基于多源信息融合的冷鏈農(nóng)產(chǎn)品需求預(yù)測模型研究綜述

王曉平　閆飛

摘要：以冷鏈農(nóng)產(chǎn)品需求預(yù)測模型的技術(shù)提升和預(yù)測誤差的不斷改進(jìn)為線索，梳理了國內(nèi)冷鏈農(nóng)產(chǎn)品需求預(yù)測的相關(guān)理論和模型特征。以各類需求預(yù)測模型為參考，發(fā)現(xiàn)需求預(yù)測模型有三大類：單一模型、多源模型組合與智能信息融合；對各類模型的特點(diǎn)和存在的問題做了詳細(xì)評述，同時結(jié)合已有的冷鏈農(nóng)產(chǎn)品需求預(yù)測的相關(guān)文獻(xiàn)，對未來非線性、變權(quán)技術(shù)以及多源信息融合的智能模型在冷鏈農(nóng)產(chǎn)品需求預(yù)測方面的應(yīng)用做出了進(jìn)一步展望。

關(guān)鍵詞：冷鏈農(nóng)產(chǎn)品；需求預(yù)測模型；單一模型；多源模型組合；智能信息融合

中圖分類號：F304.3；O141.41 文獻(xiàn)標(biāo)識碼：A

文章編號：0439-8114（2018）15-0016-05

DOI：10.14088/j.cnki.issn0439-8114.2018.15.003 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Review on Demand Forecasting Model of Cold Chain Agricultural Products Based on Multi-source Information Fusion

WANG Xiao-ping，YAN Fei

（School of Logistics， Beijing Wuzi University，Beijing 101149，China）

Abstract： With the technical improvement of the cold chain agricultural product demand forecasting model and the continuous betterment of prediction error as clues， combed the relevant theoretical and model characteristics of domestic cold chain agricultural product demand prediction were reviewed. Based on various demand forecasting models as an reference， it was found that there were three types of demand forecasting models： the single model，multi-source model combination and intelligent information fusion. The characteristics and existing problems of various models were commented in detail， meanwhile， combined with the existing related literature of cold-chain agricultural demand forecast， a further prospect was made for the future nonlinear， variable weight technology and multi-source information fusion intelligent model in the cold chain agricultural demand forecast application.

Key words： cold-chain agricultural products； demand forecasting model； single model； multi-source model combination； intelligent information fusion

準(zhǔn)確預(yù)測冷鏈農(nóng)產(chǎn)品需求變動趨勢有助于規(guī)避農(nóng)產(chǎn)品冷鏈的供給風(fēng)險，減小兩者的供需缺口，進(jìn)而促進(jìn)冷鏈農(nóng)產(chǎn)品經(jīng)濟(jì)健康、持續(xù)發(fā)展。中國是一個食品消費(fèi)大國，隨著生活水平的提高，食品的安全和質(zhì)量保障對人民生活的影響日益增強(qiáng)，因此，科學(xué)預(yù)測冷鏈農(nóng)產(chǎn)品需求能為合理制定相關(guān)冷鏈農(nóng)產(chǎn)品發(fā)展戰(zhàn)略提供定量依據(jù)。近年來，雖然中國冷鏈行業(yè)得到快速擴(kuò)展，冷鏈農(nóng)產(chǎn)品發(fā)展的地位得到全行業(yè)的高度重視，但是學(xué)者們對冷鏈農(nóng)產(chǎn)品需求預(yù)測的研究較少，已有的少數(shù)文獻(xiàn)需求預(yù)測方法也存在模型缺少依據(jù)、信息源不全面等問題，因此預(yù)測結(jié)果出現(xiàn)較大誤差。鑒于此，本研究以各類需求預(yù)測模型為參考，對其相關(guān)預(yù)測領(lǐng)域的文獻(xiàn)進(jìn)行系統(tǒng)分析和評述，并類比冷鏈農(nóng)產(chǎn)品需求預(yù)測，在此基礎(chǔ)上提出構(gòu)建多源信息的冷鏈農(nóng)產(chǎn)品需求預(yù)測模型分析框架，希望改善現(xiàn)有冷鏈農(nóng)產(chǎn)品需求預(yù)測模型的預(yù)測精度，并提高該類模型的應(yīng)用價值。

1 基于信息單一化的需求預(yù)測模型

信息單一化指使用單一模型來預(yù)測研究對象。單一預(yù)測模型根據(jù)分析方法的假設(shè)不同大致可以分為兩類：一類是基于單一變量自相關(guān)時間序列的預(yù)測模型，另一類是多因素相關(guān)關(guān)系預(yù)測模型。

基于單一自相關(guān)時間序列預(yù)測模型，假定影響需求變化的所有要素都包含在需求變量中，并且這些要素不會發(fā)生突變，因此可以通過歷史數(shù)據(jù)的擬合推測未來需求?；疑Ｐ蚚1]、馬爾科夫鏈模型[2]、ARMA模型[3]和BASS模型[4]就是典型的代表。

多因素相關(guān)關(guān)系預(yù)測模型考慮整個供應(yīng)鏈系統(tǒng)所有影響因素，并對其進(jìn)行預(yù)測，基本假設(shè)是預(yù)測值不局限在自身滯后對它的影響，還包括其他相關(guān)影響因素的作用。該類模型主要包括線性回歸模型[5]、系統(tǒng)動力學(xué)模型[6]、支持向量機(jī)模型[7]、DEA模型[8]、粒子群優(yōu)化算法[9]、人工神經(jīng)網(wǎng)絡(luò)[10]等。2013—2017年各類模型的應(yīng)用情況見表1。

從單一模型的兩種主要類型——自相關(guān)時間序列模型和多因素關(guān)系模型比較來看，自相關(guān)時間序列模型是基于需求預(yù)測系統(tǒng)本身對研究對象進(jìn)行預(yù)測，并假定所有要素都反映在需求變量中。這類模型能夠消除序列的波動問題，數(shù)據(jù)的線性擬合趨勢較強(qiáng)，但不能夠反映研究對象需求受多種要素影響的復(fù)雜關(guān)系?？紤]多因素的關(guān)系模型是基于供應(yīng)鏈系統(tǒng)進(jìn)行的需求預(yù)測，其中的相關(guān)關(guān)系法可以分析出在影響需求預(yù)測的復(fù)雜系統(tǒng)中多種因素與研究對象之間的相關(guān)關(guān)系。總體來講，單一模型相對易于操作，但缺乏對預(yù)測對象需求規(guī)律的全面認(rèn)識，模型的特點(diǎn)決定了信息來源單一，預(yù)測精度有待改善。

每類單一模型根據(jù)其數(shù)學(xué)理論的不同有不同的適用情況和不同的應(yīng)用優(yōu)勢，但是也有相應(yīng)的不足，不能一概而論。各類單一模型的適用情況及優(yōu)點(diǎn)、缺點(diǎn)的歸納梳理見表2。

2 基于信息多源化的冷鏈農(nóng)產(chǎn)品需求預(yù)測模型

2.1 多源模型組合

Bates等[11]較早提出基于多源模型的組合預(yù)測理論，認(rèn)為不同的單一預(yù)測模型可以有不同的結(jié)合方法，應(yīng)該根據(jù)實際情況和數(shù)據(jù)特征的特點(diǎn)進(jìn)行組合。組合模型有效結(jié)合了各種數(shù)據(jù)樣本信息及不同模型有用的信息，能夠降低單一模型中隨機(jī)因素的影響[12]，從而提高預(yù)測精度和可信度。

組合模型的優(yōu)勢體現(xiàn)在以下三方面：一是模型優(yōu)勢互補(bǔ)。組合預(yù)測根據(jù)每種方法的優(yōu)缺點(diǎn)，通過互補(bǔ)方法進(jìn)行組合，優(yōu)化模型預(yù)測性能。二是預(yù)測精度提高。研究對象的復(fù)雜環(huán)境和數(shù)據(jù)特征很難用單一的需求預(yù)測模型來解決，而組合方法就合理地融合了這些模型，而且組合模型的預(yù)測精度往往高于單一模型。三是可信度提高。通過將不同單一模型組合，可以有效挖掘更多信息，這些信息將會涵蓋更多事物特征，更加全面、系統(tǒng)地反映事物的本質(zhì)和實際情況，從而提高預(yù)測模型的精度和可信度。據(jù)2013—2017年的文獻(xiàn)統(tǒng)計，研究需求預(yù)測組合模型的文獻(xiàn)主要包括表3所示的幾類情況。

1）線性組合與非線性組合。多源信息組合模型按照賦權(quán)方式不同，分為兩種：線性組合模型和非線性組合模型；不變權(quán)組合模型和變權(quán)組合模型。

鑒于冷鏈需求預(yù)測的特征，大量文獻(xiàn)證明，非線性組合預(yù)測比線性組合預(yù)測有更好的預(yù)測效果，線性預(yù)測在解決非線性問題時，局限性較大、效果較差。兩者的預(yù)測效果產(chǎn)生差異的原因主要有以下兩點(diǎn)：①從理論和模型特征來看，線性組合預(yù)測結(jié)果不僅依賴單一模型的預(yù)測值，又依賴相應(yīng)的權(quán)重分配值，不易找出權(quán)重分配的最佳確定方式。如果線性組合模型權(quán)重的確定方式采用數(shù)學(xué)規(guī)劃問題模型，則求解比較繁瑣，且不同的假設(shè)條件采用不同的機(jī)理，進(jìn)一步限制了組合預(yù)測的應(yīng)用范圍。線性組合模型的結(jié)構(gòu)如圖1所示。非線性加權(quán)方法以神經(jīng)網(wǎng)絡(luò)為代表，設(shè)定誤差目標(biāo)，并在模型訓(xùn)練時直接從樣本數(shù)據(jù)中發(fā)現(xiàn)規(guī)則和特征，在網(wǎng)絡(luò)動態(tài)學(xué)習(xí)中給出權(quán)值，從而方便權(quán)重系數(shù)的確定。非線性組合模型更為凸顯的優(yōu)勢在于，其權(quán)重對組合預(yù)測結(jié)果的影響是非線性的，遇到復(fù)雜情況時，如果指標(biāo)間的相關(guān)因素較高，數(shù)據(jù)呈非線性變化或數(shù)據(jù)不完整時依舊可以得到比較滿意的結(jié)果，因此更能適應(yīng)冷鏈農(nóng)產(chǎn)品預(yù)測系統(tǒng)的非線性特點(diǎn)。非線性組合模型的結(jié)構(gòu)如圖2所示。②從個體樣本誤差對預(yù)測整體結(jié)果的影響來看，加權(quán)線性組合預(yù)測方法中出現(xiàn)的個別樣本誤差會對整個預(yù)測模型產(chǎn)生較大影響。非線性神經(jīng)網(wǎng)絡(luò)通常有無后效性的特點(diǎn)，一個樣本的誤差不會向后傳遞，造成累積效應(yīng)，同時由于非線性組合模型豐富的網(wǎng)絡(luò)結(jié)構(gòu)，即使個別數(shù)據(jù)產(chǎn)生誤差，在模型整體的運(yùn)行過程中也能夠起到緩沖作用。

2）不變權(quán)組合和變權(quán)組合。不變權(quán)組合預(yù)測模型通過最優(yōu)化規(guī)劃或數(shù)學(xué)方法，計算單一預(yù)測方法在組合預(yù)測模型中的權(quán)系數(shù)。它的權(quán)系數(shù)只和預(yù)測方法有關(guān)，和時間無關(guān)。然而在實際情況中，各種預(yù)測方法在不同的時間內(nèi)有不同的預(yù)測能力。例如，有的方法對瞬態(tài)變化比較敏感，有的模型善于模擬數(shù)據(jù)的長期趨勢，因而如果把不同時間組合的權(quán)系數(shù)設(shè)定為常數(shù)值，就無法表現(xiàn)不同預(yù)測模型的優(yōu)勢。由于在預(yù)測的實踐中，不同的預(yù)測方法在不同的時間段有不同的預(yù)測精度[13，14]，因此，變權(quán)組合預(yù)測模型更符合實際，具有較高的預(yù)測精度和穩(wěn)定性。以灰色神經(jīng)網(wǎng)絡(luò)的變權(quán)組合預(yù)測模型為代表，將神經(jīng)網(wǎng)絡(luò)需求預(yù)測系統(tǒng)中的影響因素和灰色預(yù)測結(jié)果作為輸入變量，重新規(guī)劃系統(tǒng)預(yù)測值，將權(quán)重的求解分為兩部分，即觀測期權(quán)重求解和預(yù)測期權(quán)重求解，并不斷更新迭代權(quán)重值，重新計算組合預(yù)測值[15]。從而避免了灰色模型預(yù)測誤差對神經(jīng)網(wǎng)絡(luò)訓(xùn)練中權(quán)值的修正與影響，從而實現(xiàn)預(yù)測值與實際值的最佳擬合。

2.2 智能信息融合

隨著計算機(jī)技術(shù)的日益完善和人工智能模型的不斷成熟，智能信息技術(shù)在需求預(yù)測領(lǐng)域開拓出一片新天地。據(jù)統(tǒng)計數(shù)據(jù)顯示，在近5年的26篇組合預(yù)測模型的文獻(xiàn)中，有16篇文獻(xiàn)研究將人工智能模型和需求預(yù)測模型結(jié)合，并得到了更高的預(yù)測精度。按照預(yù)測模型優(yōu)化方式的不同可以分為兩類，一是優(yōu)化預(yù)測模型的參數(shù)和函數(shù)，二是修正預(yù)測模型的誤差。

1）優(yōu)化參數(shù)。已有的用于優(yōu)化參數(shù)的人工智能模型主要有人工魚群算法、動態(tài)粒子群算法、神經(jīng)網(wǎng)絡(luò)算法、遺傳優(yōu)化算法等。黃勤等[16]將粒子群算法用于求解組合預(yù)測模型中的權(quán)重，對粒子群算法的參數(shù)慣性權(quán)重和加速度因子進(jìn)行改進(jìn)，構(gòu)造出基于改進(jìn)粒子群算法的組合預(yù)測模型。彭新育等[17]提出一種基于PSO-GA的混合優(yōu)化算法，通過粒子群算法優(yōu)化迭代次數(shù)，保留粒子數(shù)目最小的粒子進(jìn)行遺傳較交叉和變異。王堅提出用模糊反饋法來改進(jìn)熵值法以確定組合模型的加權(quán)系數(shù)，建立組合神經(jīng)網(wǎng)絡(luò)模型[18]。孫志剛[19]提出用蟻群算法優(yōu)化最小二乘支持向量機(jī)的預(yù)測模型，通過蟻群算法優(yōu)化選擇最小二乘支持向量機(jī)參數(shù)。以上研究結(jié)果表明，智能信息融合的組合需求預(yù)測模型不僅能夠改進(jìn)模型的運(yùn)行精度和運(yùn)行速度，而且操作簡單，能針對研究對象及數(shù)據(jù)的實際特征對模型參數(shù)作出及時調(diào)整，使預(yù)測數(shù)據(jù)更有可信度。

2）修正誤差。據(jù)近5年需求預(yù)測模型的統(tǒng)計，僅有少數(shù)幾篇文獻(xiàn)是基于修正模型預(yù)測誤差的研究。梁昌勇等[20]根據(jù)預(yù)測數(shù)據(jù)的特征，使用SVR模型對需求進(jìn)行非線性原始數(shù)據(jù)預(yù)測，進(jìn)而再對SVR模型預(yù)測產(chǎn)生的線性誤差用ARMA模型預(yù)測，在此基礎(chǔ)上將兩部分預(yù)測值幾何相加，得出最終預(yù)測值。李健等[21]通過混沌遺傳算法得出具體的預(yù)測模型，進(jìn)而研究了預(yù)測模型的誤差，最后通過數(shù)據(jù)變換技術(shù)對誤差建立GM（1，1）預(yù)測模型，從而對誤差進(jìn)行校正。張國玲等[22]采用自回歸移動差分模型對需求量進(jìn)行預(yù)測，然后利用BP神經(jīng)網(wǎng)絡(luò)對需求量的非線性和隨機(jī)變化規(guī)律進(jìn)行預(yù)測，最后利用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果對自回歸移動差分模型的預(yù)測進(jìn)行誤差修正。根據(jù)已有的研究結(jié)果可知，優(yōu)化參數(shù)和修正誤差兩種形式的智能信息融合模型得到了非常好的預(yù)測效果。智能模型的引入在需求預(yù)測研究領(lǐng)域是一步非常重大的跨越，它使預(yù)測結(jié)果更為精確，更具有可信度。

3 冷鏈農(nóng)產(chǎn)品需求預(yù)測現(xiàn)狀

在冷鏈農(nóng)產(chǎn)品需求預(yù)測方面，周賓[23]運(yùn)用系統(tǒng)動力學(xué)方法對獼猴桃冷鏈物流需求進(jìn)行SD建模與模擬，并預(yù)測了2020年獼猴桃的年需求量。蘭洪杰等[24]首次將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到北京奧運(yùn)會的食品冷鏈物流需求預(yù)測中，首先按照冷鏈物流需求主體和需求客體對冷鏈物流需求進(jìn)行分類，得出影響需求預(yù)測的主要因素，然后分別對需求主體進(jìn)行預(yù)測，其中主要分析了對運(yùn)動員人數(shù)的預(yù)測，采用了BP神經(jīng)網(wǎng)絡(luò)算法，并得到較高預(yù)測精度，在此基礎(chǔ)上分別對需求客體進(jìn)行預(yù)測，并以豬肉和羊肉需求總量來預(yù)測冷鏈?zhǔn)称返男枨罂偭?。在此過程中，根據(jù)運(yùn)動人數(shù)呈非線性、隨機(jī)性特點(diǎn)，并受復(fù)雜的外界因素影響，因而對其進(jìn)行非線性神經(jīng)網(wǎng)絡(luò)預(yù)測，結(jié)合需求主體預(yù)測進(jìn)行需求客體預(yù)測，得出最終預(yù)測結(jié)果。

由目前國內(nèi)關(guān)于冷鏈農(nóng)產(chǎn)品需求預(yù)測的文獻(xiàn)可知，此方面的研究遠(yuǎn)遠(yuǎn)不足。冷鏈農(nóng)產(chǎn)品需求預(yù)測模型的選取沒有考慮到冷鏈農(nóng)產(chǎn)品的產(chǎn)品特性、復(fù)雜的影響因素及數(shù)據(jù)特征。因此根據(jù)冷鏈農(nóng)產(chǎn)品的經(jīng)濟(jì)屬性、社會屬性和相關(guān)數(shù)據(jù)的特征，研究出關(guān)于冷鏈農(nóng)產(chǎn)品的最佳預(yù)測模型，將會是下一步的研究重點(diǎn)。

4 研究展望

1）構(gòu)建基于非線性變權(quán)重的冷鏈農(nóng)產(chǎn)品需求預(yù)測模型。從文獻(xiàn)總結(jié)中可以看出，目前國內(nèi)關(guān)于冷鏈農(nóng)產(chǎn)品需求的預(yù)測模型主要有：BP人工神經(jīng)網(wǎng)絡(luò)、灰色馬爾科夫模型、灰色模型和系統(tǒng)動力學(xué)模型，主要以單一預(yù)測模型為主。從已有的需求預(yù)測文獻(xiàn)可知，組合預(yù)測模型的預(yù)測精度高于單一模型的預(yù)測，非線性組合預(yù)測模型的預(yù)測精度普遍優(yōu)于線性組合預(yù)測模型。冷鏈農(nóng)產(chǎn)品需求預(yù)測會受社會、經(jīng)濟(jì)、人文、物流等眾多復(fù)雜因素影響，且相關(guān)冷鏈數(shù)據(jù)的統(tǒng)計有很多缺失，由此推測非線性變權(quán)重組合預(yù)測模型非常適合冷鏈農(nóng)產(chǎn)品需求預(yù)測的特征。非線性可變權(quán)模型比較復(fù)雜，因此研究成果不多見，未來有進(jìn)一步的研究空間，因此會成為冷鏈農(nóng)產(chǎn)品需求預(yù)測考慮的重要研究方法。

2）構(gòu)建基于多源信息融合的冷鏈農(nóng)產(chǎn)品智能需求預(yù)測模型。在智能信息融合的基礎(chǔ)上，有效聚集各種數(shù)據(jù)樣本的信息和不同模型的有用信息，建立基于多源信息融合的智能冷鏈農(nóng)產(chǎn)品需求預(yù)測模型，從而減少單個模型中一些隨機(jī)因素的影響。通過使用智能算法模型來優(yōu)化需求預(yù)測模型的參數(shù)、修正需求預(yù)測模型的誤差，便于分析計算冷鏈農(nóng)產(chǎn)品的復(fù)雜影響因素，簡化計算步驟，使預(yù)測模型動態(tài)化運(yùn)行，從而保證預(yù)測結(jié)果更加符合研究對象。目前采用多源信息融合的冷鏈農(nóng)產(chǎn)品智能需求預(yù)測組合模型的文獻(xiàn)比較少見，應(yīng)該會成為未來預(yù)測冷鏈農(nóng)產(chǎn)品智能需求的研究熱點(diǎn)。

參考文獻(xiàn)：

[1] 張熙鳳，曹 飛.中國城市建設(shè)用地需求預(yù)測的比較與應(yīng)用[J].西安石油大學(xué)學(xué)報，2013，5（7）：7-13.

[2] 傅守強(qiáng)，汪 瑩.基于市場的中長期電力消費(fèi)需求預(yù)測[J].電網(wǎng)與清潔能源，2015，31（7）：75-80.

[3] 朱發(fā)根.基于改進(jìn)X-12-ARIMA的電煤需求預(yù)測模型與實證研究[J].中國電力，2014，47（2）：140-145.

[4] 謝建中，楊 育.基于改進(jìn)BASS模型的短生命周期產(chǎn)品需求預(yù)測模型[J].計算機(jī)集成制造系統(tǒng)，2015，21（1）：48-56.

[5] 江登英，張驍騰.高等教育投資需求預(yù)測模型構(gòu)建與統(tǒng)計檢驗[J].統(tǒng)計與決策，2016（11）：38-41.

[6] 呂 濤，張美珍，雷 強(qiáng).基于系統(tǒng)動力學(xué)的印度能源及煤炭需求情景預(yù)測[J].資源科學(xué)，2015，37（6）：1119-1206.

[7] 徐 琪，劉 崢.基于SVM的短生命周期產(chǎn)品供應(yīng)鏈雙渠道需求預(yù)測模型[J].系統(tǒng)管理學(xué)報，2014，23（2）：254-262.

[8] 黃金碧，馮長春.基于DEA模型優(yōu)化的城鎮(zhèn)建設(shè)用地需求預(yù)測研究[J].城市發(fā)展研究，2013，20（11）：75-80.

[9] 陳衛(wèi)東，朱紅杰.基于粒子群優(yōu)化算法的中國能源需求預(yù)測[J].中國人口.資源與環(huán)境，2013，23（3）：39-43.

[10] 賈 鵬，劉瑞菊，孫瑞萍，等.基于BP神經(jīng)網(wǎng)絡(luò)的游輪旅游需求預(yù)測[J].科研管理，2013，34（6）：78-83.

[11] BATES J M，GRANGER C W.The combinnation of forecasts[J].Journal of Operational Research Society，1996，20（4）：1114-1118.

[12] 汪同三，張 濤.組合預(yù)測：理論、方法及應(yīng)用[M].北京：社會科學(xué)文獻(xiàn)出版社，2008.

[13] 胡 彥，李秀美，陳華友.基于LOWA算子的稅收組合預(yù)測模型[J].統(tǒng)計與決策，2009（10）：43-48.

[14] 周禮剛，陳華友，等.基于Tbeil不等系數(shù)的LOWA算子組合預(yù)測模型[J].安徽大學(xué)學(xué)報，2010（1）：73-77.

[15] 李曉利，王澤江.基于改進(jìn)的灰色神經(jīng)網(wǎng)絡(luò)煤炭物流需求預(yù)測模型[J].統(tǒng)計與決策，2015（18）：82-85.

[16] 黃 勤，趙海茹，陳 玲.基于改進(jìn)PSO的組合預(yù)測模型研究[J].計算機(jī)工程與應(yīng)用，2015，51（14）：258-263.

[17] 彭新育，王桂敏.基于改進(jìn)的PSO-GA混合算法的中國能源需求預(yù)測[J].科技管理研究，2014（17）：211-215.

[18] 王 堅.基于改進(jìn)組合神經(jīng)網(wǎng)絡(luò)的水資源預(yù)測研究[J].計算機(jī)科學(xué)，2016，43（6A）：516-518.

[19] 孫志剛.蟻群優(yōu)化支持向量機(jī)的物流需求預(yù)測[J].計算機(jī)系統(tǒng)應(yīng)用，2013，22（5）：107-110.

[20] 梁昌勇，馬銀超，陳 榮，等.基于SVR-ARMA組合模型的日旅游需求預(yù)測模型[J].管理工程學(xué)報，2015，29（1）：122-127.

[21] 李 健，虞亞平.基于誤差校正的二次非線性能源需求預(yù)測[J].干旱區(qū)資源與環(huán)境，2016，30（11）：13-18.

[22] 張國玲，徐學(xué)紅.一種基于ARIMA-BPNN的物流需求預(yù)測模型[J].控制工程，2017，24（5）：958-962.

[23] 周 賓.陜西果品現(xiàn)代冷鏈物流需求的SD分析與對策[J].安徽農(nóng)業(yè)科學(xué)，2012，40（21）：11056-11058.

[24] 蘭洪杰，汝宜紅.2008北京奧運(yùn)食品冷鏈物流需求預(yù)測分析[J].中國流通經(jīng)濟(jì)，2008（2）：19-22.