張連偉　何梁　耿立艷

[摘要]物流需求預(yù)測的準(zhǔn)確性對我國的經(jīng)濟(jì)發(fā)展具有重要作用。為提高物流需求的預(yù)測精度，文章利用動(dòng)態(tài)自適應(yīng)粒子群優(yōu)化算法（DAPSO）優(yōu)化無偏灰色預(yù)測模型[UGM（1，1）]參數(shù)，構(gòu)建DAPSO-UGM（1，1）模型預(yù)測物流需求。以我國物流需求為例，證明了DAPSO-UGM（1，1）模型的有效性，并預(yù)測了未來我國的物流需求，為物流需求預(yù)測提供了新的方法。

[關(guān)鍵詞]動(dòng)態(tài)自適應(yīng)粒子群算法；無偏灰色預(yù)測模型；物流需求預(yù)測

[DOI]1013939/jcnkizgsc201610010

隨著經(jīng)濟(jì)的發(fā)展，物流需求在交通網(wǎng)絡(luò)規(guī)劃、物流設(shè)施投資和物流規(guī)劃等方面扮演著越來越重要的角色，因此準(zhǔn)確的物流需求預(yù)測對我國的經(jīng)濟(jì)發(fā)展具有重要的意義?，F(xiàn)有的預(yù)測模型中較為常用的是時(shí)間序列、回歸分析和灰色預(yù)測模型，由于時(shí)間序列和回歸分析預(yù)測模型在實(shí)際應(yīng)用中考慮的相關(guān)因素較少，因此預(yù)測誤差相對較大，而灰色預(yù)測模型在預(yù)測時(shí)需要的數(shù)據(jù)較少，預(yù)測精度較高且適用于中長期的預(yù)測，所以不少學(xué)者開始將灰色預(yù)測（GM（1，1））模型引入物流需求預(yù)測[1，2]中，而在物流需求預(yù)測中GM（1，1）模型[3]是最常用的。在GM（1，1）模型的基礎(chǔ)上，又出現(xiàn)了預(yù)測性能優(yōu)于GM（1，1）模型的無偏灰色預(yù)測（UGM（1，1））模型[4]，但該模型隨著發(fā)展系數(shù)的變大，性能有變差的趨勢，進(jìn)而導(dǎo)致物流需求的預(yù)測精度下降。粒子群優(yōu)化（PSO）算法是一種群智能優(yōu)化算法[5]，在參數(shù)優(yōu)化方面得到廣泛應(yīng)用。作為PSO算法的改進(jìn)算法，動(dòng)態(tài)自適應(yīng)粒子群優(yōu)化（DAPSO）算法[6]根據(jù)粒子早熟收斂程度和個(gè)體適應(yīng)度值動(dòng)態(tài)地調(diào)整慣性權(quán)重，提高了算法的收斂速度和精度。本文利用DAPSO算法優(yōu)化UGM（1，1）模型的參數(shù)，以進(jìn)一步提高物流需求預(yù)測的精度。

1 無偏灰色預(yù)測模型

GM（1，1）模型是以“部分信息已知，部分信息未知”的“小樣本”“貧信息”的不確定性系統(tǒng)為研究對象，由已知的部分信息預(yù)測未知信息的一種模型。而無偏灰色預(yù)測（UGM（1，1））模型則對GM（1，1）模型做了進(jìn)一步改進(jìn)，消除了傳統(tǒng)GM（1，1）模型存在的固有偏差。UGM（1，1）模型的建模步驟如下：

2 動(dòng)態(tài)自適應(yīng)粒子群優(yōu)化算法

PSO算法是最近幾年內(nèi)出現(xiàn)的迭代優(yōu)化算法，首先給定一組初始值，然后根據(jù)已知函數(shù)確定適應(yīng)值（fitness value）并且不斷地進(jìn)行迭代優(yōu)化，即模擬粒子在空間內(nèi)按照一定的約束，進(jìn)行相應(yīng)的搜索，從而使得粒子找到本身的最優(yōu)值，包括個(gè)體極值（pbest）和群體極值（gbest）。

4 模型應(yīng)用

4.1 數(shù)據(jù)選取

以貨運(yùn)量作為物流需求的量化指標(biāo)，選取2006—2013年我國貨運(yùn)量數(shù)據(jù)，檢驗(yàn)DAPSO-UGM（1，1）模型的預(yù)測效果。所用數(shù)據(jù)來源于《中國統(tǒng)計(jì)年鑒2014》。表1給出2006—2013年我國貨運(yùn)量數(shù)據(jù)。由表1可知，我國2006—2013年貨運(yùn)量基本呈指數(shù)增長趨勢，因而采用DAPSO-UGM（1，1）模型進(jìn)行分析和預(yù)測是合理的。

4.2 模型檢驗(yàn)

DAPSO-UGM（1，1）模型中，DAPSO算法自身參數(shù)設(shè)置如下：N=50，Wmax=1.0，Wmin=0.2，c1=2.8，c2=1.2。DAPSO算法優(yōu)化選擇參數(shù)和時(shí)，為減少隨機(jī)性影響，DAPSO算法連續(xù)優(yōu)化10次，選擇最優(yōu)的*和*構(gòu)建UGM（1，1）模型。DAPSO-UGM（1，1）模型預(yù)測貨運(yùn)量時(shí)，選取前6個(gè)數(shù)據(jù)為歷史數(shù)據(jù)進(jìn)行下一步預(yù)測。同時(shí)利用GM（1，1）模型、UGM（1，1）模型和PSO-UGM（1，1）模型預(yù)測同時(shí)段貨運(yùn)量，其中，PSO的自身參數(shù)設(shè)置為：N=50，w=0.5，c1=2.8，c2=1.2。將三模型預(yù)測結(jié)果與DAPSO-UGM（1，1）模型進(jìn)行比較，結(jié)果如表2所示。

由表2可知，DAPSO-UGM（1，1）模型的最大、最小相對誤差為3.39%和0.02%，分別小于GM（1，1）模型、UGM（1，1）模型和PSO-UGM（1，1）模型的對應(yīng)值，同時(shí)其平均相對誤差也明顯小于其他三模型，這有力證明了DAPSO-UGM（1，1）模型的預(yù)測精度優(yōu)于其他三模型。因此，基于DAPSO算法優(yōu)化的UGM（1，1）是一種有效的物流需求預(yù)測方法。

4.3 外推預(yù)測

將DAPSO-UGM（1，1）模型應(yīng)用于未來物流需求預(yù)測中，利用DAPSO-UGM（1，1）模型預(yù)測2014—2020年的物流需求，預(yù)測結(jié)果如表3所示。從表3可以看出，未來7年物流需求將呈現(xiàn)出先增后減的變化趨勢。

5 結(jié) 論

本文結(jié)合DAPSO算法與UGM（1，1）模型，構(gòu)建DAPSO-UGM（1，1）物流需求預(yù)測模型，利用DAPSO算法優(yōu)化UGM（1，1）模型參數(shù)。通過對我國物流需求的實(shí)例分析，驗(yàn)證了DAPSO-UGM（1，1）模型是一種有效的物流需求預(yù)測方法，并利用該模型預(yù)測了未來我國的物流需求。

參考文獻(xiàn)：

[1]張潛.物流需求回收預(yù)測及其實(shí)證分析[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)：社會科學(xué)版，2010，12（1）： 84-89.

[2]王小麗.基于多因素灰色模型的物流需求量預(yù)測[J].統(tǒng)計(jì)與決策，2013（14）： 86-87.

[3]劉思峰.灰色系統(tǒng)理論及其應(yīng)用[M].北京：科學(xué)出版社，2014.

[4]劉鵠，吉培萊，鄒紅波.無偏灰色預(yù)測模型在邊坡變形預(yù)測中的應(yīng)用[J].三峽大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，29（1）： 43-45.

[5]張芳芳，王建軍，張勇.少控參數(shù)的分層式骨干粒子群優(yōu)化算法[J].系統(tǒng)工程理論與實(shí)踐，2015，35（12）： 3217-3224.

[6]盛桂敏，薛玉翠，張博陽.動(dòng)態(tài)自適應(yīng)粒子群優(yōu)化算法[J].綏化學(xué)院學(xué)報(bào)，2011，31（6）： 190-192.