摘  要：本文利用神经网络理论，建立了时间序列对象的反向传播（back-propagation，BP）预测模型，运用于物流需求量预测，并通过实例分析，验证了本模型的科学性与正确性。

关键词：BP神经网络，物流需求量，预测

1引言

物流需求量预测是根据物流市场过去和现在的需求状况以及影响物流市场需求变化的因素之间的关系，利用一定的经验判断、技术方法和模型对物流需求量的变化以及发展趋势进行预测。根据物流需求预测结果，有利于掌握社会经济活动对物流的需求强度，进行有效的需求管理，有目的地引导社会投资进入物流服务领域，合理规划建设物流基础设施，改进物流供给系统，提高社会物流绩效。

人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息系统，是由多个非常简单的处理单元彼此按某种方式互相连接而形成的计算系统，该系统是靠其状态对外部信息的动态响应来处理信息的。目前人工网络模型已有上百种，本文将采用最常用的基于BP神经网络的方法，通过利用样本对BP神经网络模型的训练，使用BP神经网络模型对物流需求进行预测。

2物流需求量预测的BP神经网络模型

2.1  BP神经网络模型的基本原理

BP神经网络（即误差反向传播网络）模型是在1985年由斯坦福大学的鲁梅尔哈特（D。Rumelhart）等提出来的，全称为EBP（Error Back Propagation）算法。BP算法解决了多层网络模型中隐含层的连接权问题，提高了神经网络的学习和记忆功能，尤其解决了XOR（异或）问题，逐步成为神经网络应用最为广泛的典型模型之一。

BP神经网络模型是由输入层、输出层和若干隐含层组成的前向连接模型，同层各神经元间互不连接，相邻层的神经元通过权重连接且为全互连结构。其拓扑结构如图1所示。

当有输入信号时，要首先向前传播到隐层结点，再传至下一隐层，直至最终传输至输出层结点输出，信号的传播是逐层递进的，且每经过一层都要由相应的特性函数进行变换。由于信号一直是向前传播直至输出层，所以BP神经网络模型是一种前馈网络。

在BP网络中，要求结点的特性函数要可微，通常采用Sigmoid型（S型）函数，一般取为

BP网络的学习过程包括正向传播和反向传播两部分。当给定网络一个输入模式时，它由输入层至隐层并进行计算，并向下一层传递，这样逐层传递和计算，最后到输出层，产生一个输出模式，这是一个逐层状态更新的过程，称为正（前）向传播。如果实际输出模式与期望输出模式有误差，那么就将误差信号沿原来的连接通路从输出层至输入层逐层传送，并修改各层的连接权值，使误差减少，直至满足条件为止，这个过程称为反向传播。当所有训练模式都满足要求时，我们认为BP网络已经学习好。需要指出的是，一旦BP网络学习好了，运用时就只需要正向传播，不再进行反向传播。