基于遺傳算法和長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)組合模型的加油站銷量預(yù)測(cè)

潘詩(shī)元 易萬(wàn)里 李翔宇

（1.中國(guó)石油大學(xué)人工智能學(xué)院；2.中國(guó)人民大學(xué)統(tǒng)計(jì)學(xué)院；3.東北財(cái)經(jīng)大學(xué)統(tǒng)計(jì)學(xué)院）

成品油企業(yè)實(shí)現(xiàn)準(zhǔn)確的加油站銷量預(yù)測(cè)可支撐企業(yè)進(jìn)行準(zhǔn)確的庫(kù)存管理與配送計(jì)劃編制，具有重要意義。 在成品油二次物流運(yùn)輸中，需要對(duì)加油站的銷量進(jìn)行精準(zhǔn)預(yù)測(cè)，從而得到不同加油站的準(zhǔn)確需求，做出精確的調(diào)度，使企業(yè)運(yùn)行更加高效。 因此，加油站銷量預(yù)測(cè)是成品油二次物流運(yùn)輸中不可或缺的部分。

傳統(tǒng)的加油站銷量預(yù)測(cè)一般處理成時(shí)間序列預(yù)測(cè)問(wèn)題，但加油站銷量受很多因素影響且有諸多非線性特征，使得基于時(shí)間序列理論設(shè)計(jì)的銷量預(yù)測(cè)模型精度偏低。 目前的主流銷量預(yù)測(cè)方法主要有周平均、線性回歸、指數(shù)平滑、ARIMA、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。 由于技術(shù)的限制，現(xiàn)有加油站銷量預(yù)測(cè)多為利用周平均值或采用時(shí)間序列模型（如指數(shù)平滑模型）進(jìn)行預(yù)測(cè)。 李艷東等提出建立指數(shù)平滑模型對(duì)第2天的銷量進(jìn)行預(yù)測(cè)的時(shí)間序列模型，該模型目前用于一部分加油站銷量預(yù)測(cè)業(yè)務(wù)，模型預(yù)測(cè)速度快但精度較低［1］。張晨和邱彤提出一種基于決策樹(shù)集成模型的加油站銷量預(yù)測(cè)方法，利用積累的歷史銷售數(shù)據(jù)和相關(guān)特征數(shù)據(jù)進(jìn)行計(jì)算， 對(duì)加油站的銷量進(jìn)行預(yù)測(cè)，該模型由于樹(shù)模型難以避免過(guò)擬合，雖然在訓(xùn)練集測(cè)試時(shí)精確度較高但在測(cè)試集時(shí)精度較低［2］。唐靜等提出一種適應(yīng)度模型，用于遺傳算法參數(shù)尋優(yōu)，建立了基于遺傳算法的電路診斷模型參數(shù)閉環(huán)尋優(yōu)框架， 并分析參數(shù)搜索算法的收斂性，模型使用啟發(fā)式算法進(jìn)行參數(shù)調(diào)優(yōu)，對(duì)故障的識(shí)別效果會(huì)增強(qiáng)，誤分類率降低，同理可應(yīng)用于各種模型的超參數(shù)調(diào)優(yōu)，增加模型的精確性［3］。在國(guó)外的能源預(yù)測(cè)研究中，Laib O等使用LSTM模型通過(guò)電力市場(chǎng)、 當(dāng)?shù)靥鞖馀c日歷3個(gè)特征學(xué)習(xí)每小時(shí)時(shí)間序列數(shù)據(jù)的長(zhǎng)期關(guān)系，并對(duì)總電力系統(tǒng)電網(wǎng)損失進(jìn)行預(yù)測(cè)［4］。 Li W和Becker D M提出深度LSTM（DLSTM）模型，該方法在預(yù)測(cè)長(zhǎng)間隔時(shí)間序列數(shù)據(jù)集時(shí)通過(guò)疊加更多的LSTM層避免淺層神經(jīng)網(wǎng)絡(luò)架構(gòu)的局限性，并應(yīng)用遺傳算法優(yōu)化配置DLSTM的最佳架構(gòu)，最后將該模型與經(jīng)典模型進(jìn)行對(duì)比， 發(fā)現(xiàn)DLSTM模型均優(yōu)于其他模型［5］。Sagheer A和Kotb M使用LSTM模型預(yù)測(cè)阿爾及利亞國(guó)內(nèi)不同地區(qū)的天然氣消費(fèi)量，先對(duì)不同地區(qū)的消費(fèi)量進(jìn)行聚類以減少時(shí)間序列的非平穩(wěn)性，最后考慮歷史因素、氣象因素（如溫度、風(fēng)速、濕度和日照）以及經(jīng)濟(jì)因素（石油價(jià)格、客戶數(shù)量、GDP 和天然氣價(jià)格）并使用LSTM預(yù)測(cè)第2天的天然氣消耗量，最后以阿爾及利亞各地天然氣消費(fèi)量為案例證明了該方法的有效性［6］。Tulensalo J等提出基于LSTM的深度學(xué)習(xí)方法和特征選擇算法的混合模型進(jìn)行電價(jià)預(yù)測(cè)，先通過(guò)基于Shapley值的方法評(píng)估特征重要性，再使用LSTM模型進(jìn)行電價(jià)預(yù)測(cè)［7］。 由于銷量的時(shí)間序列具有較強(qiáng)的非線性特征，現(xiàn)有的模型存在精度較低的問(wèn)題。

目前，國(guó)內(nèi)加油站銷量預(yù)測(cè)大多使用時(shí)間序列模型（如指數(shù)平滑、ARIMA等），但在實(shí)際業(yè)務(wù)中，由于ARIMA的預(yù)測(cè)速度較慢，一般使用指數(shù)平滑模型進(jìn)行預(yù)測(cè)，而預(yù)測(cè)銷量曲線對(duì)于實(shí)際銷量曲線會(huì)有時(shí)間上的偏移，尤其在節(jié)假日前后偏移更為明顯，需要靠人工經(jīng)驗(yàn)進(jìn)行修正。 同時(shí)，時(shí)間序列模型只能進(jìn)行單變量預(yù)測(cè)，對(duì)于受多個(gè)因素影響的加油站銷量預(yù)測(cè)并不精確。

1 模型提出

文獻(xiàn)［2］提出加入其他特征變量（如星期、天氣及節(jié)假日等）， 并使用機(jī)器學(xué)習(xí)中的樹(shù)模型與集成學(xué)習(xí)的思想進(jìn)行多變量銷量預(yù)測(cè)，最后得到的結(jié)果中，訓(xùn)練集精度較高，但是測(cè)試集精確度并不理想。 究其原因，主要是用樹(shù)這種分類模型做回歸問(wèn)題難以避免過(guò)擬合。

而深度學(xué)習(xí)領(lǐng)域的長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM） 適用于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的重要事件［8］。同時(shí)，LSTM能進(jìn)行多特征回歸，也因?yàn)槠洫?dú)特的門控機(jī)制使其可自動(dòng)決定記憶或遺忘哪些信息，從而避免多余特征的影響或者因部分?jǐn)?shù)據(jù)噪聲而造成過(guò)擬合導(dǎo)致訓(xùn)練集精度不理想的情況。由于LSTM超參數(shù)較多， 人工調(diào)參一般難以獲得最優(yōu)參數(shù)，于是將LSTM模型的超參數(shù)作為種群輸入?yún)?shù)，將均方根誤差作為目標(biāo)函數(shù)，使用遺傳算法（GA）來(lái)自動(dòng)調(diào)參，從而將模型的準(zhǔn)確度做進(jìn)一步提升。

2 加油站銷量預(yù)測(cè)原理

2.1 LSTM

LSTM由循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）改進(jìn)而來(lái)。RNN會(huì)受到短時(shí)記憶的影響， 如果一條序列足夠長(zhǎng)，那它很難將信息從較早的時(shí)間步傳送到后面的時(shí)間步，所以RNN不適合長(zhǎng)時(shí)間序列的預(yù)測(cè)。 而LSTM很好地解決了RNN短時(shí)記憶的問(wèn)題，LSTM具有稱為門的內(nèi)部機(jī)制，門結(jié)構(gòu)在訓(xùn)練過(guò)程中會(huì)學(xué)習(xí)該保存或遺忘哪些信息，隨后，它可以沿著長(zhǎng)鏈序列傳遞相關(guān)信息以進(jìn)行預(yù)測(cè)。LSTM每個(gè)細(xì)胞單元的結(jié)構(gòu)如圖1所示。

圖1 LSTM每個(gè)細(xì)胞單元的結(jié)構(gòu)

LSTM一個(gè)細(xì)胞單元里包含遺忘門、輸入門和輸出門3種門結(jié)構(gòu)， 同時(shí)包含細(xì)胞狀態(tài)向量和隱藏層狀態(tài)兩種狀態(tài)，隱藏層狀態(tài)是最終網(wǎng)絡(luò)的輸出，而細(xì)胞狀態(tài)會(huì)參與隱藏層狀態(tài)的計(jì)算。

設(shè)t時(shí)刻輸入LSTM的向量xt=（x1，x2， …，xn），LSTM隱藏層狀態(tài)輸出ht=（h1，h2，…，hm），則每個(gè)細(xì)胞單元的計(jì)算流程如下：

其中，Wf、Wi、、WO為權(quán)重矩陣， 在訓(xùn)練過(guò)程中會(huì)自動(dòng)學(xué)習(xí)更新；bf、bi、、bO為偏移量。遺忘門輸出的向量ft與輸入門輸出的向量it分別通過(guò)Sigmoid函數(shù)將值調(diào)整到0～1；輸入門的輸出向量通過(guò)tanh函數(shù)將值調(diào)整到-1～1， 再將上一個(gè)細(xì)胞狀態(tài)向量與這3個(gè)向量相加乘， 得到此次細(xì)胞狀態(tài)向量Ct。 最后，通過(guò)輸出門的輸出向量Ot與細(xì)胞狀態(tài)向量Ct得到最終隱藏層狀態(tài)輸出ht。

2.2 詞嵌入

本項(xiàng)目加入的加油站銷量特征中含有文本類型特征，需將文本轉(zhuǎn)換為向量，再使用LSTM進(jìn)行預(yù)測(cè)。

2.2.1 One-hot編碼

One-hot編碼又稱一位有效編碼，主要是采用N位狀態(tài)寄存器對(duì)N個(gè)狀態(tài)進(jìn)行編碼，不同狀態(tài)的寄存器位置相互獨(dú)立，并且在任意時(shí)刻對(duì)同一狀態(tài)有且只有一個(gè)寄存器有效。

One-hot編碼是分類變量作為二進(jìn)制向量的表示。 本試驗(yàn)中將每個(gè)分類值映射到整數(shù)值。 然后，每個(gè)整數(shù)值被表示為二進(jìn)制向量，除了整數(shù)的索引之外， 其他都是零值。 如周一到周日的One-hot編碼分別是［1000000，0100000，0010000，0001000，0000100，0000010，0000001］。

One-hot編碼也是將文本轉(zhuǎn)換為向量的方法之一， 但是如果文本過(guò)長(zhǎng)，One-hot編碼就非常稀疏且不利于計(jì)算。

2.2.2 Embedding

Embedding的主要目的是對(duì)稀疏特征向量進(jìn)行降維， 通過(guò)Embedding層的權(quán)重矩陣計(jì)算來(lái)降低維度。 除此之外，Embedding矩陣給每個(gè)分類變量分配一個(gè)固定長(zhǎng)度的向量表示，這個(gè)長(zhǎng)度可以自行設(shè)定。

筆者處理文本的思路便是先將文本進(jìn)行One-hot編碼處理，再使用Embedding進(jìn)行降維，最終得到文本向量。

2.2.3 遺傳算法

遺傳算法起源于對(duì)生物系統(tǒng)進(jìn)行的計(jì)算機(jī)模擬研究［9］，是模仿生物界進(jìn)化機(jī)制而尋求問(wèn)題最優(yōu)解的高效、并行、全局搜索方法。 遺傳算法包括編碼、初始化種群、評(píng)估適應(yīng)度、判斷終止條件、選擇、交叉、變異和解碼步驟，其流程如圖2所示。

由于遺傳算法可擴(kuò)展性強(qiáng)，可將LSTM的每層細(xì)胞單元個(gè)數(shù)、 全連接層L2正則化權(quán)重參數(shù)、dropout參數(shù)、迭代次數(shù)、batch_size作為參數(shù)集合，將RMSE作為適應(yīng)度函數(shù)， 經(jīng)過(guò)遺傳算法的迭代來(lái)尋找LSTM模型的最優(yōu)超參數(shù)。 其中L2正則化參數(shù)為模型學(xué)習(xí)過(guò)程中的懲罰項(xiàng)，目的是防止模型過(guò)擬合；dropout是指在深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，對(duì)神經(jīng)網(wǎng)絡(luò)單元，按一定概率將其暫時(shí)從網(wǎng)絡(luò)中丟棄，dropout參數(shù)是丟棄的概率；batch_size是一次迭代訓(xùn)練選取的樣本數(shù)；RMSE是預(yù)測(cè)值與真實(shí)值偏差的平方與觀測(cè)次數(shù)n′比值的平方根，是評(píng)價(jià)模型精度的指標(biāo)之一。

3 試驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)處理

3.1.1 特征提取

本項(xiàng)目選取的是昆明某加油站 （92#汽油）2019～2021年共計(jì)940日的數(shù)據(jù)，并在原始數(shù)據(jù)中添加“星期、溫度、天氣、節(jié)假日、油價(jià)”5個(gè)特征。對(duì)以上特征進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，結(jié)果如圖3～7所示（其中1 t的92#汽油為1 379 L）。

圖3 星期與銷量

圖3對(duì)每周周一到周日所有銷量加和取平均，可以看出，銷量在周一至周五呈上升趨勢(shì)，在周五達(dá)到峰值，并在周六、周日有所下降，周日達(dá)到最低點(diǎn)。 加油站銷量與星期特征有較強(qiáng)的相關(guān)性。

圖4對(duì)相同溫度取平均值來(lái)觀察溫度對(duì)銷量的影響。 由于地域關(guān)系，昆明的溫度波動(dòng)范圍在1.5～25.0 ℃，極少出現(xiàn)低溫或高溫情況。 從圖4可以看出，銷量與溫度特征的相關(guān)性較小。

圖4 溫度與銷量

圖5對(duì)相同天氣情況取平均值來(lái)觀察天氣對(duì)銷量的影響。 因地域關(guān)系，昆明當(dāng)?shù)氐奶鞖夥N類包含不完全，但是仍然可以看出，暴雨等惡劣天氣對(duì)于銷量影響較大。

圖5 天氣與銷量

圖6對(duì)相同油價(jià)取平均值來(lái)觀察油價(jià)對(duì)銷量的影響。 雖然油價(jià)受到了部分特殊因素的影響，但是仍然可從圖中得出，隨著油價(jià)上漲，銷量呈現(xiàn)略微下降的趨勢(shì)，說(shuō)明加油站銷量與油價(jià)特征有一定的相關(guān)性。

圖6 油價(jià)與銷量

圖7對(duì)節(jié)假日以及節(jié)假日前一天取平均值來(lái)觀察節(jié)假日對(duì)銷量的影響。 通過(guò)對(duì)比發(fā)現(xiàn)，節(jié)假日前銷量會(huì)高于平時(shí)銷量，節(jié)假日期間（除春節(jié)）銷量略高于平常， 春節(jié)期間銷量則遠(yuǎn)低于平常，說(shuō)明加油站銷量與節(jié)假日特征有較強(qiáng)的相關(guān)性。

圖7 節(jié)假日與銷量

3.1.2 特征篩選

由于考慮到所增加的特征可能與銷量并沒(méi)有太大的關(guān)聯(lián)性，于是將這些特征通過(guò)隨機(jī)森林［10］評(píng)估其特征重要性。

使用隨機(jī)森林進(jìn)行特征重要性評(píng)估，即計(jì)算隨機(jī)森林中的每棵樹(shù)特征重要性評(píng)分并取平均值。 通常可以用基尼指數(shù)作為評(píng)價(jià)指標(biāo)來(lái)衡量。

其中，K表示隨機(jī)森林有|K|個(gè)類別，pmk′表示節(jié)點(diǎn)m中類別k′所占的比例，pmk表示節(jié)點(diǎn)m中類別k所占的比例。

特征Xj在節(jié)點(diǎn)m的重要性， 即節(jié)點(diǎn)m分支前、后的基尼指數(shù)評(píng)分變?yōu)椋?/p>

其中，GIl和GIr分別表示分支后兩個(gè)新節(jié)點(diǎn)的基尼指數(shù)。

假設(shè)特征Xj在決策樹(shù)i中出現(xiàn)的節(jié)點(diǎn)為集合M，那么特征Xj在第i棵樹(shù)的重要性為：

假設(shè)隨機(jī)森林中共有n棵樹(shù)，則：

最后，把求得的重要性評(píng)分做歸一化：

溫度、星期、天氣、油價(jià)、節(jié)假日通過(guò)隨機(jī)森林得到的特征重要性評(píng)分如圖8所示，可以看出，天氣和溫度特征的重要性評(píng)分都較低，但是考慮到惡劣天氣對(duì)銷量的影響較大，僅把溫度特征刪除。 從客觀角度分析，之所以溫度對(duì)于銷量影響不大，其實(shí)是地域因素，即本項(xiàng)目預(yù)測(cè)的加油站地處昆明，溫度變化相對(duì)較小，如果要預(yù)測(cè)每年溫差較大的地區(qū)，溫度特征需保留。

圖8 隨機(jī)森林特征重要性評(píng)分

3.2 建模過(guò)程

本項(xiàng)目的建模流程如圖9所示。

圖9 建模流程

本項(xiàng)目原始數(shù)據(jù)為時(shí)間與銷量的時(shí)間序列數(shù)據(jù)，建模過(guò)程如下：

a. 特征提取。加入溫度、天氣、油價(jià)、節(jié)假日、星期特征。

b. 特征篩選。通過(guò)隨機(jī)森林對(duì)擴(kuò)充特征進(jìn)行特征重要性評(píng)分，將溫度特征刪除。

c. 文本編碼。 對(duì)天氣和星期這兩個(gè)文本類特征進(jìn)行One-hot編碼； 再使用Embedding方法進(jìn)行降維，將星期從1×7維度的向量降維為1×1，將天氣從1×8維度的向量降維為1×3。

d. LSTM模型預(yù)測(cè)。 將處理完畢的數(shù)據(jù)放入LSTM模型進(jìn)行預(yù)測(cè)。

e. 遺傳算法調(diào)參。 將LSTM模型的超參數(shù)作為參數(shù)集合輸入遺傳算法， 并將RMSE作為目標(biāo)函數(shù)，通過(guò)遺傳算法得到最優(yōu)超參數(shù)。

f. 結(jié)果評(píng)估。 驗(yàn)證模型的準(zhǔn)確性。

3.3 結(jié)果分析

3.3.1 模型對(duì)比

先憑借經(jīng)驗(yàn)設(shè)置LSTM超參數(shù)，得到模型預(yù)測(cè)結(jié)果。 細(xì)胞單元個(gè)數(shù)設(shè)置為50，dropout參數(shù)設(shè)置為0.5，L2正則化權(quán)重參數(shù)設(shè)置為0.01， 迭代次數(shù)設(shè)置為600，batch_size設(shè)置為32。

再將LSTM中的超參數(shù)放入遺傳算法尋找最優(yōu)超參數(shù)。 超參數(shù)集合有：細(xì)胞單元個(gè)數(shù)、dropout參數(shù)、L2正則化權(quán)重、迭代次數(shù)、batch_size，目標(biāo)函數(shù)為RMSE。 使用遺傳算法對(duì)LSTM模型超參數(shù)進(jìn)行調(diào)參，設(shè)置的種群規(guī)模參數(shù)為15，最大進(jìn)化代數(shù)為15，差分進(jìn)化中的參數(shù)為0.5，重組概率為0.7，編碼方式為RI。 分別調(diào)用遺傳算法5次，得到的最優(yōu)參數(shù)見(jiàn)表1。

表1 遺傳算法最優(yōu)超參數(shù)結(jié)果

根據(jù)最后5個(gè)結(jié)果，最終選擇的細(xì)胞單元個(gè)數(shù)為140，dropout參數(shù)為0.550 0， 全連接層L2正則化權(quán)重為0.000 400，迭代次數(shù)為620，batch_size為80。

將遺傳算法得到的最優(yōu)參數(shù)作為L(zhǎng)STM模型的超參數(shù)， 同時(shí)將2019年1月至2021年7月共計(jì)940天的數(shù)據(jù)劃分訓(xùn)練集與測(cè)試集。 將2019年與2020年作為訓(xùn)練集訓(xùn)練，2021年作為測(cè)試集預(yù)測(cè)，并將結(jié)果與一次指數(shù)平滑進(jìn)行對(duì)比。

目前，成品油調(diào)度系統(tǒng)中使用的是一次指數(shù)平滑方法對(duì)加油站銷量進(jìn)行預(yù)測(cè)，此方法能夠較為有效地實(shí)現(xiàn)短期預(yù)測(cè)，但是其與真實(shí)值相比存在滯后，其計(jì)算式為：

其中，St為t期平滑值，α為平滑常數(shù)，yt為t期實(shí)際值，St-1為t-1期的預(yù)測(cè)值。

3.3.2 結(jié)果分析

分別采用GA-LSTM與一次指數(shù)平滑進(jìn)行預(yù)測(cè)，得到的結(jié)果見(jiàn)表2，預(yù)測(cè)圖像如圖10、11所示。可以看出，一次指數(shù)平滑模型存在預(yù)測(cè)滯后的問(wèn)題，尤其是在春節(jié)前后的時(shí)間段，銷量波動(dòng)劇烈，一次指數(shù)平滑模型預(yù)測(cè)滯后明顯，并且在測(cè)試集后半段預(yù)測(cè)一次指數(shù)平滑基本是一條直線。 而GA-LSTM的預(yù)測(cè)能較好地預(yù)測(cè)波峰和波谷，對(duì)于加油站銷量這種非線性特征明顯的數(shù)據(jù)也能有不錯(cuò)的預(yù)測(cè)效果。同時(shí)因?yàn)長(zhǎng)STM超參數(shù)較多的原因，使用遺傳算法對(duì)LSTM的超參數(shù)進(jìn)行調(diào)整，GA-LSTM模型比憑借經(jīng)驗(yàn)設(shè)置的LSTM模型精度提升了3%，RMSE下降了40 L/d，使得LSTM模型預(yù)測(cè)更加精確。

圖10 訓(xùn)練集與測(cè)試集預(yù)測(cè)圖像

表2 不同模型結(jié)果對(duì)比

圖11 測(cè)試集預(yù)測(cè)圖像

從數(shù)據(jù)分析，GA-LSTM的RMSE比一次指數(shù)平滑要小很多，并且準(zhǔn)確性提升了9%。同時(shí)，由于加入了節(jié)假日特征，GA-LSTM對(duì)于節(jié)假日前后銷量波動(dòng)比較劇烈的部分也較為敏感，能夠進(jìn)行有效預(yù)測(cè)。

4 結(jié)束語(yǔ)

提出基于GA-LSTM組合模型的加油站銷量預(yù)測(cè)模型， 在時(shí)間加銷量的原始數(shù)據(jù)上增加天氣、溫度、油價(jià)、星期、節(jié)假日特征來(lái)輔助預(yù)測(cè)，提升了預(yù)測(cè)精度，模型的準(zhǔn)確率保持在90%以上，精度也高于目前的成品油調(diào)度系統(tǒng)中運(yùn)用的一次指數(shù)平滑模型，并且該模型僅需訓(xùn)練一次，之后預(yù)測(cè)直接加載模型數(shù)據(jù)即可， 無(wú)需再次訓(xùn)練，具有實(shí)際落地應(yīng)用的良好前景。 模型的預(yù)測(cè)靈活性強(qiáng)， 可以通過(guò)前m天的數(shù)據(jù)預(yù)測(cè)后n天的數(shù)據(jù)，來(lái)滿足不同預(yù)測(cè)的需求。 該模型不僅適用于加油站銷量預(yù)測(cè)，還適用于其他受多種因素影響的銷量預(yù)測(cè)。

進(jìn)一步的探究為加入注意力機(jī)制和挖掘潛在影響銷量的特征。 將該模型配置在企業(yè)的成品油調(diào)度系統(tǒng)中，使得該預(yù)測(cè)模型能在企業(yè)系統(tǒng)中落地應(yīng)用。