当前位置:大学毕业论文> 文献综述>材料浏览

物流运输方面有关研究生毕业论文范文 和基于SPSS和BP神经网络的林产品物流运输需求预测对比类本科论文开题报告范文

主题:物流运输论文写作 时间:2024-01-26

基于SPSS和BP神经网络的林产品物流运输需求预测对比,本文是物流运输方面本科论文范文与林产品和物流运输和需求预测相关研究生毕业论文范文.

物流运输论文参考文献:

物流运输论文参考文献 网络营销论文计算机网络毕业设计网络营销相关论文网络论文

[摘 要]采用SPSS及Matlab软件分别建立多元线性回归模型和BP神经网络预测模型,通过HN省林产品物流运输需求量的算例,对比多元线性回归和BP神经网络预测模型的预测能力得出相应结论.

[关键词]多元线性回归;BP神经网络;预测模型

[DOI]1013939/jcnkizgsc201706098

1引言

HN省林业发展虽然迅速,但总体规模小,林业产业化水平低,林产品没有规模化的发展.预测林产品的物流需求,能够探索出HN省林产品的发展规律,发现林业转型升级过程中存在的问题.本文运用与林产品物流运输需求有强相关性的经济指标来预测HN省林产品物流运输需求量.

2多元线性回归模型

21多元线性回归

确定两种及以上变量间相互定量关系的统计方法称为回归分析.在回归分析中,如果有两个或两个以上的自变量,就称为多元回归分析,如果自变量与因变量间存在线性关系,就称为多元线性回归.其模型的一般形式为:

Y等于β0+β1x1+β2x2+…+βpxp+ε

22多元线性回归模型构建

设物流运输需求量Y与影响因素X1,X2,…,XP存在线性相关,可建立回归函数模型Y等于FX1,X2,…,Xp,以此为基础,对林产品物流运输需求做出预测.

3BP神经网络模型

31BP神经网络

BP神经网络是一种按误差逆传播算法训练的多层前馈网络,BP网络模型拓扑结构包括输入层、隐含层和输出层.

32构建物流运输需求预测模型

利用BP神经网络构建林产品物流运输需求预测模型,强相关性的经济指标是输入变量,林产品物流运输需求量是输出变量.

321设计网络输入、输出样本

设Xi等于Xi1,Xi2,…,Xin表示第i年的经济指标向量,Yi等于yi表示第i年的物流运输需求量向量.以第1年至第n-1年的经济指标值作为输入样本P,以第2年至第n年的物流运输需求量作为输出样本T,用输入样本P和输出样本T对BP网络进行训练,训练完成后,输入第n年的输入指标Xn来预测第n+1年需求量.

322确定网络层数、隐层节点数

本文选用典型的三层BP网络.根据Kolmogorov定理n1等于2n+1确定隐含层节点数.

4HN省林产品物流运输需求预测实证分析

货运量能反映出物流运输需求的变化规律,HN省铁路网发达,故选择“林产品铁路货运量”作为输出指标,设为Y.依据预测指标选取原则,选取“人均生产总值、居民消费水平、林业生产总值、林业固定资产投资、铁路营业里程”作为输入指标,分别设为X1,X2,X3,X4,X5.本文选取的原始数据来源于历年HN省统计年鉴,选取2005—2013年的数据作为样本数据,如表1所示.2014年的数据作为预测数据加以验证.本文以木材作为木产品的代表.

41多元线性回归模型算例分析

本文借助SPSS软件对五个经济指标和林产品铁路货运量指标之间进行相关性分析和线性回归分析,从而对林产品物流运输需求进行预测.

411相关性分析

本文依据数据特点,对其采用Pearson相关系数,如表2所示.

从表2中可以看出,因变量与自变量的相关系数都在0-8以上,相关程度较高.

412线性回归分析

选择X1、X2、X3、X4、X5作为自变量,Y作为因变量.在SPSS软件的计算下,根据SPSS的输出结果得到林产品物流运输需求量多元线性回归模型为:Y等于550119+0009X1-0047X2-0230X3-2060X4+0017X5

42BP神经网络模型算例分析

本文借助MATLAB软件的神经网络工具箱,通过编程来建立林产品物流运输需求神经网络预测模型.

421对数据归一化处理

422设计网络结构参数

通过试验,隐含层节点数目为2×7+1等于15个最为合适.训练函数设为traingdx函数,传递函数第一层设为tansig函数,第二层设为logsig函数,学习率设为01,动量因子设为09,学习误差设为10-5.

423网络训练与测试

取归一化后2005—2010年的输入指标值作为训练样本输入p-train,2006—2011年的输出指标作为训练样本输出t-train.在MATLAB软件中编辑训练语句,结果如下图所示.

训练结果曲线

经过了146次训练后,网络达到设定学习误差,训练效果较好.

04%,预测值与实际值比较接近,相对误差小,预测精度较高.

43模型预测对比

多元线性回归方程及BP神经网络对2014年的数据进行预测的结果如表3所示.

表3预测值与实际值对比表

年份实际值BP神经网络预测值多元线性回归预测值BP神经网络预测相对误差/%多元线性回归预测相对误差/%

20141872031737981

由表3知,BP神经网络预测模型对2014年预测误差为79%,多元线性回归预测模型误差为81%.相比而言,BP神经网络预测模型的预测精度更高,更稳定.

通过模型可以预测到未来几年林产品物流运输需求量呈递减趋势,说明对树木的砍伐在逐年递减.

5结论

本文介绍及建立了多元线性回归模型和BP神经网络模型,以HN省林产品物流运输需求量为算例,得出的研究结果表明BP神经网络在对新数据的预测能力方面有略微的优势,但是BP神经网络每一次训练运行的结果都是不同的,具有一定的不确定性,因此并不能简单地以此判断两者之间在预测能力方面哪个更有优势,但总的来说,BP神经网络较多元线性回归模型的预测精度更高.

参考文献:

[1]陈思远,郭奕崇基于BP神经网络的安徽省物流需求预测研究[J].物流技术,2012(17):231-233

[2]韩林湖南省林产品物流运输需求预测研究[D].长沙:中南林业科技大学,2015

[3]张景阳,潘光友多元线性回归与BP神经网络预测模型对比与运用研究[J].昆明理工大学学报:自然科学版,2013(6):61-67

[作者简介]刘靖(1986—),男,汉族,湖北武汉人,武汉理工大学硕士,湖北生态工程职业技术学院,助教.研究方向:林产品物流运输;张海(1987—),男,汉族,湖北武汉人,江汉大学学士,湖北生态工程职业技术学院,助教.研究方向:园林技术.

汇总:这篇文章为一篇关于经典物流运输专业范文可作为林产品和物流运输和需求预测方面的大学硕士与本科毕业论文物流运输论文开题报告范文和职称论文论文写作参考文献.

基于BP神经网络的城市物流需求预测模型
文培娜(京东方科技集团股份有限公司,北京 100176)摘要城市物流需求是城市物流规划的重要内容和首要前提,但城市物流需求的复杂性导致难以对其进行精确预测 文章从货运量的角度出发,分析影响货运量的社.

基于遗传算法优化和BP神经网络的中长期负荷联合预测
摘 要 传统的BP 神经网络负荷预测存在学习速度慢、局部极小……缺陷,已无法满足现代电力负荷预测的精度要求 基于此,本文首先在分析了BP 神经网络的预测原理和不足的基础上,阐述了遗传算法的原理及优化步.

基于3s的人工神经网络模型在地质灾害危险性评价中的应用
宋雨濛(成都理工大学地球物理学院 四川 成都 610059)摘 要文章通过3s 技术手段和人工神经网络模型对卧龙大熊猫自然保护区进行了地质灾害危险性评价 包括通过遥感技术获取研究区域的遥感图像,并对图.

论文大全