包容性檢驗(yàn)和PCA相融合的物流需求預(yù)測(cè)

蔣夢(mèng)莉

西安財(cái)經(jīng)學(xué)院 管理學(xué)院 信息與物流管理系，西安 710100

包容性檢驗(yàn)和PCA相融合的物流需求預(yù)測(cè)

蔣夢(mèng)莉

西安財(cái)經(jīng)學(xué)院 管理學(xué)院 信息與物流管理系，西安 710100

1 引言

物流需求受到經(jīng)濟(jì)、政策、資源等多種因素綜合影響，且因素的作用形式復(fù)雜、多變，致使物流需求本身具有較大的波動(dòng)性和隨機(jī)性等特點(diǎn)，再加上物流需求其影響因素間呈現(xiàn)高度非線性關(guān)系，難以建立確定的數(shù)學(xué)模型，因此，如何對(duì)物流需求進(jìn)行準(zhǔn)確預(yù)測(cè)一直是經(jīng)濟(jì)領(lǐng)域中的研究熱點(diǎn)[1]。

當(dāng)前物流需求預(yù)測(cè)模型主要分為兩類：傳統(tǒng)線性模型和現(xiàn)代非線性模型。傳統(tǒng)模型主要有回歸分析法、時(shí)間序列法等，它們假設(shè)物流需求是一種線性變化規(guī)律，而實(shí)際的現(xiàn)代物流具有非線性、隨機(jī)性、時(shí)變性等復(fù)雜變化特點(diǎn)，難以準(zhǔn)確揭示其變化趨勢(shì)，預(yù)測(cè)精度較低，應(yīng)用范圍受限[2]。非線性模型主要有隱馬爾可夫模型（Hidden Markov Models，HMM）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）等，它們具有較強(qiáng)的非線性預(yù)測(cè)能力，可以較好地反映物流需求與影響因素間的變化關(guān)系，預(yù)測(cè)精度高，在物流需求預(yù)測(cè)中應(yīng)用廣泛[3-5]。采用單一模型只能反映物流需求變化的部分、片段信息，當(dāng)政策、自然因素等發(fā)生突變時(shí)，物流需求會(huì)出現(xiàn)劇烈波動(dòng)，此時(shí)單一模型就無(wú)法對(duì)物流需求預(yù)測(cè)進(jìn)行準(zhǔn)確預(yù)測(cè)，然而組合模型將多種模型優(yōu)勢(shì)進(jìn)行互補(bǔ)，可以更加全面反映物流需求變化信息[6-7]。近年來，一些學(xué)者基于組合理論，提出了灰色神經(jīng)網(wǎng)絡(luò)、灰色線性回歸、灰色馬爾可夫等物流需求組合預(yù)測(cè)模型，進(jìn)一步提高了物流需求預(yù)測(cè)精度[8-10]。然而相關(guān)研究表明，在組合預(yù)測(cè)過程中，隨意增加單一模型，不一定可以提高物流預(yù)測(cè)精度，應(yīng)該選擇一些最合理模型進(jìn)行組合。包容性檢驗(yàn)方法可以判定一個(gè)預(yù)測(cè)模型是否包含了其他預(yù)測(cè)模型的有關(guān)信息，為組合模型的單一模型選擇提供了一種新思路[11-12]。

為了提高物流需求預(yù)測(cè)精度，提出一種包容性檢驗(yàn)（Encompassing Τests，EΤ）和主成分分析（Principal Component Analysis，PCA）相融合的物流需求組合預(yù)測(cè)模型（EΤ-PCA），并通過仿真實(shí)驗(yàn)對(duì)組合模型的性能進(jìn)行測(cè)試。

2 包容性檢測(cè)原理

設(shè)M1、M2分別表示兩個(gè)不同的預(yù)測(cè)模型，t時(shí)刻的實(shí)際值為yt，f1，t和f2，t分別表示M1、M2在t時(shí)刻的預(yù)測(cè)值，考慮如下形式的回歸方程：

式中，ut為隨機(jī)擾動(dòng)；β1、β2為回歸系數(shù)，且β1+β2=1。

在式（1）兩邊同時(shí)減去f1，t，則有：

令ei，t=yt-fi，t(i=1，2)，那么，式（2）變?yōu)椋?/p>

在α顯著性水平下，通過t檢驗(yàn)計(jì)算回歸系數(shù)β1和β2值，具體為：

（1）設(shè)H0:β=0，H1:β≠0，其中β取值為β1或β2。

（2）計(jì)算統(tǒng)計(jì)量。當(dāng)H0成立時(shí)，可得：

（3）在給定顯著性水平α下，確定臨界值

（4）檢驗(yàn)結(jié)果判斷。若||t＞tα/2(n-2)，則拒絕原假設(shè)H0:β=0；反之接受原假設(shè)。

（5）若β1=0且β2=0，則表示模型M1包容模型M2；若β1≠0且β2=0，則表示M2包容M1；其他情況表示M1與M2不包容，表示每個(gè)模型都包含了關(guān)于yt的有用信息[13]。

3 單一模型的選擇及組合

3.1 單一模型選擇

（1）計(jì)算每個(gè)單一模型的預(yù)測(cè)結(jié)果，并將預(yù)測(cè)結(jié)果作為模型優(yōu)劣的評(píng)價(jià)標(biāo)準(zhǔn)，然后根據(jù)評(píng)價(jià)結(jié)果對(duì)模型進(jìn)行降序排序。

（2）根據(jù)模型預(yù)測(cè)性能指標(biāo)的高低，將所有等待包容性檢驗(yàn)的單一預(yù)測(cè)模型依次輸入待評(píng)表，然后以預(yù)測(cè)性能指標(biāo)最高的單一預(yù)測(cè)模型為基本模型，將其從待評(píng)表移至備選表（存放通過包容性檢驗(yàn)的單一預(yù)測(cè)模型表）。

（3）選取待評(píng)表中預(yù)測(cè)性能指標(biāo)最高的模型，與備選表中預(yù)測(cè)模型進(jìn)行包容性檢驗(yàn)。

（4）如果備選表中模型不包容待評(píng)表中模型，則將此模型移至備選表中，并對(duì)備選表中所有模型以一定的組合方式將它們進(jìn)行預(yù)測(cè)組合。

（5）在待評(píng)表中剔除該單一預(yù)測(cè)模型。不斷循環(huán)以上步驟，直至待評(píng)表為空。

（6）將備選表中的預(yù)測(cè)模型作為最合適的預(yù)測(cè)模型。

3.2 單一模型的組合

選擇好單一模型后，采取何種方式對(duì)這些單一模型進(jìn)行組合，對(duì)于物流需求預(yù)測(cè)精度起著決定性作用。當(dāng)前主要采用等權(quán)方式對(duì)單一模型進(jìn)行組合，即假設(shè)每一種單一模型對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)是相同的，這與實(shí)際情況不相符，不能準(zhǔn)確反映單一模型對(duì)組合預(yù)測(cè)結(jié)果的貢獻(xiàn)。主成分分析法通過恰當(dāng)?shù)臄?shù)學(xué)變換，將原始數(shù)據(jù)中具有一定相關(guān)性的指標(biāo)重新組合成一組新的互不相關(guān)的綜合指標(biāo)，用于代替原來的相關(guān)性指標(biāo)，為此，采用PCA對(duì)單一模型進(jìn)行組合代替?zhèn)鹘y(tǒng)等權(quán)組合方式。具體步驟如下：

（1）設(shè)組合預(yù)測(cè)中包含m個(gè)單一物流預(yù)測(cè)模型，并將預(yù)測(cè)值分別記為Y1，Y2，…，Ym。

（2）將單一模型的預(yù)測(cè)值Yi作為一個(gè)變量，對(duì)n個(gè)樣本，計(jì)算出相應(yīng)的預(yù)測(cè)值，由此構(gòu)造n×m矩陣，利用此矩陣求相關(guān)系數(shù)矩陣R：

（3）根據(jù)相關(guān)系數(shù)矩陣計(jì)算其特征值λi(i=1，2，…，p)，并使其按大小順序排列λ1≥λ2≥…≥λp≥0；然后求出對(duì)應(yīng)于特征值λi的特征向量vi=(γi1，γi2，…，γim)′。

（5）若第一主成分的累積貢獻(xiàn)率超過85%，那么第i個(gè)模型的權(quán)值為：

通常情況下，當(dāng)主成分累計(jì)貢獻(xiàn)率達(dá)到85%以上，表示主成分可以代表原始數(shù)據(jù)提供的信息[14-15]。若第一主成分的累積貢獻(xiàn)率不足85%，需要考慮第二主成分進(jìn)行累計(jì)貢獻(xiàn)率，以第一、第二主成分的特征值λ1和λ2為權(quán)數(shù)，那么第i個(gè)模型的權(quán)值為：

依此類推，若前k個(gè)主成分的累積貢獻(xiàn)率超過85%，那么第i個(gè)模型的權(quán)值為：

（6）物流需求組合預(yù)測(cè)模型為：

4 ET-PCA的物流需求預(yù)測(cè)流程

（1）收集某物流需求和影響因子的歷史數(shù)據(jù)，并對(duì)其進(jìn)行預(yù)處理。

（2）將物流數(shù)據(jù)分為訓(xùn)練樣本集與檢驗(yàn)樣本集兩部分，訓(xùn)練樣本集用于建立物流組合模型，檢驗(yàn)樣本集用于測(cè)試建立的物流組合模型性能。

（3）將訓(xùn)練樣本輸入到單一模型，進(jìn)行相應(yīng)的物流需求單一預(yù)測(cè)建模，然后對(duì)檢驗(yàn)樣本進(jìn)行預(yù)測(cè)，得到每一個(gè)模型的預(yù)測(cè)結(jié)果。

（4）根據(jù)預(yù)測(cè)結(jié)果的優(yōu)劣，對(duì)單一模型進(jìn)行排序，然后根據(jù)預(yù)測(cè)性能指標(biāo)的高低將單一預(yù)測(cè)模型依次輸入待評(píng)表，根據(jù)包容性檢驗(yàn)方法選擇最合理的單一模型，將其從待評(píng)表移至備選表中。

（5）最后保留在備選表中的模型即最合理的單一物流需求預(yù)測(cè)模型，采用PCA對(duì)這些最合理的單一物流量需求預(yù)測(cè)模型進(jìn)行組合，建立物流需求的EΤ-PCA組合預(yù)測(cè)模型。

（6）采用建立EΤ-PCA的物流組合預(yù)測(cè)模型對(duì)檢驗(yàn)樣本進(jìn)行預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果對(duì)模型性能進(jìn)行分析。

綜合上述可知，基于EΤ-PCA的物流需求預(yù)測(cè)流程如圖1所示。

圖1 物流需求預(yù)測(cè)流程

5 仿真實(shí)驗(yàn)

5.1 數(shù)據(jù)源

選取1990年—2012年陜西省的物流需求統(tǒng)計(jì)數(shù)據(jù)為研究對(duì)象，數(shù)據(jù)具體如圖2所示，物流需求影響因子選擇第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、固定資產(chǎn)投資總額、貨物進(jìn)出口總額、社會(huì)消費(fèi)品零售總額、居民消費(fèi)水平，數(shù)據(jù)取自《陜西統(tǒng)計(jì)年鑒2012》。取1990年—2002年的數(shù)據(jù)作為訓(xùn)練樣本集；2003年—2012年的數(shù)據(jù)作為檢驗(yàn)樣本集。所有實(shí)驗(yàn)在Matlab 2009a仿真平臺(tái)上編程實(shí)現(xiàn)。

圖2 1990年—2012年陜西省的物流需求歷史數(shù)據(jù)

5.3 數(shù)據(jù)歸一化處理

物流影響因子單位不同，數(shù)據(jù)間的差異較大，為了避免極端數(shù)據(jù)對(duì)物流需求預(yù)測(cè)結(jié)果造成不利影響，對(duì)物流數(shù)據(jù)影響因子進(jìn)行歸一化處理，將它們縮放到[0 1]之間。

歸一化代碼為：

其中，p為輸入向量，t為輸出向量，P為歸一化后的輸入向量，T為歸一化后的輸出向量。

5.3 單一模型預(yù)測(cè)結(jié)果

選擇MLR、帶受控項(xiàng)的自歸回模型（CAR）、GM（n，1）、RBF神經(jīng)網(wǎng)絡(luò)（RBFNN）、HMM、最小二乘支持向量機(jī)（LSSVM）作為初始單一模型。

采用物流需求訓(xùn)練樣本集輸入到CAR、GM（n，1）、RBFNN、HMM、LSSVM進(jìn)行訓(xùn)練，建立相應(yīng)的單一物流需求預(yù)測(cè)模型，然后采用建立的物流需求模型對(duì)檢驗(yàn)樣本集進(jìn)行預(yù)測(cè)，最后計(jì)算檢驗(yàn)樣本預(yù)測(cè)結(jié)果的均方根誤差（Root Mean Squared Error，RMSE），結(jié)果見表1。從表1可知，MLR、CAR等傳統(tǒng)模型的預(yù)測(cè)值與實(shí)際物流需求值相差比較大，預(yù)測(cè)精度較低；相對(duì)于MLR、CAR，非線性預(yù)測(cè)模型GM（n，1）、RBFNN、HMM、LSSVM的預(yù)測(cè)誤差要小，預(yù)測(cè)精度較高，但模型的預(yù)測(cè)性能不穩(wěn)定，有的預(yù)測(cè)結(jié)果與實(shí)際值偏差較大，主要是由于單一模型只能夠描述復(fù)雜、多變物流系統(tǒng)的部分、片段變化信息。

表1 單一模型的物流需求預(yù)測(cè)結(jié)果 t

5.4 ET-PCA組合模型的預(yù)測(cè)結(jié)果

（1）如果預(yù)測(cè)模型結(jié)果的均方根誤差（RMSE）越小，則表示其預(yù)測(cè)精度越高，預(yù)測(cè)性能越好，因此，根據(jù)表1中的RMSE對(duì)單一模型優(yōu)劣進(jìn)行排序，得到的排序?yàn)椋篖SSVM、HMM、RBFNN、GM（n，1）、CAR、MLR，即LSSVM為最優(yōu)單一預(yù)測(cè)模型，MLR為最差單一預(yù)測(cè)模型。

（2）將LSSVM、HMM、RBFNN、GM（n，1）、CAR、MLR按順序依次輸入到待評(píng)表，并選擇預(yù)測(cè)性能最優(yōu)的（RMSE最小）LSSVM作為物流需求的基本模型，將其從待評(píng)表移至備選表中，并在待評(píng)表中刪除LSSVM。

（3）在a=0.05的顯著性水平下，對(duì)LSSVM與待評(píng)表中目前最優(yōu)的HMM進(jìn)行包容性檢驗(yàn)，t統(tǒng)計(jì)量為3.906 7，經(jīng)t分布臨界值表得到3.184 2，即有|t|=3.906 7＞3.184 2，則拒絕原假設(shè)H0:β=0，這表示LSSVM不包容HMM，因此將LSSVM和HMM基于PCA進(jìn)行組合，得到組合模型：LSSVM-HMM，并將HMM從待評(píng)表移至備選表中，并在待評(píng)表中刪除HMM。

（4）在a=0.05的顯著性水平下，將組合模型LSSVMHMM與待評(píng)表中目前最優(yōu)的RBFNN進(jìn)行包容性檢驗(yàn)，t統(tǒng)計(jì)量為2.799 2，有|t|=2.982 2＞0.006 7，則接受原假設(shè)H0:β=0，這表示LSSVM-HMM包容RBFNN，將RBFNN從待評(píng)表中刪除。

（5）采用上述相同方法，對(duì)所有單一模型進(jìn)行包容性檢驗(yàn)，直到待評(píng)表為空，停止包容性檢驗(yàn)，最后備選表中的單一模型為：LSSVM、HMM、CAR，那么這表示這3個(gè)模型是最合理的單一模型，采用PCA將它們組合在一起，建立了LSSVM-HMM-CAR的物流組合預(yù)測(cè)模型。

（6）采用LSSVM-HMM-CAR模型對(duì)檢驗(yàn)樣本集進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果的RMSE為530.285，其值遠(yuǎn)遠(yuǎn)小于單一預(yù)測(cè)模型，結(jié)果表明，EΤ-PCA模型采用包容性檢測(cè)最終選擇了多個(gè)最合理的單一模型，并將它們進(jìn)行組合，充分利用了每個(gè)單一模型的優(yōu)點(diǎn)，更加全面地描述了物流需求變化特點(diǎn)，克服了單一模型只能夠描述物流需求變化的部分、片段信息，并且通過PCA消除了單一模型的重復(fù)信息，進(jìn)一步提高了物流需求預(yù)測(cè)精度。

5.5 與傳統(tǒng)組合模型性能對(duì)比

為了使EΤ-PCA的預(yù)測(cè)結(jié)果更具說服力，采用未進(jìn)行包容性檢驗(yàn)方法，對(duì)所有單一預(yù)測(cè)模型（CAR、GM（n，1）、RBFNN、HMM、LSSVM）以等權(quán)方式進(jìn)行組合（model1），對(duì)包容性檢驗(yàn)方法選擇最合理的單一預(yù)測(cè)模型（LSSVM、HMM、CAR）采用等權(quán)方式進(jìn)行組合的物流預(yù)測(cè)模型（model2），采用相同的數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，各模型的預(yù)測(cè)結(jié)果與真實(shí)值之間的相對(duì)誤差如圖3所示。

圖3 幾種組合模型的預(yù)測(cè)誤差對(duì)比

對(duì)圖3結(jié)果進(jìn)行分析，可以得到如下結(jié)論：

（1）相對(duì)于model1，EΤ-PCA的預(yù)測(cè)結(jié)果與實(shí)際物流需求值之間更加接近，相對(duì)誤差減小，這表明，不加選擇、隨意增加單一模型，物流需求量預(yù)測(cè)精度不一定提高，而通過包容性檢驗(yàn)方法對(duì)模型之間的包容關(guān)系進(jìn)行判定，選擇一些能夠進(jìn)行優(yōu)勢(shì)互補(bǔ)、最合理的單一模型，從而能夠更加準(zhǔn)確描述物流需求變化特點(diǎn)，可以有效降低物流需求預(yù)測(cè)誤差。

（2）相對(duì)于model2模型，EΤ-PCA的物流需求量預(yù)測(cè)誤差相對(duì)降低，預(yù)測(cè)精度更高，對(duì)比結(jié)果表明，采用傳統(tǒng)等權(quán)組合模型無(wú)法準(zhǔn)確描述單一模型對(duì)物流需求預(yù)測(cè)結(jié)果的貢獻(xiàn)，而EΤ-PCA通過PCA對(duì)單一模型進(jìn)行組合，可以更加科學(xué)反映各單一模型對(duì)組合模型預(yù)測(cè)結(jié)果的貢獻(xiàn)，物流需求預(yù)測(cè)精度得以進(jìn)一步提高。

（3）EΤ-PCA模型的運(yùn)行時(shí)間為40 s，遠(yuǎn)遠(yuǎn)小于model1和model2的367 s和275 s，這表明EΤ-PCA提高了物流需求的預(yù)測(cè)效率，因此EΤ-PCA是一種高精度、高效率的物流需求預(yù)測(cè)模型。

6 結(jié)束語(yǔ)

針對(duì)物流需求復(fù)雜、多變的特點(diǎn)，在進(jìn)行物流預(yù)測(cè)時(shí)，如果在已有的物流需求組合預(yù)測(cè)模型中增加一個(gè)預(yù)測(cè)時(shí)，可能會(huì)降低物流需求預(yù)測(cè)精度問題，利用包容性檢驗(yàn)和主成分分析的優(yōu)點(diǎn)，提出一種基于包容性檢驗(yàn)和主成分分析相融合的物流需求組合預(yù)測(cè)模型。結(jié)果表明，相對(duì)于傳統(tǒng)組合模型，EΤ-PCA提高了物流需求預(yù)測(cè)精度和效率，具有一定的應(yīng)用價(jià)值。

[1]胡燕祝，呂宏義.基于支持向量回歸機(jī)的物流需求預(yù)測(cè)模型研究[J].物流技術(shù)，2008，27（5）：66-68.

[2]尹艷玲.基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)的物流需求預(yù)測(cè)研究[J].河南理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，29（5）：700-704.

[3]曉原，李軍.灰色GM（1，1）模型在區(qū)域物流規(guī)模預(yù)測(cè)中的應(yīng)用[J].武漢理工大學(xué)學(xué)報(bào)，2011，9（3）：613-615.

[4]耿立艷.基于二階振蕩微粒群最小二乘支持向量機(jī)的物流需求預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2012，29（7）：2558-2560.

[5]陳以，萬(wàn)梅芳.RBF神經(jīng)網(wǎng)絡(luò)在物流系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)仿真，2010，27（4）：159-163.

[6]孫建豐，向小東.基于灰色線性回歸組合模型的物流需求預(yù)測(cè)研究[J].工業(yè)技術(shù)經(jīng)濟(jì)，2006，26（10）：146-148.

[7]初良勇，田質(zhì)廣，謝新連.組合預(yù)測(cè)模型在物流需求預(yù)測(cè)中的應(yīng)用[J].大連海事大學(xué)學(xué)報(bào)，2004，30（4）：43-46.

[8]閆莉，薛惠峰，陳青.基于灰色馬爾可夫模型的區(qū)域物流規(guī)模預(yù)測(cè)[J].西安工業(yè)大學(xué)學(xué)報(bào)，2009，29（5）：495-497.

[9]后銳，張畢西.基于MLP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)方法及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2005，22（12）：43-47.

[10]閆娟.灰色神經(jīng)網(wǎng)絡(luò)模型在物流需求預(yù)測(cè)中的研究[J].計(jì)算機(jī)仿真，2011，28（7）：200-203.

[11]謝力，魏汝祥，訾書宇，等.基于包容性檢驗(yàn)的艦船裝備維修費(fèi)組合預(yù)測(cè)[J].系統(tǒng)工程與電子技術(shù)，2010，32（12）：2599-2602.

[12]李洪安，康寶生，張婧，等.基于改進(jìn)的包容性檢驗(yàn)的云計(jì)算資源組合預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2013，30（1）：252-255.

[13]Nhan N，Insoo K.An enhanced cooperative spectrum sensing scheme based on evidence theory and reliability source evaluation in cognitive radio context[J].IEEE Communications Letters，2009，13（7）：492-494.

[14]袁磊，李書琴.主成分分析在小麥條銹病預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（2）：459-461.

[15]楊開睿，孟凡榮，梁志貞.一種自適應(yīng)權(quán)值的PCA算法[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（3）：189-191.

JIANG Mengli

Department of Information and Logistics Management,School of Management,Xi’an University of Finance&Economics,Xi’an 710100,China

Model selection and how to combine is the key of logistics demand forecasting.In order to improve the forecasting accuracy of logistics demand,a logistics demand forecasting model is proposed based on Encompassing Τests and Principal Component Analysis（EΤ-PCA）.Some single models are used to forecast the logistics demand,and then encompassing tests are used to select good single model.Τhe selected single models are combined by PCA,and the simulation experiment is carried out to test the performance of the combination model on logistics demand data.Τhe simulation results show that,compared with traditional combination model,EΤ-PCA has solved the problem of how to select and combine the forecasting models.It can be more comprehensive,accurately describe the change trend of logistics demand,and improve the prediction accuracy of logistics demand.It has a good application value.

logistics demand;Principal Component Analysis（PCA）;encompassing tests;combination model

模型選擇以及如何進(jìn)行組合是物流需求組合預(yù)測(cè)的關(guān)鍵，為了提高物流需求的預(yù)測(cè)精度，提出一種包容性檢驗(yàn)和主成分分析相融合的物流需求預(yù)測(cè)模型（EΤ-PCA）。采用多個(gè)單一模型對(duì)物流需求進(jìn)行預(yù)測(cè)，采用包容性檢驗(yàn)選擇最合理的單一模型，利用PCA對(duì)選擇的單一模型預(yù)測(cè)結(jié)果進(jìn)行組合，采用仿真實(shí)驗(yàn)對(duì)組合模型性能進(jìn)行測(cè)試。結(jié)果表明，相對(duì)于傳統(tǒng)組合模型，EΤ-PCA較好地解決了物流需求單一預(yù)測(cè)模型選擇及組合問題，更加全面、準(zhǔn)確描述了物流需求復(fù)雜的變化趨勢(shì)，提高了物流需求的預(yù)測(cè)精度和效率，具有一定應(yīng)用價(jià)值。

物流需求；主成分分析；包容性檢驗(yàn)；組合模型

A

ΤB24

10.3778/j.issn.1002-8331.1303-0314

JIANG Mengli.Logistics demand forecasting based on encompassing tests and Principal Component Analysis.Computer Engineering and Applications,2013,49（15）：263-266.

陜西省管理科學(xué)與工程重點(diǎn)學(xué)科建設(shè)專項(xiàng)資金資助項(xiàng)目；陜西省自然科學(xué)基金（No.2009JM9008）；陜西省教育廳科學(xué)研究計(jì)劃項(xiàng)目（No.09JK437）。

蔣夢(mèng)莉（1965—），女，副教授，研究方向：信息管理與知識(shí)管理、企業(yè)信息化。

2013-03-21

2013-05-20

1002-8331（2013）15-0263-04