析主要目的就是为基础设备创建提供基础，大部分都是通过价值量及实物量得到的。实物量指的是物流需求主要表现在不同功能、环节中的具体作业量，比如配送量、加工量等；价值量的物流需求充分反映了全部物流环节中服务价值，比如供应链增值、物流收入及物流成本。低附加值产品物流需求对于物流服务水平没有过多的要求，虽然具有较大实物量，但是物流成本低。部分高层次物流服务系无法通过实物量进行计算。那么，对物流市场容量进行全面的衡量，要求实物量指标及价值量指标两种度量体系相互结合使用[3]。
物流活动和国民经济中各个部门生产流通过程具有密切的关系，作业量的表现方式也各有不同，从而使对于物流需求实物指标测度没有同意标准，提高物流分析及预测难度。所以，对于国家及区域物流需求实现分析过程中，本文使用定量及定性两种分析相互结合的物流需求度量指标体系[4]。图1为物流需求分析和预测度量指标体系结构。
研究物流需求指标量化，要基于物流发展环境及未来物流需求指标及数量指标。物流需求质量指标通过供应链管理水平及物流服务水平实现分析，此部分大部分都是在企业内部管理中，无法实现细化定量分析，所以利用定性描述说明其发展趋势。物流需求数量指标主要包括功能需求及总量需求，总量需求使用物流占据GDP比重实现分析及预测。基于此，对物流功能需求指标进行全面定量分析，物流功能作业量估计能够将物流市场需求结构特点充分的展现出来[5]。
图1 物流需求分析和预测度量指标体系结构
2 物流预测理论模型
2.1 SARIMA预测模型
SARIMA主要目的就是对在时间变化过程中的季节性非平稳单位时间序列数据进行处理，预测模型数学表达式为：
B 指的是之后算子，比如B （xt ）=xt -1，其他为：
在SARIMA预测模型创建过程中的主要步骤为：
SARIMA预测模型要先消除原始时间序列，然后就能够实现分差，转变原本数据为平稳时间序列，最后创建平稳时间序列模型。
在RBF神经网络模型中，每个任务都定义成为此算法计算部分。任务主要包括生成聚类中心及计算网络参数[13]。
简单平均方法属于简单集成方法，先实现单预测模型数量的选择，然后对单预测模型进行简单平均，从而得出集成预测结果。简单来说，如果具备n 个预测模型，分配不同预测模型的权重[8]。所以，简单平均集成预测为：
2.2 BPANN预测模型
ANN属于对人脑神经网络结构及功能特性模拟的技术系统，BPANN属于多层前馈网络，属于现代使用最为广泛的人工神经网络。图2为BP神经元基本结构，其输入部分有R 个，和此输入相应的R 个权重w ，利用传递函数f 加权之后得到网络输出：y =f (wp +b )。
图2 BP神经元基本结构
BP神经元传递函数及权重选择尤为重要，一般传递函数包括Purelin函数、Sigmoid函数等[7]。
模型创建核心为核心模块，重点为RBF神经网络学习算法。本文为了实现在线预测模型，所以使用在线训练动态学习算法，并不使用最小二乘法。在动态学习算法中，梯度训练方法要能够实现在线参数训练，但是要求网络结构中的隐含节点数及输入向量个数近似相等。假如隐含层节点数比输入向量数要大，就会降低参数训练速度。相反，就会导致模型欠拟合。所以需要大量训练样本对隐含层数量进行确定[10]。
即便不看这些大的并购案，小微并购案可能在中国的物流市场每天都在发生。2018年10月24日，申通快递发布公告称，其全资子公司申通快递有限公司拟以3866.85万元收购收购贵州、昆明的两大中转中心。同年6月6日消息,申通快递收购深圳、广州等转运中心资产。“而更多的不知名的物流第三方企业因为利润下降，生意不好做，转卖给同样不知名的物流第三方企业这样的案例会更多。”王成表示，不论大案例，还是小案例，都在表明这个行业正在向更高的集中度迈进。
2.3 简单平均方法
猪为六畜之首，粮猪安天下。我国是一个养猪大国，养猪业历史悠久，改革开放以来生猪产业发展对增加农民收入，满足城乡居民畜产品需求方面做出了巨大贡献，是农村经济的重要支柱产业和农民增收的重要途径，在畜牧业乃至整个农业生产中占据重要位置。
图3 BPANN的基本结构
偏差目标要求样本教学值及训练之后网络实际输出值偏差比制定足够量要小。一般的足够量越小，那么训练精度就会高，训练时间也就会越长。假如足够量太小，就无法达到预测精度，相反会使网络过度训练，将其推广能力。学习速率较大的时候会加快，有时候过大会使学习不稳定。所以选择学习速率尤为重要。合适的归一化方法能够降低训练次数，从而促进训练速度。本文使用将S型函数成为转移函数，此函数值域设置[0，1]，所以训练过程中将数据规范到[0，1]，0属于S型函数最小值，1属于S型函数最大值。为了满足0或者1，就要训练多次，并且对权值进行修改，降低了训练速度，在处理数据过程中要避免0或者1[14]，归一化公式为：
3 基于Storm平台的RBF神经网络并行化设计
3.1 RBF神经网络的实现
在RF神经网络设计Storm平台之前，要先实现RBF神经网络。RBF神经网络主要包括预测模块及模型创建模块[9]。图4为RBF神经网络的实现过程。
3）从学习活动上来看，从问题出发，小组合作共同完成，每个小组成员在学习过程中都会进行交流和合作，提高了人际交往能力。
图4 RBF神经网络的实现过程
如果BP网络中的最后一层属于Purelin神经元，那么就能够实现人一直的输出。如果为另外神经元，就会缩小网络输出范围。假如连接多个BP神经元，实现BP神经网络的创建。BP神经网络主要包括输出层、隐藏层及输入层，将输入集合及输出结合作为非线性映射关系。图3为BPANN的基本结构。
3.2 任务并行化
任务并行化属于并行化主要方式，其指的是对部分分解多个计算节点，而且节点之间执行计算相同，计算数据不同。图5为任务并行化，其中Source PI指的是数据源，使数据流到compute PI中。任务并行化机制使复杂计算部分分解成为多个计算节点进行计算，使计算复杂度得到降低，以此使任务执行效率得到了提高[11-12]。
where subscript d is the wide lane,and a is the narrow lane.
图5 任务并行化
1）对单位时间序列数据季节性进行检验；2）检验数据平稳性；3）确定模型阶数；4）估计模型参数；5）拟合优度检验及残差检验；6）通过选择模型预测[6]。
综上所述，国家对于会计管理体制的研究以及创新模式的研究，不仅仅能够提高大型、中型国有企业的经营收益，更能够提升这些企业在市场中的主导地位，它们对于国家的宏观调控发挥着重要的作用。对国有企业会计管理体制的改革，也能够有效实现对于权力的监督，避免腐败情况的出现。
3.3 数据的统一化处理
简单平均集成预测方法是一种有效集成的方法，但是此集成方法都平等对待所有单预测模型，忽略相对精确模型。那么，如果单预测模型的误差比较大，无法进行简单平均集成，那么预测结果良好。
指的是原始资料第P 个实际样本中第i 个实际样本输入值；x min指的是以数据实际情况选择的比数据最小值要低的数值；x max以实际数据情况选择比数据最大值要大的数值。
4 实例分析
4.1 选择指标
本文将某货物量预测实现分析，因为受到数据统计限制，在对此市货运量预测过程中，将全社会货物运输量成为货运量预测指标，选择此市2001年-2018年得到各种统计数据，详见1。使数据划分成为两部分，将2001年-2015年的数据作为神经网络训练样本，将2016年-2018年的数据成为检验样本[15]。
表1 统计数据量
因为输入向量各个因素的量纲各不相同，并且具有较大的变化范围差，在神经网络训练以前实现样本数据的标准化处理，能够提高神经网络训练效果。
激光作为一种高亮度的定向能束，如今已广泛应用于医学、工业、军事等多个领域[1]。激光打孔技术具有加工效率高，适应于各类材料，可获得大的深径比和可批量群孔加工等优点。
4.2 训练结果和分析
通过Mstlab编制BP网络训练和分析程序，优选神经网络参数。利用实验确定深灰物流需求预测模型，设置BP网络隐含层的神经元数15，网络训练时间并不多，能够满足目标误差，所以选择学习率为0.01，期望误差为0.02。图6为仿真逼近结果曲线，图7为BP神经网络训练误差曲线图。通过图6和图7可以看出来，此网络能够快速收敛，和输入因素、输出向量非线性关系进行良好的拟合。通过结果看出来，检验样本预测平均相对误差为3.3%，模型预测精度良好[16]。
图6 仿真逼近结果曲线
图7 BP神经网络训练误差曲线图
5 结束语
文中对物流需求度量指标体系进行了分析，将开源实时流处理平台Storm实现大户数平台创建，提出全新交通流量时间时序预测算法。为了满足数据流预测，还提出了RBF为基础的实时网络实数预测算法，实现此算法的并行化，最后通过实验实现物流大数据实时预测精准性及高效性。通过测试表示，模型具有良好的预测精准度。
万松彤介绍，清江传统鱼类有80多种，其中许多是流水生境的鱼类。随着筑坝截流，这些流水鱼消亡不少。另外养殖业让鱼类也有所增加，这种新的生物生态关系，如何保持和谐稳定，这也是未来保护要关注的方面。
参考文献:
[1]陈黎.基于信息技术视角的重庆绿色物流发展研究[J].科学技术创新，2016，12（33）:282.
[2]刘岚，兰小毅.基于MILP模型和QPSO算法的绿色物流调度方法[J].湘潭大学自然科学学报，2018，15（1）:77-81.
[3]贾冬青，孟庆鹏，郭幸丽，等.基于绿色物流的原材料供应商选择方法研究[J].河北工程技术高等专科学校学报，2014，21（1）:57-61.
[4]张岐山，刘虹，张琳.基于能耗2L-CVRP模型的绿色物流优化研究[J].东南大学学报:哲学社会科学版，2015，11（4）:100-106.
[5]戎陆庆，金小银，农显宽.基于绿色物流理念的配送中心选址研究--以A公司为例[J].物流科技，2017，40（2）:13-15.
[6]贾冬青，孟庆鹏，王桂娟.基于供应链理论的绿色物流评价指标体系研究[J].河北工程技术高等专科学校学报，2015，12（3）:50-53.
[7]郑夏冰.基于模糊多准则决策的绿色物流供应商选择研究[D].天津:天津理工大学，2015.
[8]刘秀娟，李平.基于绿色物流的快递包装回收机制研究[J].中国市场，2017，18（33）:130-131.
[9]赵东明.基于促进绿色物流发展的物流评价指标体系建立研究[J].铁路采购与物流，2015，14（12）:61-63.
[10]朱兴航.基于绿色物流理念的快递业包装问题探讨[J].物流工程与管理，2017，39（9）:39-40.
[11]李春香.基于绿色物流的绿色包装内涵及发展路径探讨[J].物流科技，2014，37（1）:126-128.
[12]高榕泽.基于物流服务外包的宁波市绿色物流发展研究[J].全国流通经济，2016，25（1）:35-36.
[13]王晨旭.基于绿色物流的绿色包装研究[J].时代农机，2014，25（11）:55-56.
[14]徐莹，林杨，黄露，等.港口城市绿色物流评价体系构建及对策研究——基于宁波的实证研究[J].物流科技，2015，38（9）:64-68.
[15]肖红.基于六西格玛的绿色物流管理问题研究[J].中国经贸，2015，21（7）:122.
[16]叶芽.基于可持续发展理念的绿色物流管理研究[J].企业文化旬刊，2017，11（1）:85-86.
Research on green logistics forecasting algorithm based on logistics data
REN Juan-juan
（Shaanxi Polytechnic Institute ，Xianyang 712000，China ）
Abstract: In order to improve the efficiency of logistics data forecasting algorithm and realize the effective forecasting of logistics traffic volume，a green logistics forecasting algorithm based on logistics data is proposed to improve the logistics forecasting algorithm.Firstly，the limitations of traditional logistics forecasting methods are analyzed，the characteristics of traffic flow data are decomposed，and the corresponding characteristics of traffic flow sequence after decomposition are confirmed.A green logistics forecasting algorithm for logistics data is proposed，which has higher forecasting accuracy than traditional time series model.Experiments on the prediction algorithm show that the prediction accuracy and training efficiency of the algorithm are higher than those of the nearest neighbor clustering online training algorithm，and it can also realize the online traffic flow prediction.
Key words: logistics data；time series model；green logistics；prediction algorithm
中图分类号： TN0
文献标识码： A
文章编号： 1674-6236（2019）17-0019-04
收稿日期： 2018-11-26
稿件编号： 201811137
基金项目： 咸阳市2018年科学技术研究计划项目（2018k02-33）
作者简介： 任娟娟（1980—），女，陕西商洛人，讲师。研究方向：虚拟企业与供应链管理。
标签：物流数据论文; 时间序列模型论文; 绿色物流论文; 预测算法论文; 陕西工业职业技术学院论文;