基于組合算法的電子產(chǎn)品回收預(yù)測系統(tǒng)研究

許舒婷，繆朝煒，檀 哲，蔡能照，上官莉莉

基于組合算法的電子產(chǎn)品回收預(yù)測系統(tǒng)研究

許舒婷，繆朝煒，檀 哲*，蔡能照，上官莉莉

（廈門大學(xué)管理學(xué)院，福建 廈門 361005）

對(duì)第三方逆向物流服務(wù)商而言，電子產(chǎn)品回收數(shù)量具有少樣本、不確定性及模糊性的特點(diǎn)，電子產(chǎn)品回收量預(yù)測的精度直接影響到企業(yè)的運(yùn)營成本以及服務(wù)水平。在單個(gè)預(yù)測模型中，GM(1,1)模型具有適應(yīng)少樣本預(yù)測的特點(diǎn)，對(duì)近期數(shù)據(jù)具有較好的逼近效果，但是對(duì)序列的趨勢性比較敏感；FTS模型能夠處理不確定性數(shù)據(jù)中因模糊性而產(chǎn)生的噪聲，但是對(duì)序列趨勢的把握具有滯后性。本文設(shè)計(jì)了GM(1,1)模型與FTS模型相結(jié)合的組合預(yù)測模型（FTS_GM(1,1)模型），通過利用兩個(gè)模型的優(yōu)勢以提高電子產(chǎn)品回收預(yù)測的準(zhǔn)確性和可靠性。本文根據(jù)企業(yè)的真實(shí)回收數(shù)據(jù)進(jìn)行預(yù)測，實(shí)驗(yàn)結(jié)果表明組合預(yù)測法比單個(gè)預(yù)測法具有更好的預(yù)測效果。在此基礎(chǔ)上，本文提出了以FTS_GM(1,1)組合模型為主，其他預(yù)測模型為輔的回收預(yù)測系統(tǒng)原型，為企業(yè)在實(shí)踐中選取合適的預(yù)測模型提供建議。

電子產(chǎn)品；回收預(yù)測；組合算法；系統(tǒng)原型

0 引言

隨著信息社會(huì)的高速發(fā)展，電子產(chǎn)品的供應(yīng)和需求也在不斷增加，巨大的電子產(chǎn)品市場需求背后，是同樣巨大的售后服務(wù)（如退貨、維修等）帶來的壓力。逆向物流具有分散性、混雜性、不可控性以及高成本性等特點(diǎn)[1]，企業(yè)為了能將主要精力專注于自己的核心業(yè)務(wù)，通常將此類逆向物流服務(wù)業(yè)務(wù)外包給第三方逆向物流服務(wù)提供商[2][3]。由于電子產(chǎn)品具有種類繁多、產(chǎn)品生命周期短、產(chǎn)品銷售隨機(jī)性、消費(fèi)者使用環(huán)境和使用習(xí)慣不確定、返回地點(diǎn)不確定等特點(diǎn)，逆向物流回收階段常常出現(xiàn)回收種類、回收數(shù)量、回收時(shí)間以及回收質(zhì)量的不確定[4][5]，使得第三方逆向物流服務(wù)提供商對(duì)產(chǎn)品回收的預(yù)測非常困難，嚴(yán)重影響了此類企業(yè)的效益，因此提升回收產(chǎn)品的預(yù)測精度顯得尤為重要。

目前對(duì)于逆向物流系統(tǒng)的研究，其主要還是集中在網(wǎng)絡(luò)設(shè)計(jì)、路徑優(yōu)化、庫存管理的研究[6]，而對(duì)于其需求的預(yù)測研究相對(duì)較少，大多沿用了正向物流的一些方法。預(yù)測理論從技術(shù)上可以分為定性預(yù)測法和定量預(yù)測法[7]。在逆向物流回收的預(yù)測中，單純的使用定性方法的研究并不多見，更多的是采用定量的方法或者定性與定量相結(jié)合的方法進(jìn)行研究。定量預(yù)測法又包含基于模型驅(qū)動(dòng)的預(yù)測方法和基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測方法?；谀Ｐ万?qū)動(dòng)的預(yù)測法是根據(jù)統(tǒng)計(jì)學(xué)、數(shù)學(xué)的基本原理構(gòu)造預(yù)測對(duì)象的精確數(shù)學(xué)模型，通過估計(jì)模型的參數(shù)，然后用得到的模型進(jìn)行預(yù)測。其主要特點(diǎn)是需要事先知道預(yù)測對(duì)象的假設(shè)條件，因果關(guān)系，分布情況以及機(jī)理特征等。最常見的基于模型驅(qū)動(dòng)的預(yù)測方法是回歸分析法，包括一元線性回歸，多元線性回歸以及非線性回歸。由于逆向物流的隨機(jī)性特點(diǎn)，所以很多的學(xué)者在研究逆向物流回收預(yù)測中采用了基于模型驅(qū)動(dòng)的預(yù)測方法。其中，Tokay等在假定產(chǎn)品回收服從二項(xiàng)式概率分布的前提下，分析了產(chǎn)品需求和產(chǎn)品回收的關(guān)系，采用貝葉斯推斷求解了產(chǎn)品回收的總概率[8]；Yang和Williams分析了美國未來廢舊計(jì)算機(jī)產(chǎn)生量的趨勢，在合理的計(jì)算機(jī)壽命周期分布假設(shè)下，通過歷史的銷售數(shù)據(jù)，建立了Logistic模型展開預(yù)測[9]；Bayindir和Nesim假設(shè)了產(chǎn)品的需求和返回服從獨(dú)立的泊松分布或者正態(tài)分布，建立了一個(gè)逆向物流需求模型[10]。雖然各個(gè)學(xué)者研究的角度各不相同，但其模型的基本假設(shè)大多都是產(chǎn)品的需求和返回需要服從泊松過程或者正態(tài)過程。而Brito和Dekker在對(duì)物流的需求過程和逆向物流返品過程的假設(shè)進(jìn)行了檢驗(yàn)，結(jié)果發(fā)現(xiàn)新產(chǎn)品需求量和舊產(chǎn)品回收量之間的獨(dú)立性假設(shè)在回收率小于1時(shí)是不成立的[11]。呂軍和謝家平從空間結(jié)構(gòu)的角度提出基于克里金方法的WEEE逆向物流回收網(wǎng)點(diǎn)回收量的空間數(shù)學(xué)模型，預(yù)測逆向物流WEEE的回收量[12]。而在基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測研究方面，其核心是對(duì)可利用的事物發(fā)展歷史數(shù)據(jù)進(jìn)行特征提取，通過各種數(shù)據(jù)處理與分析就去挖掘數(shù)據(jù)中隱含的信息。數(shù)據(jù)驅(qū)動(dòng)預(yù)測方法以時(shí)間序列預(yù)測方法為主，強(qiáng)調(diào)對(duì)原始數(shù)據(jù)序列的利用，包括ARIMA[13]，ANN[14][15]，GM(1,1)[16]等。

本文將針對(duì)一家在第三方電子產(chǎn)品逆向物流服務(wù)領(lǐng)域具有典型代表性的企業(yè)所面臨的回收預(yù)測問題展開研究，所有數(shù)據(jù)均來源于該公司回收業(yè)務(wù)實(shí)際發(fā)生的數(shù)據(jù)。本文通過實(shí)際數(shù)據(jù)觀測發(fā)現(xiàn)電子產(chǎn)品回收數(shù)量基本是以月份為單位進(jìn)行統(tǒng)計(jì)，并且因?yàn)樯芷诙?，有些電子產(chǎn)品的回收數(shù)據(jù)時(shí)間僅持續(xù)不到12個(gè)月，企業(yè)需要根據(jù)少量的歷史接收數(shù)據(jù)來預(yù)測回收產(chǎn)品的數(shù)量以制定產(chǎn)能計(jì)劃和備料計(jì)劃。所以，基于電子產(chǎn)品回收數(shù)量不確定性及少樣本的特點(diǎn)，相對(duì)于其他預(yù)測模型需要大樣本而言，GM(1,1)模型是合適的選擇，其具有適用于少樣本的獨(dú)特優(yōu)勢。但是，考慮到逆向電子產(chǎn)品回收不確定性中的模糊性特點(diǎn)，本文將模糊理論中的FTS方法也引入到逆向電子產(chǎn)品回收的預(yù)測中，結(jié)合GM(1,1)模型與FTS模型各自的優(yōu)勢，構(gòu)建兩階段組合預(yù)測算法，以求達(dá)到更好的預(yù)測效果。

1 基本預(yù)測算法

1.1 GM(1,1)模型

灰色系統(tǒng)理論主要研究對(duì)象是具有“小樣本”、“貧信息”特點(diǎn)的不確定性系統(tǒng)，灰色系統(tǒng)理論通過生成和開發(fā)有限的已知信息，實(shí)現(xiàn)對(duì)有價(jià)值信息的提取，進(jìn)而描述系統(tǒng)的運(yùn)行行為和演化規(guī)律，并進(jìn)行科學(xué)的分析、預(yù)測、決策、控制的一種理論。

作為灰色系統(tǒng)預(yù)測理論核心基礎(chǔ)的GM(1,1)模型，就是通過對(duì)灰色序列生成，再處理，以解決不確定性的預(yù)測問題，GM(1,1)模型的計(jì)算過程包括以下六個(gè)步驟[17]。

第一步，對(duì)原始序列進(jìn)行一次累加，得一次累加生成序列：

第二步，求

第三步，求

第五步，建立

1.2 GM(1,1)滾動(dòng)模型

1.3 FTS模型

基于模糊集理論的FTS模型在1993年首次提出之后，在FTS的運(yùn)算各個(gè)環(huán)節(jié)展開了大量研究，包括論域的確定、模糊區(qū)間的劃分、關(guān)系矩陣和預(yù)測規(guī)則、模型的階數(shù)、時(shí)變以及非時(shí)變等方面展開研究，F(xiàn)TS的預(yù)測過程已經(jīng)越來越成熟，其主要計(jì)算過程包括以下六個(gè)步驟[19]。

第二步，在論域的基礎(chǔ)上定義模糊集和模糊隸屬度函數(shù)。對(duì)每個(gè)子區(qū)間的模糊概念定義相應(yīng)的模糊隸屬度函數(shù)。在FTS中，常用如下的三角函數(shù)來定義模糊集：

第三步，根據(jù)原始序列數(shù)據(jù)的先后觀測值建立模糊關(guān)系集合。

第五步，對(duì)隸屬度向量進(jìn)行標(biāo)準(zhǔn)化，作為預(yù)測的權(quán)重。

為了避免通過最大隸屬度規(guī)則取值所造成的信息缺失，更大限度的利用原始序列樣本包含的初始信息，保證模型的預(yù)測精度，采用將隸屬度函數(shù)進(jìn)行歸一化處理后作為最后預(yù)測規(guī)則取值的權(quán)重。

第六步，建立預(yù)測模型。

2 組合預(yù)測算法設(shè)計(jì)

由于逆向物流具有高度的不確定性，目前對(duì)于處理逆向物流不確定性預(yù)測上，常見的方法有人工神經(jīng)元網(wǎng)絡(luò)預(yù)測、馬爾可夫預(yù)測、回歸分析、GM(1,1)預(yù)測以及組合預(yù)測等方法。這些方法中，大多數(shù)方法都是基于大樣本的假設(shè)下進(jìn)行建模的。所以，對(duì)于電子產(chǎn)品回收而言，在少樣本條件的限制下，較多使用的是GM(1,1)預(yù)測法。GM(1,1)預(yù)測法具有適用于少樣本的獨(dú)特優(yōu)勢，只要收集的數(shù)據(jù)量大于等于4個(gè)，就可以用GM(1,1)模型進(jìn)行建模[14]。而在一般情況下，為了保證數(shù)據(jù)提供的信息是最新的，在短期預(yù)測中，經(jīng)常取最近的6-8個(gè)數(shù)據(jù)作為擬合。同時(shí)，在逆向物流的不確定性分析中，除了對(duì)隨機(jī)性的討論，也有文獻(xiàn)對(duì)于逆向物流不確定性中的模糊性進(jìn)行了探討，但是，這些研究都主要集中在逆向物流的網(wǎng)絡(luò)設(shè)計(jì)中，在逆向物流回收預(yù)測中，考慮到模糊性特點(diǎn)的文獻(xiàn)卻不多見。如何通過對(duì)序列模糊性的處理，來挖掘原始序列更多的信息，提高GM(1,1)模型的預(yù)測效果，是重要關(guān)注點(diǎn)之一。因此，在組合算法中選取模糊預(yù)測研究中的FTS模型，該預(yù)測方法除了能夠很好的處理不確定性數(shù)據(jù)中因模糊性而產(chǎn)生的噪聲[21]，另一個(gè)優(yōu)勢就是不需要大樣本假設(shè)[22]。

組合預(yù)測是通過對(duì)兩種或兩種以上的預(yù)測方法通過某種方式組合成一種新的預(yù)測方法，其目的是為了提高預(yù)測效果的準(zhǔn)確性和可靠性[23]。對(duì)于組合預(yù)測的研究，主要是集中在組合權(quán)重的確定上，包括非變權(quán)組合預(yù)測[24][25]和變權(quán)組合預(yù)測[26][27][28]。而不論是不變權(quán)重組合模型構(gòu)建，還是變權(quán)重組合模型構(gòu)建，其主要思想大多都是基于對(duì)歷史數(shù)據(jù)的擬合來確定權(quán)重。這種方法在研究中可以得到很好的擬合效果，但是其在真正預(yù)測中，由于不同的預(yù)測方法本身的特點(diǎn)不同，某種預(yù)測方法可能對(duì)于原始數(shù)據(jù)的擬合能力很強(qiáng)，但是在預(yù)測時(shí)卻效果一般；也有的方法可能起初預(yù)測效果一般，但是隨著時(shí)間的推移，該方法卻會(huì)越來越表現(xiàn)的較其他單項(xiàng)預(yù)測方法優(yōu)越，從而也會(huì)導(dǎo)致預(yù)測權(quán)系數(shù)的變化[29]。而現(xiàn)有的組合預(yù)測研究在模型構(gòu)建、組合權(quán)重系數(shù)的確定和模型預(yù)測效果的比較方面也主要側(cè)重于在樣本期預(yù)測的效果，對(duì)于外推預(yù)測效果的考察還比較少見[30]?；诖耍跇?gòu)建FTS_GM(1,1)組合預(yù)測模型的時(shí)候著重考察模型的外推預(yù)測能力，同時(shí)對(duì)于組合預(yù)測模型權(quán)重的確定，除了考慮模型對(duì)歷史數(shù)據(jù)的擬合效果，還考慮了模型本身的特點(diǎn)。

圖1 FTS_GM(1,1)模型運(yùn)算過程

Figure 1 The working process of FTS_GM(1,1) model

FTS_GM(1,1)模型是一個(gè)兩階段的預(yù)測模型。在第一個(gè)階段，基于GM(1,1)對(duì)于最近期具有非常好的逼近效果，并且其在逆向物流中預(yù)測的良好效果也得到了很多研究的證明，所以，對(duì)于第一期的預(yù)測，直接采用GM(1,1)模型的預(yù)測值。第二階段，從第二期以后的預(yù)測，由于開始遠(yuǎn)離實(shí)際序列，GM(1,1)的誤差會(huì)隨著灰區(qū)間的指數(shù)增長而大大增加，其預(yù)測效果越來越難以滿足決策者的要求，所以開始引入FTS模型進(jìn)行組合預(yù)測。在對(duì)于GM(1,1)模型賦予一個(gè)隨時(shí)間遞減的函數(shù)后，考慮到FTS模型本身的特點(diǎn)，即對(duì)歷史數(shù)據(jù)訓(xùn)練好模糊關(guān)系矩陣后，F(xiàn)TS模型對(duì)于下一期的預(yù)測值是基于當(dāng)前期的值，通過對(duì)當(dāng)前期值的模糊處理，再用模糊關(guān)系矩陣進(jìn)行預(yù)測。由于組合預(yù)測有著比單個(gè)預(yù)測方法更加可靠的結(jié)果，所以實(shí)際操作中將前一期的組合預(yù)測值添加到原序列，構(gòu)成新序列，用組合預(yù)測值作為FTS預(yù)測的當(dāng)前值，進(jìn)行下一期的預(yù)測。具體運(yùn)算過程如圖1所示。

（1）初始權(quán)重反應(yīng)了兩個(gè)基本模型對(duì)于近幾期數(shù)據(jù)的擬合情況，對(duì)于具有較好擬合的模型賦予了較高的權(quán)重。

組合模型的具體算法如下：

第一階段：

步驟2：對(duì)取得的數(shù)據(jù)進(jìn)行光滑性檢驗(yàn)，檢驗(yàn)通過，則進(jìn)入下一步，否則，對(duì)原始數(shù)列進(jìn)行平滑處理，然后對(duì)平滑后的數(shù)列再進(jìn)行光滑檢驗(yàn)。

步驟3：對(duì)通過光滑檢驗(yàn)的數(shù)列進(jìn)行GM(1,1)建模預(yù)測。

第二階段：

3 數(shù)值算例

3.1 數(shù)據(jù)來源

C公司是在廈門市的一家以電子產(chǎn)品維修為主要業(yè)務(wù)的第三方逆向物流服務(wù)公司，主要開展對(duì)戴爾、富士康、索尼、三星、英特爾等品牌電子產(chǎn)品的壞件維修測試、技術(shù)支持、倉儲(chǔ)物流、備件運(yùn)營等一體化服務(wù)。數(shù)據(jù)全部來自于C公司內(nèi)部的數(shù)據(jù)庫系統(tǒng)中的C回收業(yè)務(wù)實(shí)際數(shù)據(jù)，本文提取C公司目前回收的57種顯示器業(yè)務(wù)的相關(guān)數(shù)據(jù)。本文先以該業(yè)務(wù)中E190Sf型號(hào)的回收量為例，介紹模型的計(jì)算過程，具體數(shù)據(jù)見表1。按照C公司目前的維修用原材料采購周期，有提前一至三期不等，所以最多需要預(yù)測未來三期的回收，因此將最后三期值作為預(yù)測，剩下的樣本數(shù)據(jù)作為擬合，實(shí)現(xiàn)上文提到的算法，并對(duì)預(yù)測的效果進(jìn)行比較分析。

表1 E190Sf型號(hào)產(chǎn)品回收量

3.2 預(yù)測結(jié)果分析

3.2.1 對(duì)E190Sf型號(hào)產(chǎn)品的預(yù)測

對(duì)于E190Sf型號(hào)產(chǎn)品的回收量，先采用GM(1,1)模型、RGM(1,1)模型以及FTS模型進(jìn)行預(yù)測，結(jié)果匯總?cè)绫?所示。

從單個(gè)模型擬合和預(yù)測的效果對(duì)比來看，GM(1,1)模型的擬合效果遠(yuǎn)遠(yuǎn)好于其對(duì)近三期的預(yù)測效果，說明GM(1,1)模型存在著過度擬合的情況，而FTS模型的擬合效果和其近三期的預(yù)測效果比較接近。從預(yù)測三期的效果指標(biāo)上對(duì)這兩個(gè)模型的對(duì)比顯示，在該產(chǎn)品的預(yù)測中，F(xiàn)TS模型的整體預(yù)測效果會(huì)比GM(1,1)模型優(yōu)。

表2 E190Sf單個(gè)模型預(yù)測效果匯總

圖2 E190Sf產(chǎn)品回收量預(yù)測比較

Figure 2 Comparison of the prediction of E190Sf recovery amount

從圖2可以看出，GM(1,1)模型最新的7個(gè)樣本進(jìn)行擬合，且通過數(shù)據(jù)生成弱化了隨機(jī)的影響，很好的把握短期趨勢，得到了較好的短期逼近效果，但是其對(duì)序列的趨勢性比較敏感，并且一旦序列出現(xiàn)波動(dòng)，則會(huì)很大程度影響效果，很難將預(yù)測結(jié)果持續(xù)到較遠(yuǎn)的將來。而FTS模型則是盡量采取更多的樣本進(jìn)行訓(xùn)練，吸取了原始序列更多的信息，通過模糊化分散了具體數(shù)據(jù)擾動(dòng)影響，對(duì)于波動(dòng)的序列具有較好的適應(yīng)能力，但是其對(duì)序列的趨勢把握具有一定的滯后性，短期的逼近效果也沒有GM(1,1)那么明顯?；诖?，構(gòu)建了一個(gè)兩階段的逆向物流電子產(chǎn)品回收預(yù)測模型，充分吸取這兩個(gè)模型的優(yōu)勢，以求達(dá)到較好的效果，預(yù)測的對(duì)比結(jié)果匯總?cè)绫?所示。

表3 E190Sf預(yù)測結(jié)果匯總

注：**表示最優(yōu)效果，*表示次優(yōu)效果。

從表3可以發(fā)現(xiàn)，RGM(1,1)模型預(yù)測的效果稍微優(yōu)于GM(1,1)模型，但是其對(duì)GM(1,1)模型的改善效果仍然甚微，所以只通過對(duì)GM(1,1)預(yù)測方式的改變來提高模型的中長期預(yù)測能力并不能達(dá)到很理想的效果。此外，F(xiàn)TS模型則通過模糊化序列的具體數(shù)值，使得模型對(duì)于數(shù)列細(xì)微的擾動(dòng)反應(yīng)并不是那么敏感，所以在具有擾動(dòng)的序列預(yù)測當(dāng)中可以得到相對(duì)穩(wěn)定的結(jié)果，在對(duì)E190Sf的預(yù)測中其效果僅次于兩階段組合模型。而組合模型考慮了GM(1,1)模型的短期優(yōu)勢，又考慮FTS模型的特點(diǎn)，采取了對(duì)GM(1,1)模型取下降權(quán)重的方式進(jìn)行組合，充分利用兩個(gè)模型各自的優(yōu)勢，從而得到相對(duì)單個(gè)模型更好的結(jié)果。

3.2.2 對(duì)所有產(chǎn)品的預(yù)測

對(duì)C公司顯示器回收維修業(yè)務(wù)的57個(gè)產(chǎn)品進(jìn)行了預(yù)測，以便驗(yàn)證該方法的適用性。將移動(dòng)平均法（企業(yè)方法）、GM(1,1)、RGM(1,1)、FTS以及組合方法進(jìn)行了比較，探討組合方法對(duì)于單個(gè)模型的預(yù)測效果改善情況。通過對(duì)五個(gè)方法的預(yù)測效果進(jìn)行橫向比較，分別統(tǒng)計(jì)各個(gè)方法預(yù)測達(dá)到最好效果的產(chǎn)品比例，最終比較結(jié)果如圖3所示。

通過比較可以看出，在五種方法中，不管是以MAD，還是以MSE和MAPE指標(biāo)判斷，文中提出的兩階段組合預(yù)測方法都較其他四個(gè)方法效果更優(yōu)，說明其對(duì)逆向物流的不確定性有更好的適用性。由于企業(yè)管理決策水平的限制，企業(yè)目前采用相對(duì)比較簡單的移動(dòng)平均方法的效果是不理想的，具有很大的改進(jìn)空間。此外，從比較結(jié)果也不難發(fā)現(xiàn)，并沒有哪一種方法能夠在所有類型的產(chǎn)品回收預(yù)測效果上始終表現(xiàn)最佳。這也說明，真實(shí)的狀況是復(fù)雜多變的，在一個(gè)不確定的系統(tǒng)里，回收序列的變化也是多種多樣，而每種預(yù)測模型都有它的使用局限性，沒有任何一種預(yù)測方法能夠適用于所有產(chǎn)品的預(yù)測。

圖3 不同方法的比較結(jié)果

Figure 3 Comparison of different methods

4 回收預(yù)測系統(tǒng)

預(yù)測的目的是為了幫助企業(yè)決策，通過預(yù)測結(jié)果來確定企業(yè)的物料需求和采購策略，從而提升企業(yè)經(jīng)營績效。為了更好的提升逆向物流服務(wù)企業(yè)的回收預(yù)測能力，文中提出了以FTS_GM(1,1)組合模型為主，其他預(yù)測模型為輔的回收預(yù)測系統(tǒng)原型。在實(shí)際預(yù)測過程中通過對(duì)所選擇模型的不斷檢驗(yàn)反饋，匹配較優(yōu)的預(yù)測模型，以提高對(duì)每個(gè)產(chǎn)品回收的預(yù)測效果，具體的系統(tǒng)原型如圖4所示。

圖4 回收預(yù)測系統(tǒng)原型

Figure 4 Prototype of recovery prediction system

在系統(tǒng)應(yīng)用過程中，對(duì)于模型的選擇，可以通過前期的分析試驗(yàn)，根據(jù)業(yè)務(wù)的特點(diǎn)進(jìn)行選取。由于C公司的業(yè)務(wù)是電子產(chǎn)品的回收與維修，具有高度不確定性、數(shù)據(jù)量少的特點(diǎn)，根據(jù)研究結(jié)論，由于沒有哪一種方法能夠在所有類型的產(chǎn)品回收預(yù)測效果上始終表現(xiàn)最佳，因此移動(dòng)平均法、GM(1,1)、RGM(1,1)、FTS和FTS_GM(1,1)等方法都可以作為備選方法。對(duì)于數(shù)據(jù)庫中已經(jīng)存在的產(chǎn)品，在進(jìn)行預(yù)測時(shí)，可以根據(jù)不同方法的歷史預(yù)測表現(xiàn)，由知識(shí)庫推薦預(yù)測效果最好的方法。比如對(duì)于某已有型號(hào)的產(chǎn)品，在最近三次的預(yù)測中，都是FTS模型預(yù)測效果最好，則系統(tǒng)就會(huì)判斷為FTS最能符合該產(chǎn)品目前的回收趨勢，在下一次的預(yù)測時(shí)就會(huì)優(yōu)先推薦FTS的結(jié)果。如果每個(gè)方法的效果差異不大，則從降低風(fēng)險(xiǎn)的角度考慮，優(yōu)先推薦FTS_GM(1,1)模型的預(yù)測結(jié)果。對(duì)于新進(jìn)入的產(chǎn)品，由于沒有之前的預(yù)測情況可供參考，而通過數(shù)值試驗(yàn)表明FTS_GM(1,1)模型總體表現(xiàn)上具有最好的效果，可以優(yōu)先推薦該模型的結(jié)果作為決策依據(jù)。

5 結(jié)論

由于電子產(chǎn)品回收數(shù)量具有隨機(jī)性和模糊性的特點(diǎn)，本研究對(duì)于提高第三方維修服務(wù)企業(yè)科學(xué)決策以及運(yùn)營管理等方面具有重要的意義。文中研究結(jié)果表明，GM(1,1)模型對(duì)于短期趨勢的把握具有很好的效果，尤其是對(duì)于最近一兩期的預(yù)測，而相對(duì)遠(yuǎn)期的預(yù)測則效果則不夠理想。FTS模型能夠較好的處理逆向物流回收序列的模糊性特點(diǎn)，在中短期預(yù)測中具有比較好的效果。而設(shè)計(jì)的組合預(yù)測模型由于能夠利用GM(1,1)模型和FTS模型的各自優(yōu)勢，所以在預(yù)測中能夠取得較之單個(gè)預(yù)測模型更好的效果，同時(shí)也降低單個(gè)預(yù)測方法帶來的決策風(fēng)險(xiǎn)。更重要的現(xiàn)實(shí)意義在于對(duì)逆向物流服務(wù)企業(yè)而言，可以根據(jù)實(shí)際情況通過應(yīng)用基于不同預(yù)測模型的回收預(yù)測系統(tǒng)提升預(yù)測能力，從而減小維修備件過量采購或者采購不足的風(fēng)險(xiǎn)，同時(shí)可以有效的降低備件庫存以及提高顧客的響應(yīng)速度，從而提高公司的整體運(yùn)營效率和服務(wù)質(zhì)量。

[1] Rogers D S, Melamed B, Lembke RS. Modeling and Analysis of Reverse Logistics[J]. Journal of Business Logistics, 2012, 33(2):107- 117.

[2] Kannan G. Fuzzy approach for the selection of third party reverse logistics provider[J]. Asia Pacific Journal of Marketing and Logistics, 2009, 21(3):397-416.

[3] Meade L, Sarkis J. A conceptual model for selecting and evaluating third‐party reverse logistics providers[J]. Supply Chain Management, 2002, 7(5):283-295.

[4] Pochampally K K, Gupta S M. A multi-phase mathematical programming approach to strategic planning of an efficient reverse supply chain network [C],2003-06-15,S.l.:s.n., 2003:72-78.

[5] 易俊,王蘇生.基于成本-收益分析的逆向供應(yīng)鏈網(wǎng)絡(luò)演化機(jī)制分析[J].管理工程學(xué)報(bào),2013, 27(2):123-128.

Yi J, Wang S S. Network Evolutionary Mechanism of Reverse Supply Chain Based on Cost-benefit Analysis[J].Journal of Industrial Engineering and Engineering Management,2013, 27(2):123-128.

[6] Pokharel S, Mutha A. Perspectives in reverse logistics: A review[J]. Resources Conservation & Recycling, 2009, 53(4):175-182.

[7] Chen C I, Chen H L, Chen S P. Forecasting of foreign exchange rates of Taiwan’s major trading partners by novel nonlinear Grey Bernoulli model NGBM(1,1)[J]. Communications in Nonlinear Science & Numerical Simulation, 2008, 13(6):1194-1204.

[8] Toktay L B, Wein L M, Zenios S A. Inventory Management of Remanufacturable Products[J]. Management Science, 2000, 46(11): 1412-1426.

[9] Yang Y, Williams E. Logistic model-based forecast of sales and generation of obsolete computers in the U.S[J]. Technological Forecasting & Social Change, 2009, 76(8):1105-1114.

[10] Bay?nd?r Z P, Erkip N, Güllü R. A model to evaluate inventory costs in a remanufacturing environment[J]. International Journal of Production Economics, 2003, s 81–82(1):597-607.

[11] Brito MPD, Dekker R. Modelling product returns in inventory control-exploring the validity of general assumptions[J]. International Journal of Production Economics, 2003, 81-82(1):225- 241.

[12] 呂君,謝家平.基于空間相關(guān)性的WEEE逆向物流回收預(yù)測研究[J].管理工程學(xué)報(bào)[J],2015,29(4):152-161.

Lv J, Xie J P.The Prediction of Returns in WEEE Reverse Logistics Based on the Spatial Correlation[J]. Journal of Industrial Engineering and Engineering Management,2015,29(4):152-161.

[13] Wu C L, Chau K W. Data-driven models for monthly streamflow time series prediction[J]. Engineering Applications of Artificial Intelligence, 2010, 23(8):1350-1367.

[14] Kusiak A, Li M, Zhang Z. A data-driven approach for steam load prediction in buildings[J]. Applied Energy, 2010, 87(3):925-933.

[15] Londhe S, Charhate S. Comparison of data-driven modelling techniques for river flow forecasting.[J]. Hydrological Sciences Journal, 2010, 55(7):1163-1174.

[16] Wang J, Ma X, Wu J, et al. Optimization models based on GM (1,1) and seasonal fluctuation for electricity demand forecasting[J]. International Journal of Electrical Power & Energy Systems, 2012, 43(1):109-117.

[17] Yin M S, Tang HWV. On the fit and forecasting performance of grey prediction models for China’s labor formation[J]. Mathematical & Computer Modelling, 2013, 57(3-4):357-365.

[18] Kung L M, Yu S W. Prediction of index futures returns and the analysis of financial spillovers—A comparison between GARCH and the grey theorem[J]. European Journal of Operational Research, 2008, 186(3): 1184-1200.

[19] Qiu W, Liu X, Li H. A generalized method for forecasting based on fuzzy time series[J]. Expert Systems with Applications, 2011, 38(8): 10446-10453.

[20] Tsaur R C, Yang JCO, Wang H F. Fuzzy relation analysis in fuzzy time series model [J]. Computers & Mathematics with Applications, 2005, 49(4):539-548.

[21] Cai Q S, Zhang D, Wu B, et al. A Novel Stock Forecasting Model based on Fuzzy Time Series and Genetic Algorithm[J]. Procedia Computer Science, 2013, (18):1155-1162.

[22] Uslu V R, Bas E, Yolcu U, et al. A fuzzy time series approach based on weights determined by the number of recurrences of fuzzy relations[J]. Swarm & Evolutionary Computation, 2014, 15:19-26.

[23] He C, Xu X. Combination of forecasts using self-organizing algorithms[J]. Journal of Forecasting, 2005, 24(4):269-278.

[24] Wong KKF, Song HY, Witt SF, et al. Tourism forecasting: to combine or not to combine?[J]. Tourism Management, 2007, 28(4):1068-1078.

[25] Andrawis R R, Atiya A F, El-Shishiny H. Combination of long term and short term forecasts, with application to tourism demand forecasting[J]. International Journal of Forecasting, 2011, 27(3):870- 886.

[26] 楊松華,張新育.非負(fù)變權(quán)組合預(yù)測的貝葉斯極大似然估計(jì)[J].預(yù)測,1999(4):58-59.

Yang S H, Zhang X Y. Bayesian Maximum Likelihood Estimation for Nonnegative Variable Weight-changing Combination Forecasting[J].Forecasting,1999(4):58-59.

[27] 陳華友.基于預(yù)測有效度的非負(fù)變權(quán)組合預(yù)測模型研究[J].運(yùn)籌與管理,2001, 10(1): 48-52.

Chen H Y.Research on Combination Forecasting Model with Non-negative and Time-variant Weights Based on Effective Measure of Forecasting Methods [J].Operations Research and Management Science, 2001, 10(1): 48-52

[28] 唐小我,王景.一種新的模糊自適應(yīng)變權(quán)重組合預(yù)測算法[J].電子科技大學(xué)學(xué)報(bào),1997, 26(3): 289-292.

Tang X W, Wang J. A New Fuzzy Adaptive Variable Weighting Algorithm for Combination Forecasting [J].Journal of University of Electronic Science and Technology of China,1997, 26(3): 289-292.

[29] Elliott G, Timmermann A. Optimal Forecast Combination Uder Regim Swiching[J]. International Economic Review, 2005, 46(4):1081–1102.

[30] 李美娟,陳國宏,林志炳.基于漂移度的組合預(yù)測方法研究[J].中國管理科學(xué),2011, 19(3): 111-117.

Lin M J, Chen G H, Lin Z B. A Combination Forecasting Model based on Drift[J].Chinese Journal of Management Science,2011, 19(3): 111-117.

Electronic products returns forecasting system based on a hybrid algorithm

XU Shuting, MIAO Zhaowei, TAN Zhe*, CAI Nengzhao, SHANGGUAN Lili

(School of Management, Xiamen University, Xiamen 361005, China)

The electronic products have special characteristics such as various categories, short lifecycle, and stochastic sales. It is becoming difficult for the third reverse service provider to forecast the quantity and quality of returns accurately because of the uncertainties of consuming circumstance, using habit and location of recovery, the reverse logistics of electronic products encounter the uncertainties of collecting quantity, collecting time and collecting quality. For the third reverse logistics service provider, improving the accuracy of returns forecasting is crucial to improve its operational efficiency and service quality.

In the numerical experiment, this paper collects the historical data of the quantities of the returns in a reverse logistics firm. At first, four forecasting models(GM(1,1)、RGM(1,1)、FTS、FTS_GM(1,1)) are used to make a forecast for one kind of electronic product in the firm respectively, and the results show that FTS_GM(1,1) performs the best. To examine the applicability of FTS_GM(1,1) for other products, five models (moving average model, GM(1,1), RGM(1,1), FTS, FTS_GM(1,1)) are used to make a forecast for all products in the firm respectively. The results also show that FTS_GM(1,1) performs the best in each indicator (MAD、MSE、MAPE) and there is still a lot of room for the performance improvement of moving average method applied in the firm due to the limitation of its management decision level. Also, it is not difficult to find from the comparison results that no method will always perform the best for all types of returns because the sequence of returns quantity is various in an uncertain system due to the complex and changeable situation in practice. Each forecasting model has its limitation, and a single model cannot be applied to all products.

Finally, this paper proposes the returns forecasting system prototype based on FTS_GM(1,1) supplemented with other forecasting models, which can examine the selected models in practice and match the best forecasting model, to improve forecasting performance for different products.

The reverse logistics service provider can improve forecasting performance by selecting the appropriate model in return forecasting system and reduce the risk of over or insufficient purchase of maintenance spare parts. By this way, the service provider will reduce the spare part inventory and accelerate responding speed to improve its operational efficiency and service quality.

Electronic product; Return forecasting; Hybrid algorithm; System prototype

2018-03-30

2018-10-18

Supported by the National Natural Science Foundation of China (71671151, 71371158, 71711530046)

F272

A

1004-6062(2020)01-0147-007

10.13587/j.cnki.jieem.2020.01.016

2018-03-30

2018-10-18

國家自然科學(xué)基金資助項(xiàng)目（71671151、71371158、71711530046）

檀哲（1990—），男，福建永泰縣人；廈門大學(xué)管理學(xué)院博士生；研究方向：供應(yīng)鏈管理。

中文編輯：杜 ?。挥⑽木庉嫞篊harlie C. Chen