基于組合模型的水產品冷鏈物流需求預測研究

摘" 要：為了推動水產品冷鏈物流行業(yè)高質量發(fā)展，對水產品冷鏈物流需求量的精準預測是實現(xiàn)水產品冷鏈行業(yè)快速發(fā)展和物流資源合理配置的基礎。針對目前冷鏈物流系統(tǒng)的復雜非線性，且統(tǒng)計數(shù)據樣本量少的特征，提出了一種基于BP神經網絡和支持向量機回歸的組合預測模型。文章從區(qū)域經濟、產品供給、冷鏈物流行業(yè)規(guī)模、社會四大維度選取10個指標構建影響因素指標體系，再結合各種預測方法的特點，選用BP-SVR組合預測模型。為驗證該組合模型的性能，以湖北省2002—2021的相關數(shù)據進行仿真預測。結果表明，該組合預測模型平均相對誤差僅為0.172，相比于單一的BP和SVR模型以及其他組合模型預測精度更高，因此使用BP-SVR組合預測模型能夠為湖北省未來水產品的需求量提供一定的參考價值。

關鍵詞：水產品；冷鏈物流；需求預測；BP-SVR組合模型

" 中圖分類號：F274" " 文獻標志碼：A" " DOI：10.13714/j.cnki.1002-3100.2024.15.037

Abstract： In order to promote the high-quality development of aquatic products cold chain logistics industry， accurate prediction of aquatic products cold chain logistics demand is the basis for realizing the rapid development of aquatic products cold chain industry and rational allocation of logistics resources. Aiming at the complex nonlinearity of the current cold chain logistics system and the small sample size of statistical data， a combined prediction model based on BP neural network and support vector machine regression is proposed. In this paper， ten indicators are selected from the four dimensions of regional economy， product supply， cold chain logistics industry scale， and society to construct the index system of influencing factors， and then combined with the characteristics of various prediction methods， the BP-SVR combined prediction model is selected. In order to verify the performance of the combined model， simulation prediction is carried out with the relevant data of Hubei Province from 2002 to 2021. The results show that the average relative error of the combined prediction model is only 0.172， which is higher than that of the single BP and SVR model and other combined models， so the use of the BP-SVR combined prediction model can provide a certain reference value for the future demand of aquatic products in Hubei Province.

Key words： aquatic products; cold chain logistics; demand forecast; BP-SVR combination model

0" 引" 言

水產品是冷鏈物流運輸重要對象之一。隨著居民對水產品需求量的增加，也給水產品冷鏈物流行業(yè)帶來了諸多挑戰(zhàn)。目前水產品冷鏈物流發(fā)展面臨著流通率低，運輸途中損耗高[1]等問題，為了加快水產品冷鏈物流的發(fā)展和保證水產品行業(yè)的供需平衡，對水產品冷鏈物流需求預測尤為重要。目前用于水產品冷鏈物流需求預測方法有灰色預測、BP神經網絡等[2-3]。但水產品冷鏈物流系統(tǒng)是一個復雜的非線性系統(tǒng)，水產品冷鏈物流的需求量往往受多重因素的影響。過往研究只用單一的預測模型進行研究，不能夠充分挖掘原始數(shù)據之間的潛在規(guī)律，存在一定的局限性，并未針對單一模型的預測優(yōu)缺點進行組合創(chuàng)新，而組合模型在其他領域已經表現(xiàn)出較好的優(yōu)越性[4-5]。

" 目前的需求預測方法上可以大致分為傳統(tǒng)的統(tǒng)計模型和機器學習模型兩大類[6]。傳統(tǒng)的統(tǒng)計模型結構簡單，無法挖掘數(shù)據之間的潛在規(guī)律，而機器學習恰恰能夠彌補以往方法的不足。因此基于過往研究的啟發(fā)，采用一種殘差優(yōu)化的BP-SVR組合模型對水產品冷鏈物流的需求量進行預測，首先BP神經網絡能夠通過強大的學習能力挖掘非線性數(shù)據之間的規(guī)律，再利用SVR模型對重構的殘差序列進行處理[7]。

1" 相關方法

1.1" 灰色關聯(lián)度

" 灰色關聯(lián)度方法是用來分析系統(tǒng)內各個要素之間相關程度的方法。其基本思想是通過預測指標數(shù)列與其他影響因素數(shù)列之間曲線的相似程度，用關聯(lián)度來判定各個要素之間關系是否密切，其計算公式如下：

2" 實證研究

2.1" 指標選取和數(shù)據完備化

" 本文選取湖北省2002到2021年相關數(shù)據來進行水產品冷鏈物流需求預測。根據供需關系，預測指標選取湖北省居民水產品的消費量（水產品的消費量Y=城鎮(zhèn)常住人口*城鎮(zhèn)水產品人均消費量+農村常住人口*農村水產品人均消費量）[11]，影響需求量因素主要劃分為4類：區(qū)域經濟因素、供給因素、冷鏈物流技術因素和社會因素，具體如表1所示：

" 本文數(shù)據收集均來源于湖北省統(tǒng)計年鑒、中國漁業(yè)年鑒以及中國互聯(lián)網絡信息中心。其中互聯(lián)網普及率部分年份數(shù)據缺失以年平均增長率的方式進行填補，城鎮(zhèn)水產品人均消費量部分年份數(shù)據的缺失采取其與城鎮(zhèn)人口進行最小二乘法擬合的方式進行填補，經檢驗擬合誤差為0.22，效果良好，各指標統(tǒng)計數(shù)據如表2所示。

2.2" 關聯(lián)度分析

" 由于各個指標之間的計量單位和數(shù)量級不同，為了減小誤差，采用最大最小值化方式對數(shù)據進行預處理，把各項數(shù)據轉化到0，1之間，轉化公式為：

對數(shù)據進行預處理后，用灰色關聯(lián)度法分析預測指標和各個影響因素的相關性，分析結果如表3所示。結果顯示水產品需求量與10個影響因素的相關系數(shù)均大于0.8，判定具有強相關性。

2.3" 組合預測模型構建

組合預測思想是讓每個單一模型充分發(fā)揮各自優(yōu)勢，以提高預測精度[12]。目前使用較多的組合方式是修正單一模型的預測結果[13]，另外組合模型的效果好壞也由數(shù)據的類型和樣本大小來決定的。由于水產品冷鏈物流需求量具有隨機性和時變性的特點，本文將BP神經網絡和SVR兩種機器學習模型進行組合，以發(fā)揮組合模型的優(yōu)勢。BP神經網絡在對原始數(shù)據進行預測時，在訓練時實際值與預測值兩者之間會產生一定的偏差[7]，針對產生的偏差值，再采用SVR模型對殘差序列進行訓練，利用SVR模型對BP神經網絡產生的誤差進行修正，預測的效果會更好，圖2是BP-SVR模型建模流程圖。

基于BP-SVR組合預測建模流程：

3" 實驗結果

3.1" BP神經網絡預測模型

通過使用Python軟件，調用Sklearn模型庫中的BP神經網絡模型進行訓練，在不斷調試后選擇relu作為激活函數(shù)，訓練精度為0.001。由于水產品冷鏈物流需求受10個因素的影響，因此輸入層結點為10，輸出層節(jié)點數(shù)為1，經調試，隱含層神經元為8個時，訓練效果最佳。數(shù)據集一般按照7∶3的比例進行劃分，本文選前15年的數(shù)據作為訓練集，后5年作為是驗證集。經過反復的訓練模型，當訓練次數(shù)達到100時，誤差幾乎下降到最小。將后5年的數(shù)據輸入訓練好的BP神經網絡模型中，得到2017—2021年4年水產品需求量的預測值，從驗證集的擬合曲線可以看到兩者變化趨勢一致，但預測值總是小于真實值，存在一定的滯后性。

3.2" 支持向量回歸預測模型

同樣還是使用Python軟件，首先調用Sklearn模型庫中的SVR預測模型，用SVR模型對重構的殘差序列進行訓練尋優(yōu)，核函數(shù)為高斯徑向基函數(shù)，確定SVR模型中的最優(yōu)懲罰因子和容忍因子，圖5為測試樣本的誤差變化曲線。

3.3" BP-SVR組合預測結果對比

通過上述SVR模型對誤差進行訓練后，把誤差值加到真實值進行殘差修正，得到BP-SVR預測結果，圖6是BP-SVR組合模型擬合圖，可以看到通過SVR模型進行誤差修正后[15]，兩者變化的趨勢不僅保持一致，且預測結果更加接近真實值。

為了驗證模型的有效性，將GM模型、BP和SVR模型作為對照組進行模型評價。其中GM模型使用SPSSPRO軟件進行預測，從表4中4項指標中，在單一模型預測中，雖然GM的模型優(yōu)于BP模型，但GM模型只能預測相關影響因素未來變化趨勢，不能挖掘相關因素和需求量之間的規(guī)律。最終，通過實驗證明，BP-SVR模型的4項誤差評價指標均小于其他對照組的模型，其中平均絕對誤差降低了0.56～0.61。這是因為在訓練主體部分的殘差時，針對這一非線性且無規(guī)律樣本時，發(fā)現(xiàn)SVR模型的預測效果要優(yōu)于其他模型，且BP神經網絡模型能夠把需求量的影響因素考慮進去，所以BP-SVR這一組合模型更適合水產品需求量的預測。

3.4" 湖北省未來5年的水產品冷鏈物流需求預測

使用構建好的BP-SVR組合模型對湖北省未來5年水產品需求量進行預測，首先要預測其影響因素的數(shù)據作為輸入變量。在這里采用兩階段預測，第一階段先用GM模型對其影響因素進行趨勢預測，第二階段將前20年的歷史數(shù)據放入訓練好的BP-SVR模型進行預測，可得到未來5年的水產品需求量。結果如表5所示，可以看到在經濟保持相對穩(wěn)定的前提下，湖北省未來幾年的水產品冷鏈需求量仍會繼續(xù)增長，為了保持水產品冷鏈健康有序發(fā)展，需要加大當?shù)乩鋷斓然A設施的建設[15]，進一步優(yōu)化和整合冷鏈物流現(xiàn)有的資源，減少運輸途中水產品的流通損耗，以實現(xiàn)物流行業(yè)降本增效的目標。

4" 結論與展望

" 水產品冷鏈物流需求量預測是受外界多種因素影響的系統(tǒng)，對其需求量進行有效預測，不僅可以為相關企業(yè)、政府制定發(fā)展戰(zhàn)略提供有效的數(shù)據依據，且對當?shù)刂卮罄滏溛锪髟O施樞紐和鐵路冷藏運輸進行合理的布局和統(tǒng)籌規(guī)劃提供可靠性的數(shù)據。本文在BP神經網絡模型基礎上運用灰色關聯(lián)度選取對需求量影響較大的因素作為輸入變量，構建SVR模型對BP神經網絡模型進行誤差修正，根據誤差性能指標結果可知，BP-SVR模型的精度均比單一模型精度高。因此BP-SVR組合模型可有效用于水產品的需求預測中，后續(xù)研究可以通過增加新的影響因素指標和別的模型對比來探究新方法。

參考文獻：

[1] 謝晶，譚明堂，楊大章，等. 我國漁業(yè)倉儲保鮮和冷鏈物流發(fā)展現(xiàn)狀[J]. 包裝工程，2021，42（11）：1-10.

[2] 李偉瑩，于洋. 基于灰色預測模型的我國水產品冷鏈物流需求預測[J]. 農技服務，2019，36（6）：103-105，107.

[3] 劉艷利，伍大清. 基于改進BP神經網絡的水產品冷鏈物流需求預測研究——以浙江省為例[J]. 中國漁業(yè)經濟，2020，38（5）：93-101.

[4] 于洋，王關，賈智旗，等. 基于RBF-SVR組合模型的切削力預測[J]. 工具技術，2022，56（8）：92-96.

[5] 王鵬飛. 基于GM-RBF組合模型的高路塹邊坡穩(wěn)定性預測研究[J]. 建筑結構，2021，51（20）：140-145.

[6] 冉茂亮，陳彥如，楊新彪. 基于EEMD-LMD-LSTM-LEC深度學習模型的短時物流需求預測[J]. 控制與決策，2022，37（10）：2513-2523.

[7] 王博文，王景升，朱茵，等. 基于ARMA-SVR的短時交通流量預測模型研究[J]. 公路交通科技，2021，38（11）：126-133.

[8]" ZHANG Y. Application of improved BP neural network based on e-commerce supply chain network data in the forecast of aquatic product export volume[J]. Cognitive Systems Research， 2019，57：228-235.

[9]" PANAHI M， SADHASIVAM N， POURGHASEMI H R， et al. Spatial prediction of groundwater potential mapping based on convolutional neural network （CNN） and support vector regression （SVR）[J]. Journal of Hydrology， 2020，588：125033.

[10] 耿立艷，張占福. 物流需求預測方法研究進展[J]. 物流技術，2020，39（1）：1-5，27.

[11] 呂靖，陳宇姝. 大連水產品冷鏈物流需求影響因素分析及其預測[J]. 數(shù)學的實踐與認識，2020，50（15）：72-80.

[12] 王向前，吳東隆，鄭健彤. 貨物吞吐量預測的改進ARIMAX方法——以天津港為例[J]. 運籌與管理，2022，31（3）：138-144.

[13] 熊紅林，冀和，樊重俊，等. 基于LSTM-SVR模型的航空旅客出行指數(shù)預測[J]. 系統(tǒng)管理學報，2020，29（6）：1169-1176.

[14] 肖進，文章，劉博，等. 基于選擇性深度集成的集裝箱吞吐量混合預測模型研究[J]. 系統(tǒng)工程理論與實踐，2022，42（4）：1107

-1128.

[15] 崔忠付. 點面結合精準施策 邁向“十四五”新征程——解讀《“十四五”冷鏈物流發(fā)展規(guī)劃》[J]. 中國物流與采購，2022（1）：24-26.

收稿日期：2023-07-28

作者簡介：吳夢為（1999—），女，河南信陽人，武漢科技大學管理學院碩士研究生，研究方向：需求預測、機器學習；張" 洪（1981—），本文通信作者，女，湖北洪湖人，武漢科技大學管理學院，副教授，博士生導師，研究方向：價值共創(chuàng)、社會化商務、電子商務和用戶行為。

引文格式：吳夢為，張洪. 基于組合模型的水產品冷鏈物流需求預測研究[J]. 物流科技，2024，47（15）：151-155.