[发明专利]一种基于PCA-BP神经网络模型的区域物流需求预测方法

说明书

一种基于PCA‑BP神经网络模型的区域物流需求预测方法，本发明通过PCA算法降低数据特征的维度，尽可能的保存了原始数据的信息量，把有效的数据信息提取压缩，优化了数据。其次利用BP算法模型较强的非线性拟合能力，把影响区域物流需求的影响因素和物流运货量进行较佳的数学建模，最终使得预测准确率达到了94.5％，并且在网络性能、计算速度、消费存储方面也有相应的优化。通过PCA‑BP算法能较好地完成区域物流的预测分析。

技术领域

本发明涉及物流需要预测领域，特别是涉及一种基于PCA-BP神经网络模型的区域物流需求预测方法。

背景技术

现代物流已成为调整经济结构，转变经济增长方式的重要途径。对区域物流需求量进行科学精确的规划管理，有利于政府部门科学制定物流规划、合理配置物流资源及制定物流产业发展政策提供决策依据，此外合理的物流规划也是保证物流供给、调整物流供需平衡的基础。区域物流需求预测是区域物流系统规划、物流资源合理配置过程中的重要环节，而区域经济是产生区域物流需求的内在决定性因素，因此寻求利用区域经济指标来预测区域物流需求具有较强的可行性，同时能够促使区域物流产业与区域经济之间的协调发展。由此可见物流需求预测是区域物理系统规划、物流资源合理配置过程中的重要环节。因此研究区域物流需求预测具有重要的理论和现实意义。

区域物流管理中的一个重要问题是区域物流合理化，其中重要的问题就是如何精准的预测区域物流的需求。传统的物流预测常用的定量预测方法分为因果关系分析的回归模型预测法和时间序列分析的趋势外推预测法。但是这些方法在一定程度上都存在局限性，预测能力不足，不能达到理想的预测结果。其中物流量与预测影响因素方面存在高度的非线性，传统的预测模型难以实现该任务，造成预测结果的严重失真。自从人工神经网络的出现为解决非线性预测问题提供了较好的方案。同时人工神经网络为区域物流需求预测提供了一种全新的思路和方法，利用人工神经元网络具有较好的非线性和自适应能力、学习能力和映射能力，能够实现非线性关系的映射。

PCA主成分分析方法可以从高维度数据中提取出有用的信息，将具有相关性的原始高维度数据进行线性无关的映射至低维空间，从而实现在尽可能保留数据信息的情况下降维数据。将影响区域物流需求的因素映射到低维空间并提取出特征中的主要信息成分。然后利用BP神经网络优越的非线性预测能力完成区域物流需求的预测。

发明内容

为了解决以上问题，本发明的技术方案为一种基于PCA-BP神经网络模型的区域物流需求预测方法，通过BP神经网络建立数学模型来描述预测区域物流的需求，并且利用PCA算法优化特征改进BP算法模型，使得预测区域需求模型性能更加优越，为达此目的，本发明提供一种基于PCA-BP神经网络模型的区域物流需求预测方法，其特征在于，包括如下步骤：

步骤1：将获取的数据进行转化整合，影响区域物流需求的数据特征多且数据结构复杂，在进行数据处理之前需要先进行数据的转化整合处理，将各数据归一化，归一化的数据有利于后续的PCA及BP算法模型的建立；

步骤2：建立影响区域物流预测的特征数据库；

步骤3：将数据库中的原始数据划分一部分数据为测试数据，用于测试优化算法后的模型有效性，剩余的数据作为建立模型的训练数据；

步骤4：采用PCA降维算法将原始八维特征做降维处理，在贡献率保证的情况下完成数据建模前的预处理；

步骤5：构造BP神经网络模型，将影响区域物流预测的特征值作为网络输入，输出为预测物流货运量Y参数，即网络输入量和输出量的维数分别为8和1；

BP神经网络的输入经过一个隐含层得到输出H_l，公式如下：