物流需求預(yù)測方法研究進(jìn)展

耿立艷，張占福

（1.石家莊鐵道大學(xué) 經(jīng)濟(jì)管理學(xué)院，河北 石家莊 050043；2.石家莊鐵道大學(xué)四方學(xué)院，河北 石家莊 051132）

1 引言

物流需求預(yù)測是以物流需求的歷史資料和市場信息為基礎(chǔ)，運(yùn)用適當(dāng)?shù)睦碚摵头椒?，對未來物流需求狀況進(jìn)行科學(xué)的分析、估算和推斷。物流需求預(yù)測是現(xiàn)代物流系統(tǒng)規(guī)劃、物流管理與決策的重要基礎(chǔ)工作，各級物流系統(tǒng)規(guī)劃與物流發(fā)展政策的制定都離不開對物流需求的準(zhǔn)確預(yù)測。理論上，對物流需求的準(zhǔn)確預(yù)測可為物流發(fā)展戰(zhàn)略規(guī)劃、物流基礎(chǔ)設(shè)施規(guī)模及物流管理方案的制定提供重要依據(jù)，為發(fā)展物流產(chǎn)業(yè)提供具體可靠的數(shù)量支持；實踐上，對物流需求的準(zhǔn)確預(yù)測有助于政府部門合理規(guī)劃和控制物流業(yè)開發(fā)規(guī)模和發(fā)展速度，對發(fā)展國家經(jīng)濟(jì)和減少浪費(fèi)具有現(xiàn)實的指導(dǎo)意義。因此，物流需求預(yù)測已經(jīng)成為物流領(lǐng)域的重要研究內(nèi)容之一，對物流需求預(yù)測方法的研究也顯得尤為重要。

物流市場是一個復(fù)雜的開放系統(tǒng)，受到諸如經(jīng)濟(jì)、社會、環(huán)境、政策等各方面因素的影響，導(dǎo)致物流需求具有復(fù)雜的非線性、波動性、隨機(jī)性等特征，因而物流需求的準(zhǔn)確預(yù)測一直成為物流需求研究領(lǐng)域的一個難點。長期以來，國內(nèi)外許多學(xué)者將其他領(lǐng)域應(yīng)用成熟的預(yù)測方法用于物流需求預(yù)測領(lǐng)域，并開發(fā)了多種預(yù)測模型和方法。

根據(jù)建模形式的不同，可將現(xiàn)有物流需求預(yù)測方法劃分為單一傳統(tǒng)預(yù)測方法和單一智能預(yù)測方法、組合預(yù)測方法和混合預(yù)測方法四大類。本文對這四大類預(yù)測方法進(jìn)行綜述，分別總結(jié)四類方法中各預(yù)測模型的建模原理、優(yōu)缺點及適用性，以期可以幫助物流需求預(yù)測研究人員在面臨不同的物流需求預(yù)測任務(wù)時，找到適用的預(yù)測方法。

2 物流需求預(yù)測方法

物流需求預(yù)測方法的研究在國外起步較早，主要以傳統(tǒng)預(yù)測方法為主，而國內(nèi)關(guān)于物流需求預(yù)測方法的研究起步相對較晚，但在借鑒國外研究成果的基礎(chǔ)上，也取得了一系列研究成果。根據(jù)國內(nèi)外相關(guān)文獻(xiàn)資料，從建模形式角度，可將物流需求預(yù)測方法分為四大類：單一傳統(tǒng)預(yù)測方法、單一智能預(yù)測方法、組合預(yù)測方法和混合預(yù)測方法。

2.1 單一傳統(tǒng)預(yù)測方法

傳統(tǒng)預(yù)測方法是一類較早應(yīng)用的物流需求預(yù)測方法。這類方法以統(tǒng)計學(xué)為基礎(chǔ)，建模比較容易，模型的解釋能力強(qiáng)，主要包括單純的時間序列法、回歸分析、數(shù)理統(tǒng)計方法等。國外學(xué)者對物流需求進(jìn)行直接預(yù)測的很少，主要集中在運(yùn)輸需求預(yù)測上。Michael 等[1]利用時間序列分析模型對鐵路貨運(yùn)量進(jìn)行了短期預(yù)測。Rodrigo[2]采用時空多項概率模型對貨物運(yùn)輸需求進(jìn)行預(yù)測。Fite等[3]應(yīng)用逐步多重線性回歸方法預(yù)測貨運(yùn)量。國內(nèi)研究中，楊榮英等[4]利用移動平均線法進(jìn)行物流需求預(yù)測。田根平等[5]應(yīng)用時間序列模型預(yù)測物流需求，方威等[6]、周曉娟等[7]利用回歸分析構(gòu)建了物流需求預(yù)測模型。由于這些模型以簡單的線性關(guān)系代替復(fù)雜的非線性關(guān)系，往往不能很好地反映各種因素對物流需求的影響，難以獲得滿意的預(yù)測結(jié)果，因此這類方法正在逐步被其他更先進(jìn)的預(yù)測方法所取代。

2.2 單一智能預(yù)測方法

隨著現(xiàn)代智能控制理論、信息及計算機(jī)科學(xué)的發(fā)展，智能預(yù)測方法被廣泛應(yīng)用于物流需求預(yù)測中,主要包括灰色預(yù)測法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)以及它們的改進(jìn)形式。

灰色預(yù)測方法憑借在處理小樣本、貧信息、不確定問題上的獨(dú)特優(yōu)勢，已在眾多行業(yè)的短期預(yù)測中得到應(yīng)用。但國外運(yùn)用灰色預(yù)測法進(jìn)行物流需求預(yù)測的文獻(xiàn)較少，如Bahram等[8]運(yùn)用灰色模型對航空需求進(jìn)行了預(yù)測。在國內(nèi)，有較多學(xué)者將單變量灰色模型應(yīng)用到物流需求預(yù)測領(lǐng)域，主要有林小平等[9]、何國華[10]、張潛[11]分別運(yùn)用灰色模型進(jìn)行區(qū)域物流需求預(yù)測研究。周茵[12]針對灰色模型在適用條件上的局限性，構(gòu)建了殘差灰色預(yù)測模型，通過多次挖掘原始數(shù)據(jù)的規(guī)律性提高物流需求預(yù)測精度。由于單變量灰色模型利用物流需求歷史數(shù)據(jù)進(jìn)行外推預(yù)測，缺乏對影響因素的考慮，高洪波等[13]構(gòu)建了多變量灰色預(yù)測模型預(yù)測物流需求，該方法計算簡單，可同時預(yù)測物流需求及其影響因素，具有一定的實用性，但該方法無法描述物流需求與其影響因素之間的非線性關(guān)系，預(yù)測精度有待提高。

神經(jīng)網(wǎng)絡(luò)是一種較為成熟且應(yīng)用廣泛的模型，它具有較強(qiáng)的非線性擬合能力，通過建立物流需求與其影響因素之間的非線性映射來預(yù)測物流需求。國外的Yun等[14]將神經(jīng)網(wǎng)絡(luò)運(yùn)用到貨運(yùn)量預(yù)測中，得出神經(jīng)網(wǎng)絡(luò)的預(yù)測精度優(yōu)于線性統(tǒng)計模型的結(jié)論。我國運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行物流需求預(yù)測的學(xué)者相對較多，后銳等[15]提出了基于MLP 網(wǎng)絡(luò)的“區(qū)域經(jīng)濟(jì)-物流需求”預(yù)測模型；耿勇等[16]、郭紅霞[17]研究了基于BP神經(jīng)網(wǎng)絡(luò)的物流需求預(yù)測方法；尹艷玲[18]將自適應(yīng)神經(jīng)網(wǎng)絡(luò)應(yīng)用于物流需求預(yù)測，以上研究表明神經(jīng)網(wǎng)絡(luò)能夠提高物流需求的預(yù)測精度。但訓(xùn)練神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)樣本，在物流數(shù)據(jù)樣本較少時，無法保證預(yù)測精度，而且神經(jīng)網(wǎng)絡(luò)以經(jīng)驗風(fēng)險最小化為準(zhǔn)則，在物流需求預(yù)測中不能解決過擬合等問題而導(dǎo)致學(xué)習(xí)泛化性能降低。

支持向量機(jī)(SVM)是一種新型神經(jīng)網(wǎng)絡(luò)，以結(jié)構(gòu)風(fēng)險最小化為原則，較好地克服了神經(jīng)網(wǎng)絡(luò)的缺陷。國外的Carbonneau等[19]利用神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和SVM預(yù)測供應(yīng)鏈終端物流需求量。國內(nèi)的胡燕祝等[20]、黃虎等[21]、駱世廣等[22]從區(qū)域經(jīng)濟(jì)與區(qū)域物流需求關(guān)系入手，提出基于回歸的SVM 物流需求預(yù)測方法；龐明寶等[23]從區(qū)域物流需求自身規(guī)律出發(fā)，提出基于時間序列的SVM物流需求預(yù)測方法。由于SVM能較好地解決小樣本、非線性、局部極小值等問題，在物流需求預(yù)測中得到成功應(yīng)用。但SVM 也存在不足之處，主要體現(xiàn)在模型的參數(shù)較多，一方面可能造成過擬合問題，另一方面會增加計算時間；在模型參數(shù)選擇方面，目前還缺乏有效的方法和理論依據(jù)。這些不足在一定程度上限制了SVM的發(fā)展和應(yīng)用。最小二乘支持向量機(jī)(LSSVM)采用不同于標(biāo)準(zhǔn)SVM 的優(yōu)化目標(biāo)函數(shù)，并且通過等式約束將求解的優(yōu)化問題轉(zhuǎn)換成一組線性方程，減少了算法的復(fù)雜性，提高了運(yùn)算速度。該方法已廣泛應(yīng)用于各行業(yè)預(yù)測，但在物流需求預(yù)測領(lǐng)域應(yīng)用較少。

2.3 組合預(yù)測方法

物流需求是一種復(fù)雜的非線性系統(tǒng)，單一預(yù)測方法由于在假設(shè)條件及適用范圍方面存在一定的局限性，難以全面反映物流需求的變化規(guī)律。將多個單一方法的預(yù)測結(jié)果進(jìn)行適當(dāng)組合，在一定條件下可以克服單一預(yù)測方法的局限性，提高物流需求的預(yù)測精度。國外將組合預(yù)測方法應(yīng)用于物流需求預(yù)測的文獻(xiàn)資料很少，國內(nèi)關(guān)于物流需求的組合預(yù)測方法研究主要是將不同的智能預(yù)測方法相結(jié)合、智能預(yù)測方法與傳統(tǒng)預(yù)測方法相組合，根據(jù)組合的形式不同，可歸納為以下三類：

其一，線性組合單一預(yù)測結(jié)果，即將不同方法的預(yù)測結(jié)果進(jìn)行線性組合。初良勇等[24]提出灰色系統(tǒng)模型、回歸分析和BP神經(jīng)網(wǎng)絡(luò)相組合的物流需求預(yù)測方法；惠春梅等[25]將灰色預(yù)測模型與線性回歸模型相組合預(yù)測區(qū)域物流需求；王玥[26]提出灰色模型、回歸分析和彈性系數(shù)法相組合的區(qū)域物流預(yù)測方法；閆娟[27]、李程[28]組合灰色預(yù)測模型與神經(jīng)網(wǎng)絡(luò)預(yù)測區(qū)域物流需求。

其二，非線性組合單一預(yù)測結(jié)果，即將不同方法的預(yù)測結(jié)果進(jìn)行非線性組合。萬勵等[29]采用線性回歸模型、移動自回歸模型和SVM 分別預(yù)測區(qū)域物流需求，再通過BP神經(jīng)網(wǎng)絡(luò)對預(yù)測結(jié)果進(jìn)行非線性組合；劉婷婷等[30]運(yùn)用灰色預(yù)測模型、三次指數(shù)預(yù)測模型、多元回歸預(yù)測模型分別預(yù)測鐵路貨運(yùn)量，再利用模糊神經(jīng)網(wǎng)絡(luò)對預(yù)測結(jié)果進(jìn)行非線性組合。

其三，修正單一預(yù)測結(jié)果，即用一種方法對另一種方法預(yù)測結(jié)果進(jìn)行修正。黃敏珍等[31]針對物流需求本身的不確定性特點，利用灰色預(yù)測模型預(yù)測物流需求，采用馬爾柯夫鏈模型修正預(yù)測結(jié)果，司玲玲等[32]利用灰色預(yù)測模型預(yù)測物流需求變化趨勢，采用SVM 對預(yù)測結(jié)果進(jìn)行修正；駱達(dá)榮[33]利用SVM 預(yù)測物流需求，采用BP神經(jīng)網(wǎng)絡(luò)對預(yù)測殘差進(jìn)行修正。

這三類組合預(yù)測方法都獲得了比單一預(yù)測方法更高的預(yù)測精度，但對組合預(yù)測方法來說，如何選擇合理的單一模型以及如何確定組合預(yù)測方法的最優(yōu)權(quán)重，使其能夠更有效地提高預(yù)測精度，至今尚無成熟的理論和方法。

2.4 混合預(yù)測方法

物流需求的混合預(yù)測方法是將單一預(yù)測方法與其它方法相融合共同預(yù)測物流需求。這類方法能充分發(fā)揮單一預(yù)測方法和其它方法各自的優(yōu)勢，而且無需確定參加混合的各方法權(quán)重，已成為物流需求預(yù)測領(lǐng)域研究的新方向。關(guān)于物流需求的混合預(yù)測方法研究，現(xiàn)有的國內(nèi)外文獻(xiàn)研究并不多，根據(jù)建模思路不同，可歸納為以下三類：

其一，混合智能優(yōu)化算法與單一預(yù)測方法，即利用不同的智能算法優(yōu)化單一預(yù)測模型的相關(guān)參數(shù)，以提高模型的預(yù)測精度。孫志剛[34]、李泓澤等[35]分別用蟻群優(yōu)化算法、果蠅優(yōu)化算法優(yōu)化LSSVM參數(shù)，用優(yōu)化后的LSSVM 預(yù)測物流需求，但這兩種方法僅通過物流需求的歷史數(shù)據(jù)進(jìn)行預(yù)測，對影響物流需求的因素欠考慮。耿立艷等[36-37]在考慮物流需求影響因素的基礎(chǔ)上，分別利用二階振蕩微粒群算法和與動態(tài)加速系數(shù)粒子群優(yōu)化算法調(diào)整參數(shù)后的LSSVM進(jìn)行物流需求預(yù)測；耿立艷等[38]利用果蠅優(yōu)化算法(FOA)優(yōu)化參數(shù)后的LSSVM 預(yù)測鐵路貨運(yùn)量，Geng等[39]運(yùn)用自適應(yīng)慣性權(quán)重算法優(yōu)化參數(shù)后的無偏灰色模型預(yù)測物流需求。這些混合方法均比單一的方法獲得了更高的預(yù)測精度。

其二，混合數(shù)據(jù)降維技術(shù)與智能預(yù)測方法，即將現(xiàn)有理論和方法與人工智能預(yù)測方法相混合預(yù)測物流需求?？紤]到影響物流需求的因素眾多，劉智琦等[40]先用因子分析對物流需求影響因素降維，再運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測；何滿輝等[41]利用模糊粗糙集約簡后的輸入數(shù)據(jù)樣本構(gòu)建SVM模型預(yù)測區(qū)域物流需求。雖然因子分析法和模糊粗糙集可以降低模型的復(fù)雜性，但這兩種方法難以消除影響因素之間的多重相關(guān)性。為此，黃虎[42]將主成分分析(PCA)提取的線性主成分作為SVM 的輸入變量預(yù)測物流需求，但PCA提取的線性特征信息不能很好地反映影響因素之間的復(fù)雜非線性關(guān)系。梁毅剛等[43]、Geng等[44]分別利用核主成分分析(KPCA)提取物流需求影響因素的非線性特征信息，將提取出的非線性主成分輸入LSSVM進(jìn)行物流需求預(yù)測。耿立艷等[45]、梁寧等[46]用灰色關(guān)聯(lián)分析(GRA)選出的主要影響因素分別作為LSSVM、混合SVM 的輸入進(jìn)行物流需求預(yù)測。耿立艷等[47]結(jié)合GRA 和KPCA 提取物流需求影響因素的非線性信息特征，并將其作為LSSVM 的輸入預(yù)測物流需求，進(jìn)一步簡化了LSSVM 結(jié)構(gòu)，提高了預(yù)測精度。

其三，混合數(shù)據(jù)挖掘技術(shù)與智能預(yù)測方法，即根據(jù)物流需求時間序列的特征，混合現(xiàn)有模型進(jìn)行預(yù)測。耿立艷等[48]通過灰色序列算子挖掘鐵路貨運(yùn)量序列的規(guī)律性，再運(yùn)用自適應(yīng)粒子群算法優(yōu)化后的LSSVM對規(guī)律性更強(qiáng)的新序列進(jìn)行預(yù)測。

由于混合預(yù)測方法能夠充分發(fā)揮各方法的優(yōu)勢，這三類混合預(yù)測法的預(yù)測精度均顯著優(yōu)于單一預(yù)測方法。但目前物流需求的混合預(yù)測方法尚屬初級研究階段，相關(guān)研究成果不多，更缺乏針對物流需求時間序列的混合預(yù)測方法研究。

3 物流需求預(yù)測方法展望

綜上所述，較早期的物流需求預(yù)測方法主要是以統(tǒng)計學(xué)為基礎(chǔ)的單一傳統(tǒng)預(yù)測方法，隨著物流需求預(yù)測領(lǐng)域研究的逐漸深入以及預(yù)測技術(shù)的發(fā)展，出現(xiàn)了一批更復(fù)雜、精度更高的智能預(yù)測方法。近些年來，運(yùn)用單一智能預(yù)測方法進(jìn)行物流需求預(yù)測的文獻(xiàn)多于單一傳統(tǒng)預(yù)測方法，而且越來越多的研究開始將多種方法相結(jié)合進(jìn)行預(yù)測。已有的預(yù)測方法雖然在一定程度上取得了較好的預(yù)測精度，但由于物流需求的復(fù)雜性以及預(yù)測方法本身的適應(yīng)性，物流需求預(yù)測方法研究中仍存在以下幾方面的問題有待研究：

（1）單一灰色方法對物流需求的預(yù)測能力有限。單一的灰色方法，如灰色預(yù)測模型、殘差灰色預(yù)測模型、多變量灰色預(yù)測模型等，對于離散程度較小且近似指數(shù)變化規(guī)律的時間序列數(shù)據(jù)有較好的預(yù)測精度，但對物流需求序列這樣非線性、非平穩(wěn)且波動性較大的數(shù)據(jù)序列，預(yù)測能力十分有限。

（2）針對物流需求預(yù)測的ANN 最優(yōu)模型結(jié)構(gòu)的選擇問題。應(yīng)用ANN的主要障礙在于如何找到解決某個問題的最優(yōu)模型結(jié)構(gòu)。雖然ANN已被廣泛用于物流需求的預(yù)測中，但目前還沒有關(guān)于選擇物流需求預(yù)測的ANN 最優(yōu)模型結(jié)構(gòu)的研究。采用ANN 進(jìn)行物流需求預(yù)測時，主要依賴于經(jīng)驗確定網(wǎng)絡(luò)結(jié)構(gòu)，若想得到有效且準(zhǔn)確的預(yù)測結(jié)果，需要長時間進(jìn)行網(wǎng)絡(luò)訓(xùn)練，而且ANN的“黑箱”式學(xué)習(xí)模式，得到的輸入/輸出關(guān)系不易被接受。因此，如何選擇針對物流需求預(yù)測問題的ANN最優(yōu)模型結(jié)構(gòu)有待研究。

（3）物流需求大樣本條件下SVM 模型復(fù)雜度問題。SVM是相對稀疏模型，選取好核函數(shù)之后，它的訓(xùn)練復(fù)雜度與特征維數(shù)無關(guān)。但隨著樣本規(guī)模的增加，SVM 的參數(shù)(支持向量個數(shù))也逐漸增多，造成模型結(jié)構(gòu)更加復(fù)雜；而且由于需要計算所有樣本之間的核函數(shù)，SVM 的計算復(fù)雜度將隨著訓(xùn)練樣本數(shù)急速增加。所以，尋找降低物流需求大樣本條件下SVM模型復(fù)雜度的方法有待研究。

（4）將多種方法融合在一起的混合預(yù)測方法研究。關(guān)于物流需求的混合預(yù)測方法研究處于起步階段，不夠系統(tǒng)和深入。在現(xiàn)有物流需求混合預(yù)測方法中，大多數(shù)研究將兩種不同方法相融合，很少有將多種方法融合在一起對物流需求進(jìn)行預(yù)測。如何將多種方法相融合，特別是將現(xiàn)有的一些新理論和方法與先進(jìn)智能預(yù)測方法有機(jī)融合在一起，進(jìn)一步提高物流需求的預(yù)測精度，有待深入研究。

此外，物流需求預(yù)測中還存在兩個問題有待解決：一是在物流需求預(yù)測指標(biāo)的選擇上還沒有形成一致，特別是我國物流統(tǒng)計數(shù)據(jù)比較匱乏，在變量的選擇上主要依賴人為選擇，缺乏定量的分析；二是從物流需求本身的歷史數(shù)據(jù)出發(fā)進(jìn)行物流需求預(yù)測的研究成果較少。

4 結(jié)論

國內(nèi)外學(xué)者對物流需求預(yù)測方法進(jìn)行了大量研究，并取得了豐富的研究成果。本文基于建模形式，將物流需求預(yù)測方法劃分為四大類：單一傳統(tǒng)預(yù)測方法、單一智能預(yù)測方法、組合預(yù)測方法和混合預(yù)測方法。分別總結(jié)了四大類預(yù)測方法中各預(yù)測模型的建模原理，分析了各自的優(yōu)缺點及適用性，并給出了物流需求預(yù)測方法的研究方向，期待有助于物流需求研究人員找到適應(yīng)不同物流需求數(shù)據(jù)的預(yù)測方法。