曹 健，孙有望（同济大学 交通运输工程学院，上海 201804）

1 物流园区概述

1.1 物流园区物流量概念

物流量作为物流学科中一个十分重要的概念，至今仍没有明确的定义，有学者认为物流量是指物流活动的各个作业环节产生的实物（物料、零部件、半成品、产成品等）在物流活动的整个过程中（包括库存量、终端配送量、内向物流量、装卸搬运量和运输量等）的数量的总和，本文即将物流量如此定义。

1.2 物流园区的功能分区

物流园区根据规划的功能以及不同功能区的业务特点、作业方式和布置形式，会选择和设定不同的功能分区，包括以下7种常见的物流功能分区：仓储区、加工区、配送区、集运区、联运区、综合服务区、行政区。

1.3 物流园区货物分类

目前很多部门和单位从各自的角度提出了多种货物分类的方案。其实，不同的货物分类标准都是建立在实际应用和管理需求之上，本文对进入物流园区的货物进行了简要的分析，并将其分为4类货物：集装箱类货物、笨重货物、城市消费品、冷链货物。

2 园区物流量计算

2.1 传统物流量计算方法概述

园区的各功能设施内进行不同的物流作业，这些物流作业存在作业强度的差异，处理单位货物时的面积需求也不同。以A（k,j）（k=1,2,3,4分别表示四类货物，j=1,2,3,…,m）表示功能设施j处理单位货物k所需的平均面积；T（k,j）表示货物k在功能设施j中的平均停留时间；此外，还需要4类货物的大致构成比例（百分数）数据，假设Rg（k）表示货物k的进入物流园区的比例百分数。

记物流园区的每年的营业时间为T（取360天），则每个功能区的每年产生的物流量为：

将各功能区的物流量累加，得到物流园区全年的总物流量L为：

2.2 数据准备

2.2.1 全国物流园区各功能区的面积

前文仅从理论层面给出一个算法思路，若给出物流园区的类型和总面积，加上公式中相应的参数，便能够粗略估算其产生的货运量。要利用前文公式，首先需要分析很多的相关的案例，但全国的物流园区的相关数据比较困难，而且物流园区在规划时的分类标准和功能分区情况不尽相同，与本文的分类标准也存在诸多差异，经过搜寻和处理（物流园区的某个功能区包含多重功能时采用均分的方式分摊面积），本节数据如表1所示：

表1 全国部分物流园区的各功能设施面积

2.2.2 各类货物在物流园区停留时间

相关文章中[5]提及物流园区各类货物的平均库存时间，如表2所示。

2.2.3 处理单位重量各类货物所需面积

前文在计算各类货物的平均库存期时假设作业发生在仓储区，因此此处计算物流园区处理单位重量各类货物所需面积也是按货物在仓储区中处理所需的面积，其它功能分区中的作业暂不考虑，在仓储区中处理不同单位重量货物需要的面积如表3所示。

表2 各类货物的平均库存期

2.2.4 货物构成比例

各个城市和区域的社会环境不一样，它的货物构成比例也不固定，对于区域中的物流园区，由于功能不同、位置不同，所处理的货物种类也不同，不能简单的一概而论，这些都需要实际调研或查询相关统计数据得到。经查询得表4给出各类货物的构成比例情况。

表4 各类货物构成比例

2.3 部分园区物流总量计算

由于园区物流量仅仅来源于仓储区、加工区、配送区、集运区和联运区，与综合服务区和行政区的关系并不密切，本文考虑整个园区的物流量即上述几个区域处理的物流量之和。

应用上述计算方法，可以得到其他物流园区的全年物流量，具体数据如下表5所示。

表5 全国部分物流园区的物流量处理能力

3 基于MATLAB的神经网络预测模型预测物流园区物流量

3.1 人工神经网络

常用的经典预测方法都存在一个共同的局限性，即要求预先知道预测对象的数学模型，但是在实际应用当中，许多对象具有复杂的不确定性和时变性，很难建立其预测模型。而神经网络的出现克服了建立模型及参数估计的困难，它不需要建立具体的数学函数模型就可较精确的描述因素之间的映射关系。这样可以降低预测工作的难度。因此神经网络预测模型的研究已逐步成为预测方法研究的一个重要内容[6]。

对于物流园区系统而言，由于系统的复杂性,各因素的关联性很难用仅仅一个准确的数学解析式来描述,神经网络预测模型能较精确地描述因素之间的映射关系而不需要确定的函数形式，因此，神经网络预测方法为物流园区物流量预测提供了一个新的途径。

人工神经网络（Artificial Neural Networks，ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），是以计算机网络系统模拟生物神经网络的智能计算为基础，由大量处理单元互联组成的非线性、自适应信息处理系统，通过模拟大脑神经网络处理、记忆信息的方式进行信息处理，其具体结构如图1所示。

图1 神经网络结构图

模型的结构采用三层网络I×H×O，其中I、H和O分别是输入层、隐含层和输出层中的节点数。

在MATLAB环境下的BP算法的程序设计主要是调用MATLAB工具箱的相关函数[7]。

3.2 基于MATLAB的神经网络预测模型应用

3.2.1 模型建立

（1）预测指标的选择

本文选择表3中全国部分物流园区各模块面积作为样品输入，表5中各园区物流处理量作为分析预测模型的预测指标，即构造了5组输入输出样本。

（2）网络结构的确定

因此本次运算中采用含有一个隐含层的三层BP网络，输入节点数为5（与园区物流处理能力联系密切的5个功能模块，包括仓储区、加工区、配送区、集运区和联运区）；输出节点数为1，即园区物流处理能力。另外大量神经网络的文献也给出了隐层节点数与输入节点数的经验公式，如公式3-1所示，代入公式可得隐含节点个数为4个。隐含层中的神经元均采用双曲正切S型传递函数，双曲正切函数用于将神经元的输入范围从（-∞,+∞）映射到（-1,+1），又因为正切函数是可微函数，适合于BP训练的神经元。输出层采用线性激励传递函数purelin，线性传递函数purelin可得到输入矢量为m时的网络层输出矩阵。

其中，m,n分别为输入节点数目和输出节点数目；l为隐含节点数。

从总体来看，权值和阈值是随着迭代的进行而更新的，并且一般是收敛的，但是权值的初始值太大，可能导致网络很快就达到饱和，另外权值的初始值对网络的收敛速度也有一定的影响。newff（）函数在生成BP网络时即对网络各层的权值和阈值自动进行初始化。

为了提高网络的推广能力，采用贝叶斯正则化算法来训练BP网络，MATLAB用trainbr（）函数来实现。当网络输入和目标矢量的取值为[-1,+1]时，trainbr（）函数可以达到最好的工作效果，因此在利用该函数对网络进行训练之前通常应预先对样本数据作归一化处理。归一化的具体算法是：

式中：p是所收集的一组数据，minp,maxp分别是这一组数据中的最小值和最大值，pn是映射后的数据，训练后的仿真输入数据需要利用预先计算的最大值和最小值对数据进行变换，仿真结果对相应的反归一化处理。

MATLAB中提供了对数据进行归一化处理的函数premnmx（）数据变换函数tramnmx（）和反归一化函数postmnmx（）。

通过上述说明,可以初步确定预测模型的网络结构和初始条件。

3.2.2 模型验证及预测结果

利用所得的网络结构和初始条件，以全国部分物流园区5个模块面积作为训练样本，预测该物流园区物量，以验证预测模型的有效性，所得结果如表6中预测值所示。

表6 BP神经网络对部分物流园区物流量预测量与实际值对比表

图2 BP神经网络预测值与实际值对比图

从表6和图2可以看出，5个训练样本的模拟输出与期望输出较为匹配，相对误差均在正负2%的范围内。模型的收敛效果较好。经过上述训练所得到的权重体系及偏置值所确定的网络就是所要建立的预测人工神经网络模型。

现在应用上述模型，预测一个物流园区的物流量，该物流园区的5个模块面积如表7：

表7 某物流园区各功能模块面积

通过MATLAB模型计算，我们可以预测得该园区的物流量:

[1]洪再生，丁灵鸽.大型空港物流园区的规划要素分析及设计实践——以天津空港国际物流园区为例[J].城市规划学刊，2009(4):46-53.

[2]张建明，明瑞江，段云.基于“一园多区”的物流园区规模规划与功能设计[J].商场现代化，2011(11):41-43.

[3]刘想宁.武汉东西湖保税物流园区规划布局研究[D].武汉：武汉理工大学物流工程学院（硕士学位论文），2006.

[4]李素艳，张越，李开宾.上海浦东空港物流园区规划研究[J].交通科技与经济，2006,8(6):38-40.

[5]张俊杰.物流园区规模定位与其对周边交通环境的要求和影响关系分析[D].上海:同济大学交通运输工程学院（硕士学位论文），2007.

[6]胡守仁.神经网络应用技术[M].北京：国防科技大学出版社，1993:105-109.

[7]鄢丹.MATLAB与Visual Studio系列语言混合编程的方法[J].微机与应用，2003(4):14-16.