陳文沛 陳藝嫻

作者簡介：陳文沛（1973—），女，漢族，湖南岳陽人，教授，碩導(dǎo)，重慶郵電大學(xué)經(jīng)濟(jì)與管理學(xué)院，研究方向：市場(chǎng)營銷。

陳藝嫻（1990-），女，漢族，湖北孝感人，碩士研究生，重慶郵電大學(xué)經(jīng)濟(jì)與管理學(xué)院，研究方向：物流運(yùn)作管理。

摘要：當(dāng)今世界，突發(fā)事件時(shí)有發(fā)生，影響日益嚴(yán)重，對(duì)物資的運(yùn)輸及時(shí)性和數(shù)量準(zhǔn)確性的要求越來越高，使得應(yīng)急物資需求預(yù)測(cè)成為關(guān)鍵。本文從案例推理和數(shù)學(xué)模型兩個(gè)方面，概述了救災(zāi)應(yīng)急物資的需求預(yù)測(cè)方法。

關(guān)鍵詞：應(yīng)急物資；需求預(yù)測(cè)；案例推理；數(shù)學(xué)模型

就目前情況來看，與救災(zāi)應(yīng)急物資需求預(yù)測(cè)相關(guān)的還處于研究階段，國內(nèi)還處于起步階段，研究成果并不多?，F(xiàn)有的救災(zāi)應(yīng)急物資需求預(yù)測(cè)方法有2種：第一種是考慮關(guān)鍵因素，運(yùn)用案例推理（CBR，Case-Based Reasoning）的理論，在此過程中尋求最佳相似源案例從而進(jìn)行估算；第二種是運(yùn)用數(shù)學(xué)模型進(jìn)行估算。

一、案例推理

目前人工智能中，案例推理是一種比較新興的推理方法，它最早出現(xiàn)在一本叫做《Dynamic Memory》中，它是由美國耶魯大學(xué)Roger Schank教授1982年所作的。相似原理是其理論基礎(chǔ)。在進(jìn)行問題求解的過程中，因?yàn)橐郧坝蓄愃茊栴}，我們可以使用其中獲得的經(jīng)驗(yàn)和知識(shí)來進(jìn)行推理，然后分析出新舊情況之間的差異并對(duì)其做相應(yīng)的調(diào)整，從而得到解決新問題的方法，并在案例庫中加入新的案例，隨著案例庫中案例的增加，系統(tǒng)的“經(jīng)驗(yàn)”將會(huì)越來越豐富。首先對(duì)新問題的特征進(jìn)行詳細(xì)的描述，然后根據(jù)這些特征，從案例庫中檢索相似案例，比較舊案例與新問題的異同之外，對(duì)舊案例進(jìn)行調(diào)整，從而獲得新問題的解。這就是案例推理的核心思想。近年來，有學(xué)者運(yùn)用案例推理的思想方法研究應(yīng)急物資的需求預(yù)測(cè)。

王曉等[1]主要利用案例推理法進(jìn)行資源需求預(yù)測(cè)，同時(shí)將模糊集理論，神經(jīng)網(wǎng)絡(luò)與案例推理相結(jié)合，通過模糊化案例的屬性，以及利用神經(jīng)網(wǎng)絡(luò)對(duì)權(quán)值進(jìn)行訓(xùn)練調(diào)整，還將資源進(jìn)行了分類預(yù)測(cè)，改進(jìn)了以往算法的精確度，提高了非常規(guī)突發(fā)事件預(yù)測(cè)的效率和精度。在得出相似案例之后，根據(jù)多元回歸理論，對(duì)資源需求進(jìn)行了預(yù)測(cè)。

張曉磊等[2]利用模糊相似優(yōu)先比的算法，從源案例庫中尋找與目標(biāo)案例最佳相似的樣本案例，并通過最佳相似樣本案例的數(shù)據(jù)資料和規(guī)律，抽取主要因素，進(jìn)行目標(biāo)案例的需求預(yù)測(cè)。

王蘭英等[3]基于應(yīng)急物資需求預(yù)測(cè)的特點(diǎn)，引入直覺模糊集來描述案例的不精確屬性。在定義直覺模糊集的相似度基礎(chǔ)上，構(gòu)建了源案例的特征因素矩陣，提出了基于模糊案例推理的應(yīng)急物資需求預(yù)測(cè)模型，通過算例分析驗(yàn)證了該方法的有效性。

二、數(shù)學(xué)模型

近年來，學(xué)者運(yùn)用各種數(shù)學(xué)模型研究救災(zāi)應(yīng)急物資需求。有學(xué)者運(yùn)用具有較強(qiáng)的非線性逼近能力的神經(jīng)網(wǎng)絡(luò)研究應(yīng)急物資需求預(yù)測(cè)。而有些專家先運(yùn)用相關(guān)方法預(yù)測(cè)災(zāi)害中的受傷人數(shù)和死亡人數(shù)，再結(jié)合庫存管理知識(shí)構(gòu)建數(shù)學(xué)模型預(yù)測(cè)應(yīng)急物資需求量。也有學(xué)者運(yùn)用適用于小樣本的最小二乘支持向量機(jī)構(gòu)建模型預(yù)測(cè)應(yīng)急物資需求。還有學(xué)者運(yùn)用灰色系統(tǒng)模型預(yù)測(cè)應(yīng)急物資需求。

孫燕娜等[4]設(shè)計(jì)了一個(gè)需求概念模型，該模型是與醫(yī)療、食物或者日常用品等相關(guān)的。實(shí)際最小需求量與災(zāi)害等級(jí)、受災(zāi)面積、人口密度、每人每天對(duì)物資的需求量以及應(yīng)急救援的最少天數(shù)等相關(guān)，它們之間構(gòu)成了一個(gè)的函數(shù)。

郭金芬等[5]對(duì)災(zāi)后受傷人數(shù)和死亡人數(shù)進(jìn)行了預(yù)測(cè)，采用的是BP神經(jīng)網(wǎng)絡(luò)算法，然后算法與模型相結(jié)合，對(duì)災(zāi)區(qū)應(yīng)急物資的需求量進(jìn)行估算。

趙一兵等[6]先用支持向量機(jī)回歸算法建立了人員傷亡預(yù)測(cè)模型，該模型與庫存管理模型相結(jié)合，對(duì)應(yīng)急物資進(jìn)行了估算。

劉文博等[7]針對(duì)應(yīng)急物資需求量的預(yù)測(cè)問題，提出了一種改進(jìn)的加權(quán)最小二乘支持向量機(jī)的數(shù)據(jù)驅(qū)動(dòng)建模方法。在該方法中，各數(shù)據(jù)樣本的權(quán)重可以根據(jù)最小二乘支持向量機(jī)的學(xué)習(xí)結(jié)果進(jìn)行不斷的自適應(yīng)迭代修正，從而消除包含誤差的數(shù)據(jù)樣本對(duì)預(yù)測(cè)模型的影響。此外，還提出了一個(gè)遺傳算法優(yōu)化確定模型中的參數(shù)。

宋曉宇等[8]通過對(duì)原始數(shù)據(jù)序列進(jìn)行變換使其服從指數(shù)規(guī)律的方法改進(jìn)了傳統(tǒng) GM（1，1）模型，克服了其指數(shù)規(guī)律的不足，用改進(jìn)模型對(duì)應(yīng)急物資需求量進(jìn)行了預(yù)測(cè)。

王正新等[9]針對(duì)災(zāi)害應(yīng)急物資需求量時(shí)間序列的小樣本和振蕩性特征，基于Fourier-GM（1，1）模型，提出了相關(guān)的應(yīng)急物資需求量預(yù)測(cè)方法。該方法首先對(duì)給定的小樣本振蕩序列建立具有自適應(yīng)背景值的GM（1，1）模型，然后應(yīng)用Fourier級(jí)數(shù)描述模型殘差中所包含的周期性振蕩信息，進(jìn)而構(gòu)建Fourier-GM（1，1）模型。在此基礎(chǔ)上，利用遺傳算法在平均預(yù)測(cè)誤差最小化準(zhǔn)則下求解模型的最優(yōu)參數(shù)。

王正新等[10]針對(duì)現(xiàn)實(shí)世界廣泛存在的小樣本振蕩序列建模和預(yù)測(cè)問題，提出含有系統(tǒng)延遲和時(shí)變參數(shù)的振蕩型GM（1，1）冪模型，給出了最小二乘準(zhǔn)則下的兩級(jí)參數(shù)包計(jì)算公式，在此基礎(chǔ)上構(gòu)建非線性優(yōu)化模型以尋求最佳冪指數(shù)和時(shí)間作用參數(shù)，以此識(shí)別原始數(shù)據(jù)所蘊(yùn)含的振蕩特征.，并將該模型應(yīng)用于應(yīng)急資源需求預(yù)測(cè)。

曾波等[11]應(yīng)用灰色系統(tǒng)建模技術(shù)對(duì)灰色異構(gòu)數(shù)據(jù)預(yù)測(cè)建模方法展開研究，首先，基于“核”和“灰度”對(duì)灰色異構(gòu)數(shù)據(jù)進(jìn)行規(guī)范化處理；然后，建立灰色異構(gòu)數(shù)據(jù)“核”序列的 DGM（1，1）模型，并以“核”為基礎(chǔ)，根據(jù)灰度不減公理，以灰色異構(gòu)數(shù)據(jù)序列中最大灰度值所對(duì)應(yīng)的信息域作為預(yù)測(cè)結(jié)果的信息域，推導(dǎo)并構(gòu)建了灰色異構(gòu)數(shù)據(jù)預(yù)測(cè)模型；最后，將該模型應(yīng)用于某地震帳篷需求量的預(yù)測(cè)。

結(jié)論

不確定性、非例行性是突發(fā)事件的一些特點(diǎn)，而應(yīng)急物資的需求預(yù)測(cè)就是因?yàn)檫@些特點(diǎn)而增加了難度。雖然應(yīng)急物資具有社會(huì)性和弱經(jīng)濟(jì)性，但是提高對(duì)應(yīng)急物資需求預(yù)測(cè)的精度仍然具有重要的意義。專家學(xué)者還應(yīng)深入研究應(yīng)急物資需求預(yù)測(cè)方法，進(jìn)一步提高預(yù)測(cè)的精度。（作者單位：重慶郵電大學(xué)）

參考文獻(xiàn)：

[1]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(cè)[J].西安電子科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2010，04：22-26.

[2]張曉磊，楊西龍，展麗瀟.基于模糊相似推理的應(yīng)急物資需求預(yù)測(cè)模型研究[J].物流技術(shù)，2012，09：229-231.

[3]王蘭英，郭子雪，張玉芬，尚永勝，張露.基于直覺模糊案例推理的應(yīng)急物資需求預(yù)測(cè)模型[J].中國礦業(yè)大學(xué)學(xué)報(bào)，2015，04：775-780.

[4]孫燕娜，王玉海，廖建輝.救災(zāi)需求內(nèi)涵模式及其指標(biāo)體系與救助評(píng)估研究[J].經(jīng)濟(jì)與管理研究，2010，06：85-94.

[5]郭金芬，周剛.大型地震應(yīng)急物資需求預(yù)測(cè)方法研究[J].價(jià)值工程，2011，22：27-29.

[6]趙一兵，高虹霓，馮少博.基于支持向量機(jī)回歸的應(yīng)急物資需求預(yù)測(cè)[J].計(jì)算機(jī)仿真，2013，08：408-412.

[7]劉文博.基于加權(quán)最小二乘支持向量機(jī)的應(yīng)急物資需求預(yù)測(cè)方法[J].物流技術(shù)，2015，18：163-166+180

[8]宋曉宇，劉春會(huì)，常春光.基于改進(jìn)GM（1，1）模型的應(yīng)急物資需求量預(yù)測(cè)[J].沈陽建筑大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，06：1214-1218.

[9]王正新，劉思峰.基于Fourier-GM（1，1）模型的災(zāi)害應(yīng)急物資需求量預(yù)測(cè)[J].系統(tǒng)工程，2013，08：60-64.

[10]王正新.振蕩型GM（1，1）冪模型及其應(yīng)用[J].控制與決策，2013，10：1459-1464+1472.

[11]曾波，孟偉，劉思峰，李川，崔杰.面向?yàn)?zāi)害應(yīng)急物資需求的灰色異構(gòu)數(shù)據(jù)預(yù)測(cè)建模方法[J].中國管理科學(xué)，2015，08：84-91