摘要：由于近年來公共安全事故和自然災(zāi)害的頻發(fā)，應(yīng)急管理成為國內(nèi)外學(xué)者熱衷研究的一個問題；而應(yīng)急物資需求量的研究，關(guān)系到應(yīng)急物資的儲備規(guī)模、運輸調(diào)配和使用效益。本文首先對各類預(yù)測方法進行簡要概述，而后對國內(nèi)外應(yīng)急物資需求預(yù)測的研究方法研究現(xiàn)狀進行簡要介紹和分析，以期尋求一種精準(zhǔn)有效的預(yù)測方法，對應(yīng)急物資的需求量進行客觀有效的預(yù)測。

關(guān)鍵詞：應(yīng)急； 預(yù)測； 支持向量機； 人工神經(jīng)網(wǎng)絡(luò) ；案例推理法

一、引言

“預(yù)測”這一件事，從古到今都是人們苦苦追求與探索的話題：從“先知三日，富貴十年”到“凡事預(yù)則立，不預(yù)則廢”；從活躍在中國民間的算命先生，再到西方觀測星象的占卜師，無不寄予著世人對未知的好奇和對未來的向往。隨著科技進步與時代發(fā)展，特別是計算機技術(shù)的飛躍，給予人們更強大、更客觀的手段和方法進行預(yù)測。本文以應(yīng)急物資需求為背景，通過對各類預(yù)測方法的介紹和對比，為應(yīng)急物資的需求預(yù)測尋求最佳途徑。

二、預(yù)測方法分類及研究現(xiàn)狀

由于預(yù)測的對象、目標(biāo)、內(nèi)容和期限的不同，近幾十年來形成了多種多樣的預(yù)測方法。據(jù)不完全統(tǒng)計，目前世界上有近千種預(yù)測方法，其中較為成熟的有150多種，常用的有30多種，用得最為普遍的有10多種，但目前為止還沒有一個完整、統(tǒng)一、系統(tǒng)的分類體系。本文依照我國常用的分類方法，將預(yù)測方法分為定性分析和定量分析兩大類。

1. 定性分析預(yù)測法

定性分析預(yù)測法是指預(yù)測者根據(jù)歷史與現(xiàn)實的觀察資料，依賴個人或集體的經(jīng)驗及智慧，對未來的發(fā)展?fàn)顟B(tài)和趨勢做出判斷的預(yù)測方法。其主要方法包括專家意見法、頭腦風(fēng)暴法和德爾菲法等。定性預(yù)測的優(yōu)點在于，能夠較大程度地發(fā)揮人的主觀能動作用，簡單迅速，省時省力，具有較大的靈活性；同時它的缺點也是顯而易見的：由于它較為依賴于人的經(jīng)驗和主觀判斷能力，從而易受人的知識、經(jīng)驗和能力的多少大小的束縛和限制，尤其缺乏對事物發(fā)展作數(shù)量上的精確描述。因此，定性分析預(yù)測法在現(xiàn)代預(yù)測技術(shù)中逐漸淡出，定量分析預(yù)測法成為預(yù)測的主要手段。

2. 定量分析預(yù)測法

定量分析預(yù)測法主要依據(jù)調(diào)查研究所獲取的數(shù)據(jù)資料，運用統(tǒng)計方法和數(shù)學(xué)模型，近似地揭示預(yù)測對象及其影響因素的數(shù)量變動關(guān)系，建立對應(yīng)的預(yù)測模型，據(jù)此對預(yù)測目標(biāo)做出定量測算的預(yù)測方法。它通?？煞譃闀r間序列分析預(yù)測法和因果分析預(yù)測法。

（1）時間序列分析預(yù)測法

時間序列分析預(yù)測法是以連續(xù)性預(yù)測原理作指導(dǎo)，利用歷史觀察值形成的時間數(shù)列，對預(yù)測目標(biāo)未來狀態(tài)和發(fā)展趨勢做出定量判斷的預(yù)測方法。較為常用的時間序列分析預(yù)測法主要有指數(shù)平滑法（包括雙指數(shù)平滑、三次指數(shù)平滑和無季節(jié)指數(shù)平滑等）、移動平均法、ARIMA模型（也稱Box-Jenkins法）等。

（2）因果分析預(yù)測法

因果分析預(yù)測法是以因果性預(yù)測原理作指導(dǎo)，以分析預(yù)測目標(biāo)同其他相關(guān)事件及現(xiàn)象之間的因果聯(lián)系，對事件未來狀態(tài)與發(fā)展趨勢做出預(yù)測的定量分析方法。較為常用的主要有回歸分析預(yù)測法、計量經(jīng)濟模型預(yù)測法和投入——產(chǎn)出分析預(yù)測法等。隨著數(shù)學(xué)方法在計算機上的運用和實現(xiàn)，經(jīng)濟學(xué)的研究與數(shù)學(xué)和計算機科學(xué)的聯(lián)系更為緊密。近年來，許多人工智能預(yù)測模型層出不窮，極大豐富了預(yù)測的方法和手段。

三、應(yīng)急物資需求預(yù)測的研究現(xiàn)狀

應(yīng)急物資是指為應(yīng)對自然災(zāi)害、事故災(zāi)難、公共安全事件和社會安全等突發(fā)性公共事件應(yīng)急處置過程中所必需的保障性物資。應(yīng)急物資的需求是應(yīng)急物資保障的首要環(huán)節(jié)，它具有時間上和數(shù)量上的不確定性等特點。因此，做好應(yīng)急物資的需求預(yù)測有著重要的現(xiàn)實意義。就國內(nèi)目前的研究來看，主要體現(xiàn)在運用人工智能方法構(gòu)建預(yù)測模型，時下最流行、使用最廣泛的方法有CBR（案例推理法），ANN（神經(jīng)網(wǎng)絡(luò)模型），SVM（支持向量機模型）等。

1.案例推理法（CBR）

案例推理法（Case—Based Reasoning，簡稱CBR）最早是由耶魯大學(xué)Schank 教授在Dynamic Memory：A Theory of Reminding and Learning in Computers and People（1982）一文中提出的，它是人工智能領(lǐng)域的一項重要推理方法。國外自上世紀(jì) 8O 年代后期對 CBR 的理論和方法進行了系統(tǒng)研究，在通用問題求解、法律案例分析、設(shè)備故障診斷、輔助工程設(shè)計、輔助計劃制定等領(lǐng)域取得實用性成果[1]；國內(nèi)運用CBR方法對應(yīng)急物資需求進行預(yù)測，取得了一定的進展：傅志妍，陳堅[2]運用歐氏算法尋求最佳相似源案例，建立案例推理——關(guān)鍵因素模型對目標(biāo)案例進行需求預(yù)測，并通過實例驗證了模型的科學(xué)有效；王曉、莊亞明[3]將模糊集理論、神經(jīng)網(wǎng)絡(luò)Hebb學(xué)習(xí)規(guī)則和多元線性回歸與案例推理法相結(jié)合，較為準(zhǔn)確地預(yù)測出非常規(guī)突發(fā)事件的資源需求；Fu Deqiang[4]等人使用了一種基于案例推理和BP神經(jīng)網(wǎng)絡(luò)的精度預(yù)測法，同樣通過目標(biāo)案例證實了模型的可靠性。

雖然案例推理法出現(xiàn)的時間較早，且在各領(lǐng)域得到了廣泛的運用，但是這種預(yù)測方法有著較大的經(jīng)驗成分，且案例庫的建立是進行案例推理分析的首要步驟和困難之處。而目前對于案例庫的建立存在著數(shù)據(jù)不全，缺失以及無系統(tǒng)整理歸檔的問題。

2.人工神經(jīng)網(wǎng)絡(luò)（ANN）

人工神經(jīng)網(wǎng)絡(luò)最早是由Lapedes和Farber于1987年在《運用神經(jīng)網(wǎng)絡(luò)進行非線性信號處理：預(yù)測和系統(tǒng)模型》[5]一文中提出并使用的，他們用非線性神經(jīng)網(wǎng)絡(luò)對計算機生成的時間序列仿真數(shù)據(jù)進行訓(xùn)練和預(yù)測。王其文[6]等人和Chin Kuo[7]等分別通過對神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)回歸預(yù)測方法的比較，證明了神經(jīng)網(wǎng)絡(luò)在預(yù)測中的優(yōu)越性。

對于神經(jīng)網(wǎng)絡(luò)在應(yīng)急物資需求預(yù)測中的使用，國內(nèi)相關(guān)文獻較少。筆者認(rèn)為具有啟發(fā)性的是在《大型地震應(yīng)急物資需求預(yù)測方法研究》[8]一文中，郭金芬和周剛先利用 BP 神經(jīng)網(wǎng)絡(luò)算法對災(zāi)后人員傷亡人數(shù)進行預(yù)測，然后結(jié)合庫存管理知識估算出災(zāi)區(qū)應(yīng)急物資的需求量；隨后，郭在其碩士論文中對該問題做出較為系統(tǒng)的研究[9]。而神經(jīng)網(wǎng)絡(luò)在物流需求預(yù)測中的運用，對應(yīng)急物資需求預(yù)測是同樣具有借鑒意義的：后銳、張畢西[10]提出基于MLP 神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測模型，揭示了區(qū)域經(jīng)濟與區(qū)域物流需求之間的非線性映射關(guān)系， 為區(qū)域物流需求預(yù)測提供了一種新思路和新方法；苗鑫[11]等人用擴展卡爾曼濾波和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的復(fù)合算法對物流需求進行預(yù)測，并在與常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測誤差比較中，顯示出其較高的可靠性；牛忠遠(yuǎn)[12]依據(jù)物流需求的時間序列統(tǒng)計數(shù)據(jù)，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)多步預(yù)測和滾動預(yù)測方法建立預(yù)測模型，對我國物流需求進行實證分析研究。

3. 支持向量機（SVM）

支持向量機是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋求最佳折衷，以求獲得最好推廣能力的一種方法。它是由Vapnik等人于1995年提出的[13][14]，現(xiàn)已廣泛地應(yīng)用于模式識別、語音識別、時間序列分析、生物信息學(xué)及經(jīng)濟學(xué)等領(lǐng)域。

支持向量機在應(yīng)急物資和物流需求預(yù)測中的研究，國內(nèi)文獻一般集中在以下幾個方面：趙一兵[15]等人運用支持向量機回歸算法建立了地震中人員傷亡預(yù)測模型，而后結(jié)合庫存管理模型對應(yīng)急物資進行了估算，并在實例中驗證了模型的有效性；吳潔明[16]等運用支持向量機對歷史物流需求量的數(shù)據(jù)進行學(xué)習(xí)，而后通過粒子群算法獲得模型最優(yōu)參數(shù)對物流需求進行預(yù)測；何滿輝[17]等針對支持向量機在處理數(shù)據(jù)時無法將數(shù)據(jù)簡化的問題，提出了基于模糊粗糙集與支持向量機的區(qū)域物流量預(yù)測方法；朱莎[18]提出了基于小波分析和支持向量機的組合預(yù)測方法，建立了針對緊急救援階段和后續(xù)救援階段的血液需求預(yù)測模型，并在汶川地震的案例中體現(xiàn)出該模型較高的精度。

從以上文獻中我們可以發(fā)現(xiàn)，案例推理法，人工神經(jīng)網(wǎng)絡(luò)和支持向量機的應(yīng)用，都體現(xiàn)出跨學(xué)科，跨專業(yè)的特點，它們將生物學(xué)或計算機科學(xué)等自然科學(xué)的研究方法推廣到經(jīng)濟管理等社會科學(xué)中，并很好地解決了現(xiàn)實問題。

四、結(jié)束語

本文首先通過對現(xiàn)有預(yù)測方法的簡要介紹，提出運用近年來興起的人工智能方法對預(yù)測問題的研究；而后從應(yīng)急物資需求的視角出發(fā)，對國內(nèi)外解決應(yīng)急物資需求預(yù)測方法做出總結(jié)回顧。通過分析，筆者認(rèn)為支持向量機（SVM）更適合運用于對歷史數(shù)據(jù)較少或不全的應(yīng)急物資需求進行預(yù)測。下一步的工作將是對預(yù)測指標(biāo)的選取和影響因子的量化，以及對輸入SVM訓(xùn)練數(shù)據(jù)的處理，并在實例中驗證該預(yù)測方法的精確度和有效性。

參考文獻：

[1]侯玉梅，許成媛. 基于案例推理法研究綜述[J]. 燕山大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）， 2011， 12（4）： 102-108.

[2]傅志妍，陳堅.災(zāi)害應(yīng)急物資需求預(yù)測模型研究[J].物流科技，2009（10）：11-13.

[3]王曉，莊亞明.基于案例推理的非常規(guī)突發(fā)事件資源需求預(yù)測[J].西安電子科技大學(xué)學(xué)報，2010，12（7）：22-26.

[4]Fu Deqiang， Liu Yun， Li Changbing， Forecasting the Demand of Emergency Supplies： Based on the CBR Theory and BP Neural Network， Proceedings of the 8th International Conference on Innovation Management. Fukuoka， Japan， November， 2011.

[5]Lapedes A， Farber. Nonlinear signal processing using neural networks： prediction and system modeling [R]. Technical Report LA-UR-87-2662，Los Alamos National Laboratory. Los Alamos. NM，1987.

[6]王其文， 呂景峰， 劉廣靈等. 人工神經(jīng)網(wǎng)絡(luò)與線性回歸的比較[J]. 決策與決策支持系統(tǒng)， 1993， 3 （3） ： 205-210.

[7]Chin， Kuo， Arthur， Reitsch. Neural networks vs. conventional methods of forecasting， The Journal of Business Forecasting Methods Systems， Winter 1995/1996 17-22.

[8]郭金芬，周剛.大型地震應(yīng)急物資需求預(yù)測方法研究[J].價值工程，2011（22）.27-29.

[9]郭金芬.面向大型地震的應(yīng)急物資需求預(yù)測方法研究[D]. 天津：天津大學(xué)，2011.

[10]后銳，張畢西. 基于MLP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測方法及其應(yīng)用[J]. 系統(tǒng)工程理論與實踐，2005， 25（12）： 43-47.

[11]苗鑫，西寶，鄒慧敏. 物流需求的動態(tài)預(yù)測方法.哈爾濱工業(yè)大學(xué)學(xué)報[J]. 2008， 40（10）： 1613-1616.

[12]牛忠遠(yuǎn). 我國物流需求預(yù)測的神經(jīng)網(wǎng)絡(luò)模型和實證分析研究[D]. 浙江：浙江大學(xué)， 2006.

[13]VAPNIKV. The Nature of Statistical Learning Theory [M].New York ： Spring Verlag，1995.

[14]VAPNIKV，張學(xué)工譯.《統(tǒng)計學(xué)習(xí)理論的本質(zhì)》 [M]. 北京：清華大學(xué)出版社，2000.

[15]趙一兵，高虹霓，馮少博. 基于支持向量機回歸的應(yīng)急物資需求預(yù)測[J]. 2013， 30（8）： 408-412.

[16]吳潔明，李余琪，萬勵. 物流需求預(yù)測算法的仿真研究[J]. 2011， 28（9）： 246-249.

[17]何滿輝，逯林，劉拴宏. 基于模糊粗糙集與支持向量機的區(qū)域物流量預(yù)測[J]. 2012，12（3）：129-134.

[18]朱莎. 突發(fā)事件應(yīng)急血液需求預(yù)測研究[D]. 上海：上海交通大學(xué)，2013.

（作者通訊地址：武警后勤學(xué)院研究生管理大隊，天津 300309）