直播带货、电商购物等数字经济消费在疫情期间迎来井喷式增长，物联网、人工智能、智能硬件、5G等信息技术支撑数字化生产蓬勃发展。明显的，实物型的数字消费与数字生产带来的是物流需求的增加与物流生产效率的提升。互联网医疗、智能体育、在线教育等看似不会直接产生物流需求的数字消费声势浩大，而我们的需求结构与运输结构的变化却已悄然而至。

消费模式与生产技术的何种改变会带来物流需求的变化，而物流需求又将呈现何种规模与结构性的变化，其中的变化又是何种动力机理，要解决这些问题就必须要梳理清楚经济、消费、生产、技术、服务等多个系统与物流系统之间的作用机理，这无疑是一个大规模的复杂问题。

当今世界正面临百年未有之大变局，我国适时提出“大循环、双循环”的新发展格局，我们不得不思考一个问题，这样的时代背景将会给物流需求带来怎样的变化。因为，明确需求是制定战略的前提条件与科学支撑。

我们也许并不清楚互联网医疗、智能体育、在线教育为什么与物流需求有关，但是我们的确发现了物流需求结构改变的同时，消费模式、技术水平也在同步改变，那么同期，还有什么在悄悄的变化着呢。

全球网络化、系统多元化、数据大量化是这个时代的典型数字特征，复杂的消费模式、数字产品与数字服务带来了复杂结构的物流需求，传统的需求预测方法已然难以适应新的时代特征，我们正在积极探索以大数据思维挖掘“物流需求与世界”之间“纸尿布与啤酒”关联关系的方法。

大数据的价值在与使用合适的手段挖掘到有用的信息，机器学习是在人工智能时代被提出的一类解决大型复杂问题的算法集合，是用数据或以往的经验，来不断优化计算性能。神经网络算法是借用人脑神经元网络抽象而来的一种机器学习算法，是未来探索利用大数据预测物流需求方法的有效工具。站在需求预测的应用角度，我们对神经网络算法的机制、运算及应用用图的形式表示出来，帮助读者对机器学习算法及应用做快速理解。

1、神经网络基本机制

神经网络就是训练样本数据，从中学习得到输入信息与输出信息之间的规则，从而达到预测的目的。

Step1 通过输入神经元输入样本数据，对样本数据进行加权，传递数据信息到下一层功能神经元

Step2 将加权传递的总输入值与该神经元的阈值进行比较，只有当总输入值超过阈值，神经元才能被激活

Step3 激活之后的神经元采用激活函数处理，从输出神经元中输出神经网络的预测数据。

Step4 设计合适的训练数据的学习算法调整权值和阈值，以误差最小为目标，最终迭代至终止条件，获取最优的参数，完成机器学习。

由此可看出，神经网络重点包括两个部分，一是如何设计接收、传递和输出数据的神经网络拓扑结构，二是对网络结构参数进行调整的学习规则或者算法。本文重点讲述神经网络拓扑结构。

2、神经网络拓扑结构

神经网络的拓扑结构包括网络层数、各层神经元数量以及各神经元之间相互连接的方式。

（1）第一代神经网络，感知机

感知机结构较为简单，只有输入和输出两层神经元，输入层神经元只能接收数据，输出神经元是功能神经元，还具有阈值和激活函数等功能。

运作机制：

n个输入信息通过n个输入神经元输入，经过连接线加权传递至输出神经元处，其接收到的加权之后的总输入值，与该输出神经元的阈值相比较，达到激活要求之后，则通过激活函数处理之后得到输出信息y。

一般来说，激活函数可以选用0-1的阶跃函数（1表示神经元兴奋，0表示神经元抑制），以及可以将可能在较大范围内变化的输入值挤压到（0,1）输出范围，以便于数据处理的sigmoid函数。

上文说到经过神经网络处理之后的输出数据与实际输出值存在误差，因此需要一定的学习规则来调整参数，以减小误差，提高学习性能，感知机的学习规则较为简单，所以先介绍它的学习方法。

首先神经网络的学习过程就是根据训练数据来调整神经元之间的“连接权”以及每个功能神经元的阈值。在感知机中，可以将阈值作为一个哑节点，也就是将阈值也看做一个权值，并且是为输入值为-1的数据赋权的权值，这样就可以将权值和阈值的学习统一为权值的学习。

那么权值调整的一般公式即为本次的权值加上变化的权值作为下一次的值，△w的学习公式是学习率与误差和输入值之间的乘积。

（2）BP神经网络——多层前馈神经网络

感知机只有输出层神经元进行激活函数的处理，也就是只拥有一层功能神经元，学习能力非常有限，只能处理线性可分的问题，对于复杂一点的非线性可分的问题，感知机无法解决，因此需要考虑使用多层功能神经元。

多层前馈神经网络是一种常用的多层网络，由于多层前馈神经网络的学习算法多采用BP算法，因此也叫BP神经网络。是用于三层或三层以上的神经元，即输入和输出神经元，以及中间层（隐层神经元）。

前馈网络的含义即每层神经元与下一层神经元全部互相连通，并同一层的神经元之间不存在连接，也不存在跨层连接，也就是说，前馈神经网络信息传递的方向是一层一层逐步向前传播，各神经元不存在信息的反馈。图中的前馈神经网络，只含有一层隐层，也是较常用的神经网络结构模型，被称为单隐层网络。

（3）RBF神经网络——单隐层前馈神经网络

（4）深度神经网络

随着神经网络的发展，用于解决的问题越来越复杂，于是就出现了参数更多、模型复杂度更高的深度神经网络。

深度前馈网络，隐层层数多，拥有激活函数的功能神经元数目多，具有非常强大的学习能力，擅长提取静态数据的相关关系，适用于基于分类的各种识别问题，如语音图像识别等。但是受限于前馈神经网络的拓扑结构，它提取数据时序特征的能力有限。

无限深度神经网络，其神经元可以与任何外部输入连接，与其他所有神经元连接，也可以与自身的反馈连接，构成一个反馈连接的回复式神经网络，适用于分析动态数据，它的网络结构中耦合了时间参数，可以用于提取数据的时序特征，适用于数据未来变化的预测。

数字经济时代对我们咨询行业也提出了“供给侧改革”的转型需求。习近平总书记一再强调深化改革要进一步解放思想，勇于创新，开拓进取。面对这个五彩缤纷的世界，不断解放思想，不断以新的视角来看待世界，以新思维来思考发展，应用符合时代特征的新技术与新方法解决瞬息万变的新问题，是我们一直努力的方向。