ARIMA?SVM的物流需求預(yù)測(cè)模型

楊建成

摘 要： 物流需求是多種因素綜合作用的結(jié)果，具有規(guī)律性和特殊性，變分十分復(fù)雜，導(dǎo)致當(dāng)前物流需求預(yù)測(cè)模型的預(yù)測(cè)效果差，難以滿足物流管理的實(shí)際應(yīng)用要求。為了解決物流需求建模過(guò)程中存在的難題，提出基于ARIMA?SVM的物流需求預(yù)測(cè)模型。首先對(duì)當(dāng)前物流需求預(yù)測(cè)的研究現(xiàn)狀進(jìn)行分析，找到引起物流需求預(yù)測(cè)效果的原因;然后選擇差分自回歸滑動(dòng)平均模型對(duì)物流需求的規(guī)律性變化特點(diǎn)進(jìn)行建模，支持向量機(jī)對(duì)物流需求的特殊性變化特點(diǎn)進(jìn)行建模;最后采用權(quán)值方式確定物流需求預(yù)測(cè)的預(yù)測(cè)結(jié)果，并采用物流需求的預(yù)測(cè)實(shí)例分析模型的有效性。結(jié)果表明，ARIMA?SVM的物流需求預(yù)測(cè)結(jié)果要優(yōu)于當(dāng)前其他物流需求預(yù)測(cè)模型，為其他預(yù)測(cè)問(wèn)題提供了一種建模工具。

關(guān)鍵詞： 物流管理; 隨機(jī)性變化特點(diǎn); ARIMA?SVM; 權(quán)值的確定; 預(yù)測(cè)模型; 支持向量機(jī)

中圖分類號(hào)： TN911.1?34; TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）09?0182?05

Abstract： The logistics demand affected by many factors has the characteristics of regularity， particularity and complex variation， which leads to the poor prediction effect of current logistics demand forecasting model， and is difficult to meet the practical application requirements of logistics management. In order to solve the problems existing in logistics demand modeling process， a logistics demand prediction model based on ARIMA?SVM is proposed. The research status of the current logistics demand forecasting is analyzed to find out the reason influencing the logistics demand forecasting results. The autoregressive integrated moving average （ARIMA） model is selected to model the regular variation characteristics of logistics demand. The support vector machine （SVM） is used to model the special variation characteristics of logistics demand. The weight is used to determine the prediction results of the logistics demand forecasting. The validity of the logistics demand forecasting model is analyzed by means of an example. The results show that the result of logistics demand forecasting model based on ARIMA?SVM is better than that of other logistics demand forecasting models， which provides a modeling tool for other forecasting problems.

Keywords： logistics management; stochastic variation characteristic; ARIMA?SVM; weight determination; prediction model; support vector machine

0 引 言

隨著經(jīng)濟(jì)全球化進(jìn)展的不斷加速，物流行業(yè)得到了前所未有的發(fā)展，而物流園區(qū)規(guī)劃是物流業(yè)發(fā)展的基礎(chǔ)[1]。物流需求的建模與預(yù)測(cè)是合理規(guī)劃物流園區(qū)的前提條件。物流需求的建模與預(yù)測(cè)是指對(duì)某區(qū)域的物流歷史數(shù)據(jù)和資料進(jìn)行收集和分析，對(duì)將來(lái)物流需求進(jìn)行估計(jì)，以描述物流需求將來(lái)的變化趨勢(shì)[2]。物流需求的建模與預(yù)測(cè)涉及多個(gè)方面的技術(shù)，如計(jì)算機(jī)技術(shù)、信息處理技術(shù)、數(shù)量統(tǒng)計(jì)技術(shù)等，因此物流需求的建模與預(yù)測(cè)面臨著巨大的挑戰(zhàn)[3?5]。

當(dāng)前物流需求的建模和預(yù)測(cè)方法很多，可以將物流需求預(yù)測(cè)的研究劃分為2個(gè)階段：傳統(tǒng)階段和現(xiàn)代階段[6]，傳統(tǒng)階段的物流需求模型主要有：增長(zhǎng)率法、指數(shù)平滑法、線性回歸法、差分自回歸移動(dòng)平均法等，其中增長(zhǎng)率法、指數(shù)平滑法和差分自回歸移動(dòng)平均法屬于時(shí)間序列建模方法，增長(zhǎng)率法、指數(shù)平滑法要求物流需求是一種增長(zhǎng)的變化態(tài)勢(shì)，這對(duì)于長(zhǎng)期物流需求進(jìn)行預(yù)測(cè)是可以的，但對(duì)于短期物流需求預(yù)測(cè)的建模就不一定可行，因?yàn)槎唐谖锪餍枨蟛灰欢ㄍ耆试鲩L(zhǎng)變化態(tài)勢(shì)，有可能還有下降的變化態(tài)勢(shì)，因此它們的限制性十分明顯[7]。差分自回歸移動(dòng)平均法十分靈活，而且通用性強(qiáng)，成為最常用的一種物流需求預(yù)測(cè)建模方法，但其是一種線性建模方法，無(wú)法對(duì)物流需求的其他變化特點(diǎn)進(jìn)行預(yù)測(cè)，因此預(yù)測(cè)效果有待改善[8?9]。現(xiàn)代階段的物流需求模型主要有：灰色模型、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等[10?12]，它們屬于非線性建模方法，主要描述物流需求與影響因素之間的非線性映射關(guān)系，物流需求的預(yù)測(cè)效果要明顯優(yōu)于傳統(tǒng)模型。物流需求與一個(gè)區(qū)域經(jīng)濟(jì)、交通、政策等因素密切相關(guān)，不僅具有一般經(jīng)濟(jì)問(wèn)題的周期性變化特點(diǎn)，同時(shí)還具有隨機(jī)性變化特點(diǎn)。單一模型只能對(duì)物流需求的單一特點(diǎn)進(jìn)行建模，導(dǎo)致物流需求預(yù)測(cè)效果差。為此，有學(xué)者提出物流需求的組合預(yù)測(cè)模型，如灰色神經(jīng)網(wǎng)絡(luò)模型，該模型將灰色模型和BP神經(jīng)網(wǎng)絡(luò)組合在一起，通過(guò)它們對(duì)物流需求的變化特點(diǎn)進(jìn)行建模，獲得了較高的預(yù)測(cè)精度。然而B(niǎo)P神經(jīng)網(wǎng)絡(luò)自身存在一定的不足，影響了物流需求的組合預(yù)測(cè)結(jié)果，因此組合型中的單一模型選擇十分關(guān)鍵，成為影響物流需求預(yù)測(cè)精度的重要技術(shù)之一。

為了解決物流需求建模過(guò)程中存在的難題，提出基于ARIMA?SVM的物流需求預(yù)測(cè)模型。首先選擇差分自回歸滑動(dòng)平均模型對(duì)物流需求的規(guī)律性變化特點(diǎn)進(jìn)行建模，支持向量機(jī)對(duì)物流需求的特殊性變化特點(diǎn)進(jìn)行建模，然后采用權(quán)值方式確定物流需求預(yù)測(cè)的預(yù)測(cè)結(jié)果，最后采用物流需求預(yù)測(cè)的實(shí)例分析模型的有效性。結(jié)果表明，ARIMA?SVM的物流需求預(yù)測(cè)結(jié)果要優(yōu)于當(dāng)前其他物流需求預(yù)測(cè)模型，為其他預(yù)測(cè)問(wèn)題提供了一種建模工具。

1 相關(guān)理論

1.1 差分自回歸滑動(dòng)平均模型

差分自回歸滑動(dòng)平均模型是一種經(jīng)典的時(shí)間序列數(shù)據(jù)分析方法，根據(jù)問(wèn)題的歷史數(shù)據(jù)挖掘各種因素對(duì)問(wèn)題結(jié)果的影響，揭示時(shí)間序列的變化特點(diǎn)。差分自回歸滑動(dòng)平均模型首先假設(shè)時(shí)間序列能夠由一些滯后序列進(jìn)行描述，即AR模型;然后假設(shè)其可以由若干白噪聲序列刻畫(huà)，即MA模型，它們組成在一起就形成了ARIMA模型。

對(duì)于物流需求量的數(shù)據(jù)，通過(guò)差分變換對(duì)其進(jìn)行處理，得到平穩(wěn)的數(shù)據(jù)[Yt]，具體形式為：

ARIMA模型的工作步驟如下：

1） 收集數(shù)據(jù)，并進(jìn)行相應(yīng)的預(yù)處理。對(duì)本文的研究來(lái)說(shuō)，收集物流需求的歷史數(shù)據(jù)，對(duì)其變化特點(diǎn)進(jìn)行觀察和檢驗(yàn)，如果該數(shù)據(jù)為非平穩(wěn)時(shí)間序列，那么就將其變?yōu)槠椒€(wěn)時(shí)間序列，如果該數(shù)據(jù)為非正態(tài)分布，經(jīng)過(guò)一定的變化成為正態(tài)分布的數(shù)據(jù)。

2） 模型識(shí)別。根據(jù)自相關(guān)圖法對(duì)序列時(shí)間進(jìn)行定階，然后采用AIC或者SBC準(zhǔn)則進(jìn)行模型篩選，具體如下：

3） 模型預(yù)測(cè)。對(duì)于一個(gè)待預(yù)測(cè)的物流需求時(shí)間序列數(shù)據(jù)，如果是平穩(wěn)的，那么就可以采用建立的ARIMA模型進(jìn)行預(yù)測(cè)。

綜合上述可知，ARIMA的物流需求建模和預(yù)測(cè)過(guò)程如圖1所示。

2 ARIMA?SVM的物流需求預(yù)測(cè)模型

物流需求與因素相關(guān)，不僅具有周期性、線性等變化特點(diǎn)，同時(shí)具有隨機(jī)性、時(shí)變性、非線性等變化特點(diǎn)，單一模型無(wú)法描述物流需求的變化特點(diǎn)，導(dǎo)致預(yù)測(cè)精度低，結(jié)果不穩(wěn)定，由于ARIMA模型可以對(duì)物流需求的周期性、線性等變化特點(diǎn)進(jìn)行建模，而SVM模型可以對(duì)物流需求的隨機(jī)性、時(shí)變性、非線性等變化特點(diǎn)進(jìn)行建模，ARIMA?SVM模型充分利用ARIMA和SVM的優(yōu)點(diǎn)，有效解決了ARIMA和SVM的缺陷，改善了物流需求的預(yù)測(cè)效果，具體流程如圖2所示。

3 物流需求預(yù)測(cè)的實(shí)例分析

3.1 物流數(shù)據(jù)及相關(guān)設(shè)置

為了測(cè)試ARIMA?SVM的物流需求建模與預(yù)測(cè)性能，采用一個(gè)地區(qū)的物流需求數(shù)據(jù)作為研究對(duì)象，數(shù)據(jù)如圖3所示。首先采用式（13）對(duì)原始物流需求數(shù)據(jù)進(jìn)行處理，以減少數(shù)據(jù)幅度變化太大帶來(lái)的不利影響。

3.2 ARIMA的物流需求預(yù)測(cè)結(jié)果分析

通過(guò)DSP軟件對(duì)物流需求數(shù)據(jù)進(jìn)行處理，確定它們分別表示回歸和移動(dòng)平均的階數(shù)[p]和[q，]得到最優(yōu)的[p=5，][q=2。]根據(jù)[p=5]和[q=2]建立基于ARIMA的物流需求預(yù)測(cè)模型，并對(duì)最后200個(gè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到的物流需求預(yù)測(cè)結(jié)果如圖4所示。對(duì)圖4的物流需求預(yù)測(cè)結(jié)果進(jìn)行分析可以發(fā)現(xiàn)，ARIMA模型只能對(duì)物流需求的總體變化趨勢(shì)進(jìn)行擬合，但是無(wú)法對(duì)物流需求預(yù)測(cè)的細(xì)節(jié)變化特點(diǎn)進(jìn)行描述，如隨機(jī)性等，導(dǎo)致物流需求預(yù)測(cè)的誤差比較大，物流需求預(yù)測(cè)效果有待改善。

3.3 SVM的物流需求預(yù)測(cè)結(jié)果分析

采用Matlab 2015實(shí)現(xiàn)支持向量機(jī)算法，并通過(guò)留一法確定支持向量機(jī)的參數(shù)[C=100.78，σ=8.78。]根據(jù)參數(shù)[C=100.78，][σ]=8.78建立基于SVM的物流需求預(yù)測(cè)模型，并對(duì)最后200個(gè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到的物流需求預(yù)測(cè)結(jié)果如圖5所示。對(duì)圖5的物流需求預(yù)測(cè)結(jié)果進(jìn)行分析可知，SVM的物流需求效果要明顯優(yōu)于ARIMA模型，提高了物流需求預(yù)測(cè)精度，而且物流需求的預(yù)測(cè)誤差明顯減少，但是物流需求預(yù)測(cè)的預(yù)測(cè)結(jié)果還有待進(jìn)一步改善。

3.4 ARIMA?SVM的物流需求預(yù)測(cè)結(jié)果分析

將ARIMA的物流需求預(yù)測(cè)結(jié)果和SVM的物流需求預(yù)測(cè)結(jié)果作為輸入，物流需求的期望值作為輸出，采用SVM進(jìn)行學(xué)習(xí)，確定ARIMA和SVM的物流需求預(yù)測(cè)結(jié)果權(quán)值，最后通過(guò)權(quán)值計(jì)算物流需求的預(yù)測(cè)結(jié)果，結(jié)果如圖6所示。通過(guò)圖6可知，ARIMA?SVM的物流需求預(yù)測(cè)結(jié)果要優(yōu)于單一ARIMA和SVM的物流需求預(yù)測(cè)結(jié)果，這是因?yàn)槠渚C合利用了ARIMA和SVM的優(yōu)點(diǎn)，解決了它們存在的局限性，提高了物流需求預(yù)測(cè)精度，實(shí)驗(yàn)結(jié)果表明了ARIMA?SVM的優(yōu)越性。

4 結(jié) 論

物流需求預(yù)測(cè)是物流管理領(lǐng)域中的一個(gè)重要研究?jī)?nèi)容，為了改善物流需求的預(yù)測(cè)效果，設(shè)計(jì)了基于ARIMA?SVM的物流需求預(yù)測(cè)模型，并進(jìn)行物流需求預(yù)測(cè)的具體應(yīng)用實(shí)例分析，根據(jù)實(shí)例分析結(jié)果可以得到如下結(jié)論：

1） 物流需求與一個(gè)地方所處的位置、經(jīng)濟(jì)、交通、地方政府支持等因素相關(guān)，具有其他經(jīng)濟(jì)問(wèn)題的一般規(guī)律，如周期性、線性等，同時(shí)具有自身的特殊變化特點(diǎn)，如隨機(jī)性、時(shí)變性、非線性等，導(dǎo)致單一模型的物流需求預(yù)測(cè)精度低，預(yù)測(cè)結(jié)果不穩(wěn)定。

2） ARIMA模型可以對(duì)物流需求的一般變化規(guī)律進(jìn)行建模，而SVM模型可以對(duì)物流需求的特殊變化特點(diǎn)進(jìn)行建模，ARIMA?SVM模型充分利用了ARIMA和SVM的優(yōu)點(diǎn)，能夠有效克服單一ARIMA和SVM的缺陷，有效提升了物流需求的預(yù)測(cè)精度，而且物流需求的預(yù)測(cè)結(jié)果更加穩(wěn)定、可靠，具有較明顯的優(yōu)勢(shì)。

3） ARIMA和SVM的組合方式有多種形式，其中權(quán)值組合的ARIMA?SVM的預(yù)測(cè)結(jié)果相對(duì)更優(yōu)，實(shí)際應(yīng)用價(jià)值更高，同時(shí)也為其他預(yù)測(cè)問(wèn)題提供了一種有效的建模和預(yù)測(cè)工具。

參考文獻(xiàn)

[1] 趙秋紅，汪壽陽(yáng)，黎建強(qiáng).物流管理中的優(yōu)化方法與應(yīng)用分析[M].北京：科學(xué)出版社，2006.

ZHAO Qiuhong， WANG Shouyang， LI Jianqiang. Optimization methods and application analysis of logistics management [M]. Beijing： Science Press， 2006.

[2] 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)，2007（10）：146?148.

SUN Jianfeng， XIANG Xiaodong. Research on logistics demand prediction based on grey linear regression combination model [J]. Industrial technology and economy， 2007（10）： 146?148.

[3] 王曉原，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)（交通科學(xué)與工程版），2005（3）：415?417.

WANG Xiaoyuan， LI Jun. The application of grey GM（1， 1） model in the prediction of regional logistics scale [J]. Journal of Wuhan University of Technology （transportation science and engineering）， 2005（3）： 415?417.

[4] 陳森，周峰.基于灰色系統(tǒng)理論的物流需求預(yù)測(cè)模型[J].統(tǒng)計(jì)與決策，2006（3）：59?60.

CHEN Sen， ZHOU Feng. Logistics demand forecasting model based on grey system theory [J]. Statistics and decision， 2006（3）： 59?60.

[5] 魏連雨，龐明寶.基于神經(jīng)網(wǎng)絡(luò)的物流量預(yù)測(cè)[J].長(zhǎng)安大學(xué)學(xué)報(bào)（自然科學(xué)版），2004，24（6）：55?59.

WEI Lianyu， PANG Mingbao. Prediction of material flow based on neural network [J]. Journal of Changan University （natural science edition）， 2004， 24（6）： 55?59.

[6] 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.

YIN Yanling. Research on logistics demand prediction based on adaptive neural network [J]. Journal of Henan Polytechnic University （natural science edition）， 2010， 29（5）： 700?704

[7] 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.

HOU Rui， ZHANG Bixi. The prediction method of regional logistics demand based on MLP neural network and its application [J]. System engineering theory and practice， 2005， 22（12）： 43?47.

[8] 唐偉鴻，李文鋒.基于時(shí)間序列的支持向量機(jī)在物流預(yù)測(cè)中的應(yīng)用[J].物流科技，2005（1）：8?11.

TANG Weihong， LI Wenfeng. Application of time series based support vector machines in logistics forecasting [J]. Logistics science， 2005（1）： 8?11.

[9] 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.

HU Yanzhu， L? Hongyi. Research on logistics demand forecasting model based on support vector regression machine research [J]. Logistics technology， 2008， 27（5）： 66?68

[10] 耿立艷，趙鵬，張占福.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.

GENG Liyan， ZHAO Peng， ZHANG Zhanfu. Logistics demand prediction based on two order oscillating particle swarm least squares support vector machine [J]. Computer application research， 2012， 29（7）： 2558?2560.

[11] 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.

CHU Liangyong， TIAN Zhiguang， XIE Xinlian. Application of combination forecasting model in the logistics demand forecasting [J]. Journal of Dalian Maritime University， 2004， 30（4）： 43?46.

[12] 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.

YAN Li， XUE Huifeng， CHEN Qing. Prediction of the scale of regional logistics based on Grey Markov model [J]. Journal of Xian Technological University， 2009， 29（5）： 495?497.