物流企业运营成本的小波神经网络预测方法

开篇：润墨网以专业的文秘视角，为您筛选了一篇物流企业运营成本的小波神经网络预测方法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】 随着我国社会主义市场经济的逐步深入，物流企业对成本控制的要求越来越迫切，为有效进行物流运营的成本控制，文章引入小波神经网络方法探索对运营成本的精确预测，根据物流运营成本的变化规律，建立了物流企业运营成本的小波神经网络预测模型，选用Morlet小波进行成本模拟，采用共轭梯度法进行迭代求解，并应用某物流企业的运营成本进行了实例分析，为物流企业进行运营成本控制提供了一种行之有效的高精度预测方法。

【关键词】 小波神经网络； 物流运营； 运营成本； 成本预测

在物流企业物流运营过程中，随着时间的延续，物流运营成本呈现递增的趋势。因此，有效控制运营成本是物流企业的一项重要任务，而有效进行成本控制的基础是进行精确的运营成本预测。传统的物流运营成本预测以回归分析法为主，虽然这类预测方法简单、使用方便，但其预测的误差较大，不能满足现代物流运营过程中对成本控制的要求。由于技术进步和市场经济的发展，计算机在社会经济发展中的作用越来越大，计算机技术的发展给社会经济预测提供了快速、有效的计算工具，一些较为复杂但其精确性较高的预测方法便不断得以应用，小波神经网络预测便是一种能够满足企业高精度预测要求的方法。为满足物流企业对成本控制的要求，本文引入小波神经网络方法，通过建立适合物流企业物流运营成本变化规律的小波神经网络预测模型，并将其应用于物流企业的运营成本预测，以探索物流企业成本控制的新路子。

一、小波神经网络预测模型的建立

为了建立小波神经网络模型，首先从介绍小波和小波变换的概念。如果用f（t）表示时间信号或函数，t为时间域自变量，习惯上以时间域为变量的变尺寸函数用?渍（t）表示，以频率域为自变量的变尺度函数用?渍（?棕）表示，则小波是指在函数空间L2（R）中，满足下列条件的一个信号或函数。

鉴于时间序列的特点，变换仅限于实数域讨论。由上式可知小波基中参数b变化起着平移作用；参数a的变化不仅改变小波基的频谱结构，而且改变其窗口的大小形状。因此，a、b分别称为?渍ab（t）的伸缩因子和平移因子。对于函数f（t）其局部结构的分辨可以通过调节参数a、b，即调节小波基窗口的大小和位置来实现。与Fourier分析法类似，基于小波变换的小波分析同样是将信号函数分解成小波标准正交基，以此构成级数来逼近信号函数，所不同的是小波基是通过平移和伸缩构成的，具有较好的局部化性质，依据小波理论达到最佳的函数逼近能力。

在小波神经网络预测中，一般是采用复合小波神经网络进行的。复合小波人工神经网络是基于小波分析而构成的具有神经网络思想的模型，即用非线性小波基取代了通常的非线性Sigmoid函数，非线性时间序列表述通过所选取的非线性小波基进行线性叠加来实现，也就是用小波级数的有限项来逼近时间序列函数。实际上用小波基?渍ab（t）拟合时间序列f（t）的过程就是信号分解过程，即我们希望把待分析信号f（t）近似分解成若干正交归一的基本小波?渍n（t），上标（n）是小波类型的序号，作离散位移bk和尺度伸缩ak的加权和，即：

二、模型参数的确定

式中梯度?荦E（θk）为迭代步长，λ为迭代修正系数（或称学习率）。当n=1时，采用实数Morlet小波进行预测，其时间函数表达式为：

三、应用实例

把利用线性回归和小波神经网络两种方法预测的结果在同一直线坐标系中画出，可以明显地看出小波神经网络预测方法比线性回归预测具有更高的精确性，见图1。

分析以上预测结果可以明显地看出，小波神经网络的预测结果相对误差较小，预测的精度最高。由于运营成本关系到盈亏，是物流企业规模经济控制的一个重要指标。因此，选用小波神经网络法进行预测具有重要意义。

四、结论

随着我国市场经济的发展，物流企业为加强内部控制，需要不断提高经济预测的精度。因此，在物流企业的成本控制中引入和采用高精度的预测方法，并应用计算机进行预测是一种必然趋势。本文从物流企业运营成本控制的要求出发，根据物流运营成本的变化规律，建立了小波神经网络预测模型，采用共轭梯度法应用计算机进行预测求解，编制的软件可通过加载宏的模式直接在Excel中使用，可满足物流企业成本控制中高精度成本预测的要求，在物流企业的实际成本资料进行了应用研究，收到了比较好的效果。其研究成果，对促进物流企业加强成本控制预测，提高预测精度，以最终提高管理效率和经济效益具有重要意义。

【参考文献】

［1］ 冉启文.小波变换与分数傅里叶变换理论及应用［M］. 哈尔滨：哈尔滨工业大学出版社，2002.

［2］ 李金屏，王风涛，杨波. BP小波神经网络快速学习算法研究［J］.系统工程与电子技术，2001，23（8）：72-75.

［3］ 金龙，秦伟良，姚华栋.多步预测的小波神经网络预报模型［J］.大气科学，2000，24（1）：79-86.

［4］ 孙涛，陈晓慧.煤炭企业原煤经济生产量和保险储备量的合理确定［J］.煤炭经济研究，2001（5）：32-34.

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文