董潔霜,李鑫超 DONG Jie-shuang, LI Xin-chao
(上海理工大學(xué) 管理學(xué)院,上海200093)
(College of Management, University of Shanghai for Science and Technology, Shanghai 200093, China)
隨著我國(guó)社會(huì)經(jīng)濟(jì)的進(jìn)一步發(fā)展,貨物運(yùn)輸需求將繼續(xù)保持快速、穩(wěn)定的增長(zhǎng)趨勢(shì)。而貨物運(yùn)輸量的預(yù)測(cè)研究對(duì)于交通主管部門(mén)進(jìn)行區(qū)域交通的整體規(guī)劃,加大交通設(shè)施體系的投資規(guī)模,緩解區(qū)域交通運(yùn)輸?shù)膿頂D狀況,促進(jìn)和保證該區(qū)域經(jīng)濟(jì)的持續(xù)、快速發(fā)展具有重要的現(xiàn)實(shí)意義[1]。隨著自然科學(xué)的發(fā)展和計(jì)算機(jī)應(yīng)用技術(shù)的不斷推廣,產(chǎn)生了多種貨運(yùn)量預(yù)測(cè)模型,預(yù)測(cè)的準(zhǔn)確性也隨之提高,這些模型包括時(shí)間序列分析、時(shí)間聚類方法以及神經(jīng)網(wǎng)絡(luò)模型等,以上這些模型方法在預(yù)測(cè)方面取得了較好的應(yīng)用效果。對(duì)于國(guó)內(nèi)外一些有關(guān)貨運(yùn)量預(yù)測(cè)模型應(yīng)用的研究,總結(jié)如下:
國(guó)外對(duì)貨運(yùn)預(yù)測(cè)方面的研究開(kāi)展較早,所以國(guó)外關(guān)于貨運(yùn)量預(yù)測(cè)模型方面的研究比較多,其理論及實(shí)際經(jīng)驗(yàn)要遠(yuǎn)比國(guó)內(nèi)成熟。加拿大Dalhousie 大學(xué)電子與計(jì)算機(jī)工程系的Bashir Z.和El-Hawary M. E.在2000 年電子與計(jì)算機(jī)工程加拿大國(guó)際會(huì)議上提出的一種由五個(gè)固定單元組成的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型在交通流量預(yù)測(cè)方面表現(xiàn)了良好的預(yù)測(cè)性能[2]。Gregory A. Godfrey 和Warren B. Powel(2000) 以指數(shù)平滑法為基礎(chǔ),提出了一系列預(yù)測(cè)方法,與ARIMA 方法相比,這一系列的預(yù)測(cè)方法操作更為簡(jiǎn)單、易行,并且在預(yù)測(cè)方面有著更高的精確度[3]。Brian L. Smith 等人(2002) 指出非線性回歸預(yù)測(cè)模型在貨運(yùn)需求預(yù)測(cè)方面具有更大的應(yīng)用前景,可以替代ARIMA 模型[4]。Paulo S. A. Freitas, Antonio J. L. Rodrigues(2006) 詳細(xì)地分析了各種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,還探討了許多與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法相結(jié)合形成的組合預(yù)測(cè)方法,在模型方法中闡述了高斯徑向基函數(shù)神經(jīng)網(wǎng)絡(luò),并拓展了常用的線性組合預(yù)測(cè)模型的框架[5]。Shujie Shen 等人(2009) 采用計(jì)量經(jīng)濟(jì)學(xué)中6 種最新的時(shí)間序列模型對(duì)英國(guó)公路和鐵路的貨運(yùn)需求進(jìn)行分析和預(yù)測(cè)[6]。
國(guó)內(nèi)學(xué)者在貨運(yùn)量預(yù)測(cè)方面的研究相對(duì)較晚,但國(guó)內(nèi)關(guān)于貨運(yùn)量預(yù)測(cè)的研究成果也不少,如:郭玉華等人(2010) 對(duì)經(jīng)濟(jì)周期階段參數(shù)的內(nèi)涵進(jìn)行闡述,并將經(jīng)濟(jì)周期進(jìn)行量化,作為一個(gè)輸入因素,建立基于經(jīng)濟(jì)周期的Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,以我國(guó)1992~2008 年鐵路貨運(yùn)量為實(shí)例,對(duì)預(yù)測(cè)模型進(jìn)行檢驗(yàn)[7]。王治(2010) 為了更好地預(yù)測(cè)鐵路貨運(yùn)量,將支持向量機(jī)與遺傳算法(GA-SVM) 進(jìn)行組合優(yōu)化,提出一種新的預(yù)測(cè)方法,并利用昆明市實(shí)際數(shù)據(jù)進(jìn)行實(shí)例分析[8]。
首先,建立樣本點(diǎn)的組合預(yù)測(cè)優(yōu)化模型,求各單項(xiàng)預(yù)測(cè)方法在各樣本點(diǎn)的最優(yōu)組合權(quán)系數(shù);其次,根據(jù)這些權(quán)系數(shù)確定各預(yù)測(cè)方法中“預(yù)測(cè)時(shí)點(diǎn)”的組合權(quán)重。
設(shè)對(duì)于某一預(yù)測(cè)問(wèn)題,有n種預(yù)測(cè)方法(或預(yù)測(cè)模型)flt,f2t,…,fnt,并假設(shè):
Yt為第t期的實(shí)際觀測(cè)值(t=1,2,…,M);
fit為第i種預(yù)測(cè)方法在第t期的預(yù)測(cè)值;
Kit為第i種預(yù)測(cè)方法在第t期的加權(quán)系數(shù),且滿足
eit=Yt-fit為第t期第i種預(yù)測(cè)方法的預(yù)測(cè)誤差;為變權(quán)組合預(yù)測(cè)方法在第t期的預(yù)測(cè)值;為變權(quán)組合預(yù)測(cè)方法在第t期的預(yù)測(cè)誤差。
本文求組合預(yù)測(cè)權(quán)重系數(shù)的基本原則是使每個(gè)樣本點(diǎn)在t時(shí)刻組合預(yù)測(cè)誤差絕對(duì)值最小[9],得到如下組合預(yù)測(cè)優(yōu)化模型:
對(duì)于以上方程,用以下方法進(jìn)行求解:
(1) 在t時(shí)刻,當(dāng)所有誤差eit均為非負(fù)或者均為負(fù)數(shù)時(shí),即所有誤差均為同向時(shí),假設(shè)第p種方法預(yù)測(cè)誤差ept絕對(duì)值最小,則方程(1) 的解如下:
(2) 在t時(shí)刻,當(dāng)誤差eit中既有負(fù)值又有正值時(shí),此時(shí)令方程(1) 中將誤差絕對(duì)值按從小到大的順序排列,假設(shè)第p種方法預(yù)測(cè)誤差ept絕對(duì)值最小,令方程(1) 的其中一個(gè)解需要知道方程的解的個(gè)數(shù)為n-2 個(gè),方能求出方程剩下的解,將誤差絕對(duì)值按從小到大的順序進(jìn)行排列,按此順序運(yùn)用公式確定第1個(gè)解的值,再和(1) 式中第2 個(gè)公式聯(lián)立求出剩下兩個(gè)解,這樣就可以求出方程(1) 所有的解。若剩下的兩個(gè)解中有一個(gè)W2t為負(fù)數(shù),對(duì)其進(jìn)行簡(jiǎn)單矯正,其解如下所示:
構(gòu)建組合預(yù)測(cè)模型的目的是為了預(yù)測(cè),需要確定預(yù)測(cè)時(shí)點(diǎn)的組合權(quán)系數(shù),即確定預(yù)測(cè)時(shí)點(diǎn)的組合權(quán)系數(shù)的方法有很多,常見(jiàn)的有如下兩種:
(2) 利用回歸法擬合權(quán)系數(shù)函數(shù)W(t),如取然后確定各預(yù)測(cè)時(shí)點(diǎn)的組合預(yù)測(cè)權(quán)系數(shù)。其步驟如下:
①設(shè)第i種預(yù)測(cè)方法在各擬合時(shí)點(diǎn)的最優(yōu)組合權(quán)系數(shù)為Ki1,Ki2,…,KiM;
②以Ki1,Ki2,…,KiM為樣本,用回歸模型求權(quán)系數(shù)函數(shù)Wi(t);
③當(dāng)t=M+j時(shí),計(jì)算各預(yù)測(cè)方法的組合預(yù)測(cè)權(quán)系數(shù)函數(shù)值Wi M+(j);
④將Wi M+(j)歸一化,得出t=M+j時(shí)各預(yù)測(cè)方法的組合權(quán)系數(shù):
本方法適用于觀測(cè)樣本量較多,且各方法在擬合時(shí)點(diǎn)序列上的權(quán)系數(shù)具有一定規(guī)律性的情況。
選取上海市2002~2013 年共12 年的貨運(yùn)量為原始數(shù)據(jù)進(jìn)行研究,上海市2002~2013 年貨運(yùn)量如表1 所示:
表1 上海市2002~2013 貨運(yùn)量一覽表
2.1.1 單項(xiàng)模型選取
單項(xiàng)模型選取要注意兩點(diǎn):①單項(xiàng)模型是組合預(yù)測(cè)的基礎(chǔ),應(yīng)該努力提高單一預(yù)測(cè)模型的精度。在時(shí)間趨勢(shì)預(yù)測(cè)模型的選擇上,有一次線性趨勢(shì)模型、二次拋物線、指數(shù)曲線、對(duì)數(shù)曲線、冪曲線等模型可以選擇,本文對(duì)其中各個(gè)模型進(jìn)行一一計(jì)算,發(fā)現(xiàn)對(duì)數(shù)模型精度最高,因此本文在時(shí)間趨勢(shì)預(yù)測(cè)模型中選擇二次拋物線趨勢(shì)預(yù)測(cè)模型。②盡量從不同方面選擇單一模型,充分利用監(jiān)測(cè)數(shù)據(jù)所包含的有用信息。由于貨運(yùn)量受時(shí)間、GDP、消費(fèi)品零售額等多個(gè)因素的影響,所以在選擇單項(xiàng)模型時(shí)綜合考慮受多因素影響的多元回歸模型和對(duì)含有對(duì)不確定因素預(yù)測(cè)的G (1,1 )灰色模型以及含有時(shí)間參數(shù)的二次拋物線趨勢(shì)預(yù)測(cè)模型。
2.1.2 預(yù)測(cè)數(shù)值
分別運(yùn)用G (1,1 )灰色預(yù)測(cè)、多元回歸預(yù)測(cè)和拋物線趨勢(shì)模型進(jìn)行預(yù)測(cè),單項(xiàng)預(yù)測(cè)模型分別為:
多元回歸模型:y=109.7212X1-0.1646X2+0.4136X3-104.3312X4-111.2065X5+23 445.4780(X1~X5分別代表GDP、消費(fèi)品零售額、港口貨運(yùn)吞吐量、第二產(chǎn)業(yè)增加值、第三產(chǎn)業(yè)增加值)
預(yù)測(cè)結(jié)果如表2 所示。
2.2.1 定權(quán)組合模型選取
熵值法側(cè)重于對(duì)預(yù)測(cè)值和實(shí)際值之間的絕對(duì)誤差大小對(duì)權(quán)重進(jìn)行分配;而離異系數(shù)法側(cè)重于對(duì)預(yù)測(cè)值與預(yù)測(cè)平均值之間的誤差進(jìn)行權(quán)重分配,不涉及實(shí)際值;而最優(yōu)系數(shù)法則側(cè)重于對(duì)整體誤差的絕對(duì)值進(jìn)行權(quán)重分配,力求整體誤差絕對(duì)值最小,三種方法各有千秋,因此本文選擇這三種方法分別進(jìn)行定權(quán)組合預(yù)測(cè)。
2.2.2 定權(quán)組合預(yù)測(cè)
本文選取熵值法[11]、離異系數(shù)法[12]和最優(yōu)系數(shù)法[13-15]三種定權(quán)組合模型,對(duì)以上三種單項(xiàng)預(yù)測(cè)模型進(jìn)行組合預(yù)測(cè),經(jīng)計(jì)算,熵值法的權(quán)重系數(shù)為0.4327,0.2237,0.3436;離異系數(shù)法的權(quán)重系數(shù)為0.3069,0.2998,0.3907;最優(yōu)系數(shù)法的權(quán)重系數(shù)為0.1226,0.8774,0。定權(quán)組合預(yù)測(cè)結(jié)果如表3 所示。
采用前面1.3 公式(1),求出前33 個(gè)樣本點(diǎn)上每種單項(xiàng)方法的加權(quán)系數(shù),因各方法在時(shí)點(diǎn)序列上的權(quán)系數(shù)無(wú)明顯規(guī)律性,故采用1.4 節(jié)中介紹的第一種方法。具體權(quán)系數(shù)見(jiàn)表4 和表5。
不同的預(yù)測(cè)方法都有其薄弱的地方,通過(guò)表6 比較來(lái)看,在各種預(yù)測(cè)方法中,變權(quán)組合模型的誤差平方和最小。故用此法來(lái)預(yù)測(cè)上海市未來(lái)5 年貨運(yùn)量(如表7 所示),具有較高的可信度。
表2 單項(xiàng)模型預(yù)測(cè)一覽表
表3 定權(quán)組合預(yù)測(cè)結(jié)果一覽表 單位:萬(wàn)噸
表4 各時(shí)點(diǎn)組合權(quán)系數(shù)一覽表
表5 預(yù)測(cè)時(shí)點(diǎn)組合權(quán)系數(shù)一覽表
(1) 本文簡(jiǎn)單闡述了變權(quán)組合預(yù)測(cè)模型的基本原理,并對(duì)其預(yù)測(cè)結(jié)果進(jìn)行了檢驗(yàn),在實(shí)際應(yīng)用中要注意以下幾點(diǎn):①單項(xiàng)模型是組合預(yù)測(cè)的基礎(chǔ),應(yīng)該努力提高單一預(yù)測(cè)模型的精度;②盡量從不同方面選擇單一模型,充分利用監(jiān)測(cè)數(shù)據(jù)所包含的有用信息。
(2) 本文對(duì)上海市2003~2013 年貨運(yùn)量進(jìn)行了預(yù)測(cè),并比較了各種預(yù)測(cè)方法的誤差平方和,根據(jù)預(yù)測(cè)方法的誤差平方和比較,可以看出預(yù)測(cè)精度高低排序?yàn)椋鹤儥?quán)組合預(yù)測(cè)模型>定權(quán)組合預(yù)測(cè)模型>單一預(yù)測(cè)模型。說(shuō)明變權(quán)組合預(yù)測(cè)方法預(yù)測(cè)結(jié)果更接近實(shí)際。
表6 各種預(yù)測(cè)方法誤差比較
表7 2003~2018 年上海市貨運(yùn)量預(yù)測(cè)值 單位:萬(wàn)噸
(3) 本文提出的變權(quán)組合預(yù)測(cè)方法簡(jiǎn)單,運(yùn)用Excel 軟件即可求得預(yù)測(cè)值,大大簡(jiǎn)化了計(jì)算過(guò)程,對(duì)貨運(yùn)量近期預(yù)測(cè)有一定的研究?jī)r(jià)值,但是對(duì)于遠(yuǎn)期貨運(yùn)量預(yù)測(cè)是否可行還有待檢驗(yàn),這也是將來(lái)要研究的方向。
[1] 陳唐民,李家本. 汽車運(yùn)輸學(xué)[M]. 北京:人民交通出版社,1998.
[2] Bashir.Z., EI-Hawary. M.E. Short term load forecasting by using wavelet neural networks[C]//Canadian Conference on Electrical and Computer Engineering, 2000:163-166.
[3] Gregory A.Godfrey, Warren B.Powell. Transportation Research[J]. PartB, 2000,34:451-469.
[4] Brian L.Smith, Billy M. Williams and R.Keith Oswald. Comparison of parametric and nonparametric models for traffic flow forecasting[J]. Transportation Research PartC, 2002,10:435-443.
[5] Paulo S. A. Freitas, Antonio J. L. Rodrigues. Model combination in neural-based forecasting[J]. European Journal of Operational Research, 2006,173:801-814.
[6] Shu jie Shen, Tony Fowkes, Tony Whieing and Daniel Johnson. Econometric Modelling and Forecasting of Freight Transport Demand in Great Britain[C]//refereed paper presented at the European Transport Conference, Leiden, he Netherlands, 2009.
[7] 郭玉華,陳治亞,馮芬玲,等. 基于經(jīng)濟(jì)周期的鐵路貨運(yùn)量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究[J]. 鐵道學(xué)報(bào),2010,32(5):1-6.
[8] 王治. 基于遺傳算法-支持向量機(jī)的鐵路貨運(yùn)量預(yù)測(cè)[J]. 計(jì)算機(jī)仿真,2010,27(12):320-322.
[9] 王永剛,鄭紅運(yùn). 基于最優(yōu)變權(quán)組合模型的航空運(yùn)輸事故征候預(yù)測(cè)[J]. 中國(guó)安全科學(xué)學(xué)報(bào),2013(4):27.
[10] 王新民,崔巍. 變權(quán)組合預(yù)測(cè)模型在地下水水位預(yù)測(cè)中的應(yīng)用[J]. 吉林大學(xué)學(xué)報(bào)(地球科學(xué)版),2009(11):1102.
[11] 陳華友. 熵值法及其在確定組合預(yù)測(cè)權(quán)系數(shù)中的應(yīng)用[J]. 安徽大學(xué)學(xué)報(bào)(自然科學(xué)版),2003(12):2-3.
[12] 索瑞霞,王福林. 組合預(yù)測(cè)模型在能源消費(fèi)預(yù)測(cè)中的應(yīng)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)知,2010(9):83-84.
[13] 文軍,劉雄,譚朝陽(yáng). 基于最優(yōu)加權(quán)法的航空貨運(yùn)量組合預(yù)測(cè)[J]. 科學(xué)技術(shù)與工程,2010,10(26):6595-6598.
[14] 陳寶林. 最優(yōu)化理論與算法[M]. 北京:清華大學(xué)出版社,1989:79-84.
[15] 趙韓,許輝,梁平,等. 最優(yōu)組合預(yù)測(cè)方法在家用汽車需求預(yù)測(cè)中的應(yīng)用[J]. 工業(yè)工程,2008(1):127.