基于組合模型的某農(nóng)場(chǎng)電商生鮮農(nóng)產(chǎn)品需求預(yù)測(cè)研究

馬佳玉，孫宗軍 MA Jiayu, SUN Zongjun

（1. 西安汽車(chē)職業(yè)大學(xué)，陜西 臨潼 710038；2. 山東科技大學(xué)，山東 青島 266590）

0 引 言

隨著國(guó)民經(jīng)濟(jì)的迅猛發(fā)展，生鮮農(nóng)產(chǎn)品市場(chǎng)規(guī)模也日益擴(kuò)大，數(shù)據(jù)資料[1]顯示肉類(lèi)、水產(chǎn)品、水果、奶類(lèi)及蛋禽類(lèi)總產(chǎn)量由2007 年的4 065.9 萬(wàn)t 增加到2018 年的47 075.8 萬(wàn)t，蔬菜產(chǎn)量由2007 年的15 615 千hm增加到2018 年的20 439 千hm。面對(duì)日益復(fù)雜的生鮮農(nóng)產(chǎn)品的供需現(xiàn)狀，如何準(zhǔn)確把握生鮮農(nóng)產(chǎn)品的發(fā)展方向與增長(zhǎng)趨勢(shì)，已經(jīng)成為困擾農(nóng)產(chǎn)品經(jīng)營(yíng)企業(yè)發(fā)展的難題。

現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、趨勢(shì)外推法、多元線(xiàn)性回歸模型、灰色模型、時(shí)間序列模型、支持向量機(jī)[等單一預(yù)測(cè)模型都難以消除自身的缺陷，應(yīng)用于需求量短期精準(zhǔn)預(yù)測(cè)時(shí)往往誤差較大。將多個(gè)單一預(yù)測(cè)模型進(jìn)行科學(xué)組合，可以有效克服單一預(yù)測(cè)方法局限，因而組合預(yù)測(cè)模型在需求預(yù)測(cè)中預(yù)測(cè)結(jié)果精度更高。曹霜通過(guò)建立小波分析下的SVMARIMA 組合模型，并提取4 個(gè)影響變化趨勢(shì)的影響因素對(duì)農(nóng)產(chǎn)品價(jià)格進(jìn)行了預(yù)測(cè)；黃凱提出了基于GM 模型、BP 神經(jīng)網(wǎng)絡(luò)和RBF 神經(jīng)網(wǎng)絡(luò)的生鮮農(nóng)產(chǎn)品冷鏈物流需求組合預(yù)測(cè)模型，對(duì)我國(guó)2018～2022 年的生鮮農(nóng)產(chǎn)品冷鏈物流需求量進(jìn)行了預(yù)測(cè)；崔毅充分發(fā)揮灰色理論和馬爾科夫鏈的自身優(yōu)勢(shì)，構(gòu)建了灰色馬爾科夫預(yù)測(cè)模型，預(yù)測(cè)了青島市2018～2024 年的冷鏈物流需求，為青島未來(lái)冷鏈物流的發(fā)展提供參考。

本文基于Sharply 值權(quán)重分配法構(gòu)建了ARIMA-SVM 組合預(yù)測(cè)模型，應(yīng)用于青島某農(nóng)場(chǎng)生鮮農(nóng)產(chǎn)品的需求量預(yù)測(cè)，并采用RMSE、MAE 和MAPE 對(duì)ARIMA 模型、SVM 模型及ARIMA-SVM 組合模型的預(yù)測(cè)精度準(zhǔn)確進(jìn)行評(píng)判，預(yù)測(cè)模型及結(jié)果可為農(nóng)產(chǎn)品經(jīng)營(yíng)企業(yè)生鮮農(nóng)產(chǎn)品生產(chǎn)規(guī)劃提供理論指導(dǎo)。

1 相關(guān)模型

1.1 ARIMA 模型。ARIMA 模型即為差分自回歸移動(dòng)平均模型，是一種可以用于時(shí)間序列數(shù)據(jù)的預(yù)測(cè)方法，ARIMA 模型的控制主要通過(guò)自回歸系數(shù)p、移動(dòng)平均項(xiàng)數(shù)q 及平穩(wěn)序列差分次數(shù)d 實(shí)現(xiàn)。ARIMAp,q,d )表達(dá)式如式（1） 所示。

式中：y^為組合預(yù)測(cè)值；λ為ARIMA 模型在組合預(yù)測(cè)模型中占比；λ為SVM 模型在組合預(yù)測(cè)模型中占比；y^為ARIMA模型的預(yù)測(cè)值；y^為SVM 模型的預(yù)測(cè)值。

2 農(nóng)場(chǎng)電商生鮮農(nóng)產(chǎn)品需求量預(yù)測(cè)指標(biāo)體系

從青島市某農(nóng)場(chǎng)電商生鮮農(nóng)產(chǎn)品的供給狀況、社會(huì)經(jīng)濟(jì)環(huán)境、人文因素、載運(yùn)情況、線(xiàn)上影響5 個(gè)角度選取影響因素。對(duì)選取影響指標(biāo)進(jìn)行收集整理，得到物流需求量指標(biāo)體系如表1 所示：

表1 生鮮農(nóng)產(chǎn)品需求量指標(biāo)體系表

3 某農(nóng)場(chǎng)生鮮農(nóng)產(chǎn)品需求預(yù)測(cè)分析

3.1 組合模型參數(shù)確定。本文選取了ARIMA 模型以及SVM 模型進(jìn)行Sharply 值組合，兩種模型的權(quán)重分別在1/2 附近，為保證組合預(yù)測(cè)模型預(yù)測(cè)效果的準(zhǔn)確性，需要進(jìn)行統(tǒng)計(jì)學(xué)分析，結(jié)果如表2 所示：

表2 單一預(yù)測(cè)模型權(quán)重分配統(tǒng)計(jì)結(jié)果

圖1 多種模型預(yù)測(cè)生鮮農(nóng)產(chǎn)品需求量擬合效果

選擇RMSE、MAE 以及MAPE 對(duì)三種預(yù)測(cè)模型的準(zhǔn)確性進(jìn)行評(píng)判，其中：RMSE 為均方根誤差，用來(lái)表征預(yù)測(cè)結(jié)果的離散程度，在進(jìn)行非線(xiàn)性擬合時(shí)RMSE 越小越好；MAE 為平均絕對(duì)誤差，對(duì)預(yù)測(cè)偏差直接計(jì)算平均，MAE 值越小則預(yù)測(cè)模型精確度越好；MAPE 為平均絕對(duì)百分誤差，MAPE 為0%是完美模型，MAPE 大于100%是劣質(zhì)模型。三種模型預(yù)測(cè)結(jié)果誤差分析如表3 所示。

表3 多種模型預(yù)測(cè)結(jié)果誤差表

對(duì)比三種預(yù)測(cè)模型的RMSE，組合預(yù)測(cè)模型預(yù)測(cè)精度最高，ARIMA 模型預(yù)測(cè)精度次之，SVM 模型預(yù)測(cè)結(jié)果存在局部較大偏差；對(duì)比三種預(yù)測(cè)模型的MAE，組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果更優(yōu)；對(duì)比三種預(yù)測(cè)模型的RMSE，組合模型、ARIMA 模型預(yù)測(cè)值較實(shí)際值分別偏離0.4%、0.9%，預(yù)測(cè)模型的預(yù)測(cè)結(jié)果可靠，SVM 模型預(yù)測(cè)值較實(shí)際值偏離2.1%，預(yù)測(cè)精度稍遜。因此，ARIMA 模型與SVM 模型在需求量預(yù)測(cè)整體趨勢(shì)上表現(xiàn)出良好的擬合優(yōu)度，但在部分區(qū)間內(nèi)需求量預(yù)測(cè)結(jié)果欠佳；Sharply 值組合預(yù)測(cè)模型兼顧ARIMA 模型與SVM 模型的優(yōu)勢(shì)，能夠完整、可靠地進(jìn)行生鮮農(nóng)產(chǎn)品需求量的預(yù)測(cè)。

提取農(nóng)場(chǎng)生鮮農(nóng)產(chǎn)品銷(xiāo)售數(shù)據(jù)，選用ARIMA 模型、SVM 模型以及Sharply 值組合模型分別進(jìn)行2019 年第4 季度需求量預(yù)測(cè)，如表4 所示。結(jié)果表明，Sharply 值組合模型在短期預(yù)測(cè)中可以達(dá)到較好的預(yù)測(cè)效果，預(yù)測(cè)結(jié)果有較強(qiáng)的實(shí)際應(yīng)用價(jià)值和指導(dǎo)意義。

表4 2019 年第4 季度生鮮農(nóng)產(chǎn)品需求量預(yù)測(cè)

4 結(jié) 論

本文通過(guò)Sharply 值法構(gòu)建了ARIMA-SVM 組合模型，并基于A(yíng)RIMA 模型、SVM 模型以及Sharply 值組合模型進(jìn)行了某農(nóng)場(chǎng)電商生鮮農(nóng)產(chǎn)品的需求量預(yù)測(cè)，主要得出以下結(jié)論：（1） 在統(tǒng)計(jì)學(xué)分析的基礎(chǔ)上，確定了Sharply 值的ARIMA-SVM 組合模型為y^=0.5717y^+0.4282y^。（2） 需求量誤差分析結(jié)果顯示，ARIMA 模型與SVM 模型在需求量整體趨勢(shì)預(yù)測(cè)表現(xiàn)良好，但部分區(qū)間預(yù)測(cè)結(jié)果欠佳；Sharply 值組合預(yù)測(cè)模型顯著提高了預(yù)測(cè)精度，能夠完整、可靠地進(jìn)行生鮮農(nóng)產(chǎn)品需求量的預(yù)測(cè)。（3）Sharply 值的組合模型對(duì)該農(nóng)場(chǎng)2019 年第4 季度需求量預(yù)測(cè)效果較為可靠，預(yù)測(cè)結(jié)果可以為農(nóng)場(chǎng)生鮮農(nóng)產(chǎn)品產(chǎn)銷(xiāo)提供理論指導(dǎo)。