周 程，施 文，馬士華

（1.湖北經(jīng)濟(jì)學(xué)院 物流與工程管理學(xué)院，武漢 430205；2.華中科技大學(xué) 管理學(xué)院，武漢 430074）

0 引言

科學(xué)預(yù)測(cè)貨運(yùn)量，對(duì)于物流體系規(guī)劃、產(chǎn)業(yè)布局、引導(dǎo)資金健康有序投放，促進(jìn)現(xiàn)代物流業(yè)更好服務(wù)于國(guó)民經(jīng)濟(jì)的可持續(xù)發(fā)展，具有重要戰(zhàn)略意義，已成為政府、學(xué)術(shù)界和企業(yè)共同關(guān)注的熱點(diǎn)問(wèn)題之一。

從目前掌握的文獻(xiàn)資料來(lái)看[1-11]，貨運(yùn)量影響因素眾多（人口數(shù)量、社會(huì)經(jīng)濟(jì)、服務(wù)水平、消費(fèi)水平等），作用程度也不一樣，貨運(yùn)量預(yù)測(cè)問(wèn)題呈現(xiàn)出較高非線(xiàn)性和模糊性，含有線(xiàn)性部分（受主導(dǎo)因素影響的貨運(yùn)量總體發(fā)展趨勢(shì)項(xiàng)）和非線(xiàn)性部分（具有較強(qiáng)波動(dòng)性、復(fù)雜性和不規(guī)則性的貨運(yùn)量非趨勢(shì)項(xiàng)）。迄今為止，傳統(tǒng)貨運(yùn)量預(yù)測(cè)大多以數(shù)學(xué)理論為基礎(chǔ)，在若干假設(shè)前提下，通過(guò)推理和演繹，從時(shí)間序列的整體層面建模，難以充分揭示貨運(yùn)量的內(nèi)在關(guān)聯(lián)特性，導(dǎo)致預(yù)測(cè)可能因線(xiàn)性和非線(xiàn)性成份相互干擾而失真。當(dāng)前，單一預(yù)測(cè)模型在待預(yù)測(cè)對(duì)象全維度數(shù)據(jù)層建立，無(wú)法兼顧貨運(yùn)量中不同成份數(shù)據(jù)的預(yù)測(cè)要求，致使預(yù)測(cè)性能劣化。組合預(yù)測(cè)模型綜合利用了各種預(yù)測(cè)方法所蘊(yùn)含的貨運(yùn)量動(dòng)態(tài)信息，在一定程度上提高了預(yù)測(cè)精度，但組合賦權(quán)依然是難題。

鑒于這樣的背景和研究現(xiàn)狀，有別于從貨運(yùn)量整體數(shù)據(jù)層面展開(kāi)預(yù)測(cè)的傳統(tǒng)思路，本文引入一種先分解后集成的預(yù)測(cè)策略，將非平穩(wěn)的原始貨運(yùn)量分解成線(xiàn)性子序列和非線(xiàn)性子序列，逐個(gè)建立模型預(yù)測(cè)，選擇相加集成的方法獲得最終預(yù)測(cè)結(jié)果，有效降低了原問(wèn)題的復(fù)雜度，提高了預(yù)測(cè)性能。具體說(shuō)來(lái)，利用線(xiàn)性回歸模型預(yù)測(cè)貨運(yùn)量線(xiàn)性成份，并提出了一種基于時(shí)空調(diào)整策略的改進(jìn)PSO算法，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，通過(guò)改進(jìn)的PSO-BP預(yù)測(cè)貨運(yùn)量非線(xiàn)性成份，相加得最終預(yù)測(cè)結(jié)果。仿真測(cè)試和貨運(yùn)量預(yù)測(cè)實(shí)證表明：引入的粒子群時(shí)空調(diào)整策略是有效的PSO改進(jìn)方法，加快了粒子群尋優(yōu)速度和提高了全局尋優(yōu)能力；與單一預(yù)測(cè)模型（指數(shù)平滑、多項(xiàng)式趨勢(shì)外推、線(xiàn)性回歸）和組合預(yù)測(cè)模型（等權(quán)法、MAPE權(quán)法、熵權(quán)法、最優(yōu)權(quán)值法）相比，基于先分解后集成的預(yù)測(cè)模型精度更高；與傳統(tǒng)BP集成預(yù)測(cè)模型和標(biāo)準(zhǔn)PSO-BP集成預(yù)測(cè)模型比較，基于改進(jìn)PSO-BP集成預(yù)測(cè)模型具有神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂快和預(yù)測(cè)精度高的優(yōu)點(diǎn)。

1 基于改進(jìn)PSO-BP的貨運(yùn)量集成預(yù)測(cè)方法

考慮到BP神經(jīng)網(wǎng)絡(luò)非線(xiàn)性映射能力和PSO群體智能優(yōu)化能力，同時(shí)針對(duì)傳統(tǒng)BP和PSO存在的收斂速度慢和容易陷入局部極值的缺點(diǎn)，構(gòu)建一種基于時(shí)空調(diào)整策略的改進(jìn)PSO-BP預(yù)測(cè)模型，用于預(yù)測(cè)貨運(yùn)量的非線(xiàn)性成份。

1.1 標(biāo)準(zhǔn)PSO算法

PSO算法源于鳥(niǎo)群捕食行為的進(jìn)化算法，利用智能群體思想，通過(guò)個(gè)體相互協(xié)作，實(shí)現(xiàn)多維空間尋優(yōu)。PSO數(shù)學(xué)描述為：設(shè)m維的搜索空間分布著n個(gè)粒子，第i粒子的 空 間 位 置 和 運(yùn) 動(dòng) 速 度 為Vi={vi，1，vi，2，vi，3，…,vi，m} 與

第i個(gè) 粒 子 的 個(gè) 體 搜 索 最 優(yōu) 值 為pi，3，…,pi，m} ，粒 子 種 群 最 優(yōu) 位置為在迭代中，按照式(1)和式(2)調(diào)整粒子飛行速度和空間位置：

其中ω為慣性權(quán)重；c1與c2為學(xué)習(xí)因子；r1與r2為0到1的隨機(jī)數(shù)；i=1，2，3，...，n;j=1，2，3，...，m;t為迭代次數(shù)。

1.2 基于時(shí)空調(diào)整策略的改進(jìn)PSO

經(jīng)典的PSO算法存在著某些缺陷：收斂速度慢與容易陷入局部極值。因此，這里引入一種粒子群時(shí)空調(diào)整策略（空間越界處理、空間位置更新因子和種群最優(yōu)值連續(xù)未更新時(shí)間計(jì)數(shù)），用于提高PSO收斂速度和增強(qiáng)跳出局部最優(yōu)陷阱的能力。其中，空間越界處理與空間位置更新因子對(duì)應(yīng)于粒子空間位置調(diào)整，種群最優(yōu)值連續(xù)未更新計(jì)數(shù)對(duì)應(yīng)于粒子時(shí)間維度的調(diào)整。

（1）空間位置更新因子

設(shè)置速度項(xiàng)引發(fā)粒子位置更新的權(quán)重γ，修正的粒子位置更新如表達(dá)式(3)：

由式(2)和式(3)推導(dǎo)得式(4)如下：

γ體現(xiàn)了粒子在飛行空間的實(shí)時(shí)位置和歷史位置對(duì)粒子新位置求解中的權(quán)重：當(dāng)γ足夠小，則該粒子受歷史位置影響較小，收斂速度接近標(biāo)準(zhǔn)PSO；隨著γ增大，歷史位置對(duì)粒子的導(dǎo)向作用加大，提高了收斂速度；當(dāng)γ過(guò)大，粒子受歷史位置影響太大，容易掉入局部最優(yōu)陷阱。

（2）種群最優(yōu)值連續(xù)未更新時(shí)間計(jì)數(shù)

鑒于粒子群體的趨同效應(yīng)，當(dāng)接近種群最優(yōu)，且速度接近0時(shí)，粒子空間位置無(wú)法更新，容易陷入局部最優(yōu)陷阱。因此，通過(guò)設(shè)立種群最優(yōu)值連續(xù)未更新時(shí)間計(jì)數(shù)，該值達(dá)到預(yù)設(shè)的門(mén)檻值時(shí)，則認(rèn)定粒子迭代過(guò)程陷入滯動(dòng)局面，對(duì)粒子重新初始化，激活呆滯的粒子，增加粒子活性，促使粒子逃脫局部最優(yōu)陷阱。

（3）空間位置越界處理

在PSO尋優(yōu)過(guò)程中，粒子位置有時(shí)不可避免的超越搜索空間范圍，傳統(tǒng)方法是將越界粒子的維度位置映射到搜索空間中最相鄰的維度邊界，該策略易造成在粒子的局部緯度邊界聚集過(guò)多粒子，粒子在搜索空間中分布不均勻，導(dǎo)致PSO迭代過(guò)程出現(xiàn)局部最優(yōu)。因此，利用鏡像原理將越界粒子的緯度位置，映射到更廣泛的種群搜索空間，有利于減少維度邊界聚集現(xiàn)象，豐富了種群的多樣性和合理性，提升了全局搜索能力。設(shè)第j個(gè)粒子在i維度空間搜索邊界為[UiLUiU]，越界時(shí)按照如式(5)處理粒子位置，直到粒子不越界為止。

1.3 改進(jìn)PSO優(yōu)化BP的預(yù)測(cè)流程

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成，以網(wǎng)絡(luò)連接權(quán)值和閾值為變量，誤差為目標(biāo)的多元極值尋優(yōu)問(wèn)題，存在易陷入局部最優(yōu)陷阱和收斂速度過(guò)慢的缺點(diǎn)。鑒于模擬退火具備概率突跳能力，在粒子群退火算法基礎(chǔ)上，引入時(shí)空調(diào)整策略，用于求解BP神經(jīng)網(wǎng)絡(luò)權(quán)值，構(gòu)建的改進(jìn)PSO-BP預(yù)測(cè)算法流程如下：

步驟1：歸一化處理時(shí)間序列數(shù)據(jù)。

步驟2：初始化BP網(wǎng)絡(luò)的結(jié)構(gòu)：神經(jīng)元個(gè)數(shù)（輸入層、隱含層和輸出層）、動(dòng)量因子、學(xué)習(xí)率、傳遞函數(shù)、目標(biāo)誤差、迭代次數(shù)等參數(shù)。

步驟3：引入時(shí)空調(diào)整策略的粒子群退火算法，求解神經(jīng)網(wǎng)絡(luò)的權(quán)值（計(jì)算步驟為:1到13）。設(shè)神經(jīng)網(wǎng)絡(luò)輸出值為Ri，目標(biāo)值Pi，i=1，2，...，N，N為輸出層神經(jīng)元個(gè)數(shù)，PSO的適應(yīng)度函數(shù)值表達(dá)式為

（1）將神經(jīng)網(wǎng)絡(luò)連接權(quán)值表征為粒子，并對(duì)粒子群初始化（粒子規(guī)模、學(xué)習(xí)因子c1和c2、目標(biāo)維數(shù)、慣性權(quán)值ω、搜索范圍UiU和UiL、目標(biāo)精度、最大迭代次數(shù)、種群最優(yōu)位置未更新時(shí)間計(jì)數(shù)器門(mén)檻值、位置更新因子等）。

（2）初始粒子的空間位置和飛行速度。

（3）參照式(5)處理粒子的空間位置越界。

（4）存放粒子自身最優(yōu)搜索位置，存放粒子種群最優(yōu)搜索位置。

（5）設(shè)定初始溫度，按t0=f(pg)/ln5。

（6）確定粒子pi在當(dāng)前溫度的適配值，TF(pi)=

（7）按照輪盤(pán)賭原則，從個(gè)體pi中確定粒子種群的全局搜索最優(yōu)位置pg。

（8）根據(jù)下式更新各個(gè)粒子的搜索速度和空間飛行位置。

其中?為收縮因子，c1與c2為學(xué)習(xí)因子；γ為位置更新因子；到1之間的隨機(jī)數(shù)。

（9）參照式(5)處理粒子的空間位置越界。

（10）更新個(gè)體pi和種群pg。

（11）退溫操作,退溫方式按照tk+1=βtk執(zhí)行,其中β為退火常數(shù)。

（12）若種群最優(yōu)值連續(xù)未更新時(shí)間計(jì)數(shù)的預(yù)設(shè)門(mén)檻值，則對(duì)重新初始化粒子位置，并按式（5）處理粒子的空間位置越界情況。

（13）若滿(mǎn)足精度要求或達(dá)到預(yù)設(shè)迭代步驟，則停止搜索，否則轉(zhuǎn)到步驟（6）。

步驟4：利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)時(shí)間序列展開(kāi)預(yù)測(cè)。

2 仿真測(cè)試與貨運(yùn)量預(yù)測(cè)實(shí)例

2.1 改進(jìn)PSO算法性能測(cè)試

選取表1中Ackley、Sphere、Rosenbrock和Griewnk四個(gè)標(biāo)準(zhǔn)函數(shù)，求取最小值，測(cè)試基于時(shí)空調(diào)整策略改進(jìn)PSO算法的優(yōu)化精度、穩(wěn)定性和收斂速度。

表1 測(cè)試函數(shù)

為了方便與文獻(xiàn)[12-14]中標(biāo)準(zhǔn)SPSO算法、耗散DPSO、基于佳點(diǎn)集和動(dòng)態(tài)隨機(jī)搜索的IPSO測(cè)試結(jié)果對(duì)比，構(gòu)造的基于時(shí)空調(diào)整策略改進(jìn)PSO實(shí)驗(yàn)參數(shù)設(shè)定如表2所示。

表2 基于時(shí)空調(diào)整策略改進(jìn)PSO算法的參數(shù)設(shè)置

仿真測(cè)試在Matlab軟件中實(shí)現(xiàn)，各粒子群算法連續(xù)運(yùn)行 50次，應(yīng)用于標(biāo)準(zhǔn)函數(shù)Ackley、Sphere、Rosenbrock和Griewnk最小值尋優(yōu)。由仿真結(jié)果（表3）可知：函數(shù)Sphere迭代55次達(dá)到預(yù)設(shè)精度，最差適應(yīng)值為6.3E-133；函數(shù)Ackley迭代79次達(dá)到預(yù)設(shè)精度，最差適應(yīng)值為9E-16；函數(shù)Rosenbrock迭代646次達(dá)到預(yù)設(shè)精度，最差適應(yīng)值為1.7E-7；函數(shù)Griewnk迭代52次達(dá)到預(yù)設(shè)精度，函數(shù)適應(yīng)值為0。

從表3所示的PSO性能測(cè)試結(jié)果表明：基于時(shí)空調(diào)整策略的粒子群退火算法穩(wěn)定性、精度和收斂速度優(yōu)于文獻(xiàn)[12-14]的粒子群算法，粒子群時(shí)空調(diào)整策略是一種有效的PSO優(yōu)化方法，可加快PSO尋優(yōu)收斂速度和提高全局尋優(yōu)能力。

表3 PSO算法測(cè)試結(jié)果比較

2.2 貨運(yùn)量預(yù)測(cè)實(shí)例

2.2.1 數(shù)據(jù)來(lái)源及評(píng)價(jià)指標(biāo)

以湖北省1985—2014年度的貨運(yùn)量作為實(shí)例數(shù)據(jù)（如圖1），分別建立單一預(yù)測(cè)模型（指數(shù)平滑、多項(xiàng)式趨勢(shì)外推、線(xiàn)性回歸）、組合預(yù)測(cè)模型（等權(quán)法、MAPE權(quán)法、熵權(quán)法、最優(yōu)權(quán)值法）、基于非線(xiàn)性補(bǔ)償?shù)摹胺纸?集成”預(yù)測(cè)模型（BP模型、標(biāo)準(zhǔn)PSO-BP模型、改進(jìn)的PSO-BP模型），進(jìn)行貨運(yùn)量預(yù)測(cè)，上述計(jì)算在Matlab軟件中實(shí)現(xiàn)。

圖1 1985—2015年湖北貨運(yùn)量統(tǒng)計(jì)數(shù)據(jù)（數(shù)據(jù)來(lái)源：中國(guó)統(tǒng)計(jì)年鑒）

為了評(píng)價(jià)上述模型預(yù)測(cè)性能，使用相對(duì)誤差（RE）和平均絕對(duì)值相對(duì)誤差（MAPE）作為評(píng)估準(zhǔn)則：

其中，xi為原始貨運(yùn)量，x^i為貨運(yùn)量預(yù)測(cè)值，N為樣本總量。

2.2.2 單一預(yù)測(cè)模型

考慮到指數(shù)平滑、多項(xiàng)式趨勢(shì)外推和線(xiàn)性回歸在貨運(yùn)量預(yù)測(cè)中應(yīng)用廣泛，綜合湖北省貨運(yùn)量統(tǒng)計(jì)數(shù)據(jù)，分別建模。

（1）線(xiàn)性回歸

選擇自變量X1，X2，X3分別為：人口數(shù)量、地區(qū)生產(chǎn)總值、固定資產(chǎn)投資，針對(duì)湖北省2000—2014年度貨運(yùn)量所建立的線(xiàn)性回歸模型為：

其中，自變量X1，X2和X3來(lái)源于《中國(guó)統(tǒng)計(jì)年鑒》，如下頁(yè)表4所示。

表4 湖北省人口數(shù)量、地區(qū)生產(chǎn)總值、固定資產(chǎn)投資統(tǒng)計(jì)數(shù)據(jù)

（2）指數(shù)平滑

針對(duì)湖北省2000—2014年度的物流貨運(yùn)量所建立的三次指數(shù)平滑模型為：

其中，平滑系數(shù)經(jīng)仿真測(cè)試確定為0.35，k=1對(duì)應(yīng)2015年。

（3）多項(xiàng)式趨勢(shì)外推

依據(jù)2000—2014年的湖北省貨運(yùn)量數(shù)據(jù)，建立的三次多項(xiàng)式趨勢(shì)外推模型為：

式中，k=1，2，…，n，k=1對(duì)應(yīng)1985年。

2.2.3 組合預(yù)測(cè)模型

采用等權(quán)法、MAPE權(quán)法、熵權(quán)法和最優(yōu)權(quán)值法四種組合賦權(quán)策略，建立由上述三次指數(shù)平滑模型、三次多項(xiàng)式趨勢(shì)外推模型和線(xiàn)性回歸模型構(gòu)成的組合預(yù)測(cè)模型，組合權(quán)值如表5所示。其中，等權(quán)法是平均賦權(quán)策略，MAPE權(quán)法依據(jù)平均絕對(duì)相對(duì)誤差所占百分比而賦權(quán)，熵權(quán)法根據(jù)統(tǒng)計(jì)誤差熵值表征模型穩(wěn)定性而賦權(quán)，最優(yōu)權(quán)值法是求取組合模型的平均絕對(duì)相對(duì)誤差最小值而賦權(quán)。

表5 不同賦權(quán)策略下組合權(quán)值

2.2.4 基于非線(xiàn)性補(bǔ)償?shù)摹胺纸?集成”預(yù)測(cè)模型

按照“分解-集成”預(yù)測(cè)建模思路，選擇線(xiàn)性回歸模型，將原始貨運(yùn)量分解為線(xiàn)性子序列和非線(xiàn)性子序列。利用線(xiàn)性回歸模型預(yù)測(cè)線(xiàn)性子序列，并采用BP模型、標(biāo)準(zhǔn)PSO-BP模型和改進(jìn)PSO-BP模型分別預(yù)測(cè)非線(xiàn)性子序列，通過(guò)相加方法，集成得最終貨運(yùn)量預(yù)測(cè)值。其中，取2000—2009年的貨運(yùn)量非線(xiàn)性數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，2010—2014年的貨運(yùn)量非線(xiàn)性數(shù)據(jù)為預(yù)測(cè)檢驗(yàn)樣本，三種基于BP神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性子序列預(yù)測(cè)模型的參數(shù)設(shè)置如下：

（1）BP神經(jīng)網(wǎng)絡(luò)均采用3-13-1結(jié)構(gòu)，即三層，輸入層為3個(gè)單元節(jié)點(diǎn)，隱含層為13個(gè)單元節(jié)點(diǎn)，輸出層為1個(gè)單元節(jié)點(diǎn)，輸入層到隱含層的傳遞函數(shù)為logsig，隱含層到輸出層的傳遞函數(shù)為purelin。

（2）針對(duì)BP預(yù)測(cè)模型，訓(xùn)練函數(shù)為traingdm，學(xué)習(xí)率lr=0.1，動(dòng)量因子mc=0.2，訓(xùn)練誤差goal=0.001，最大訓(xùn)練步數(shù)為10000。

（3）在標(biāo)準(zhǔn)PSO-BP預(yù)測(cè)模型中，粒子群個(gè)數(shù)N=30，w=0.5，搜索空間目標(biāo)維數(shù)為30，學(xué)習(xí)因子c1=c2=2，最大迭代次數(shù)為2000。

（4）對(duì)于改進(jìn)的PSO-BP預(yù)測(cè)模型，粒子群個(gè)數(shù)N=30，學(xué)習(xí)因子c1=c2=2.1，退火常量為0.5，搜索空間目標(biāo)維數(shù)為30，位置更新因子為0.4，越界上限位置為10，最小位置-10，種群最優(yōu)位置未更新時(shí)間計(jì)數(shù)器門(mén)檻為25，最大迭代次數(shù)為2000。

2.2.5 預(yù)測(cè)結(jié)果和分析

根據(jù)湖北省物流貨運(yùn)量統(tǒng)計(jì)數(shù)據(jù)，上述各模型2005—2014年度預(yù)測(cè)結(jié)果如圖2所示，統(tǒng)計(jì)誤差如表6所示。

圖2 湖北物流貨運(yùn)量預(yù)測(cè)值（2005—2014）

表6 湖北貨運(yùn)量預(yù)測(cè)誤差

由2005—2014年湖北物流貨運(yùn)量預(yù)測(cè)結(jié)果得知：

（1）四種組合模型預(yù)測(cè)性能均優(yōu)于單一預(yù)測(cè)模型，表明了組合預(yù)測(cè)模型充分利用了多種單一預(yù)測(cè)模型所蘊(yùn)含的貨運(yùn)量信息，有效地提高了預(yù)測(cè)精度。

（2）與單一模型和組合模型相比，基于先分解后集成的模型預(yù)測(cè)精度更高，說(shuō)明了“分解-集成”策略能有效降低原始預(yù)測(cè)問(wèn)題的復(fù)雜度，弱化了貨運(yùn)量中線(xiàn)性成份與非線(xiàn)性成份之間相互干擾，改善了預(yù)測(cè)性能。

（3）針對(duì)“分解-集成”策略下基于BP神經(jīng)網(wǎng)絡(luò)非線(xiàn)性補(bǔ)償?shù)木C合預(yù)測(cè)模型而言，通過(guò)引入PSO優(yōu)化BP訓(xùn)練過(guò)程，相對(duì)誤差得到降低，預(yù)測(cè)準(zhǔn)確率更高。標(biāo)準(zhǔn)的PSO-BP與改進(jìn)PSO-BP預(yù)測(cè)模型的相對(duì)誤差都比較小，區(qū)別并不明顯，但通過(guò)比較平均絕對(duì)相對(duì)誤差MAPE，不難看出改進(jìn)PSO-BP模型比標(biāo)準(zhǔn)PSO-BP預(yù)測(cè)結(jié)果更準(zhǔn)確，模型更穩(wěn)定。

（4）從收斂速度角度考慮，傳統(tǒng)BP網(wǎng)絡(luò)達(dá)到收斂需要2735步，標(biāo)準(zhǔn)PSO-BP需要850步，而改進(jìn)PSO-BP僅392步就達(dá)到收斂，速度優(yōu)于其他兩種預(yù)測(cè)模型。

（5）與經(jīng)典PSO算法相比，本文引入時(shí)空調(diào)整策略改進(jìn)的PSO算法改善BP網(wǎng)絡(luò)收斂速度和預(yù)測(cè)性能的效果更佳。

（6）基于改進(jìn)PSO-BP非線(xiàn)性補(bǔ)償?shù)呢涍\(yùn)量“分解-集成”預(yù)測(cè)模型是一種有效的預(yù)測(cè)模型，可應(yīng)用于我國(guó)貨運(yùn)量的定量預(yù)測(cè)。

基于改進(jìn)PSO-BP非線(xiàn)性補(bǔ)償?shù)呢涍\(yùn)量“分解-集成”預(yù)測(cè)模型對(duì)湖北2015—2020年貨運(yùn)量的預(yù)測(cè)如表7所示。

表7 湖北2015—2020年物流貨運(yùn)量預(yù)測(cè)

按照當(dāng)前發(fā)展趨勢(shì)，2013年湖北貨運(yùn)量將達(dá)到156871萬(wàn)噸，到2020年則到達(dá)231797萬(wàn)噸，2015—2020年份的平均年增長(zhǎng)率約為7.5%。在我國(guó)經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài)的背景下，湖北省社會(huì)物流需求增速平穩(wěn)，貨運(yùn)量仍然不斷擴(kuò)大。因此，湖北省政府、企業(yè)及相關(guān)部門(mén)應(yīng)以此為據(jù)，切實(shí)把握社會(huì)物流需求發(fā)展態(tài)勢(shì)，充分整合與利用存量資源、科學(xué)規(guī)劃增量資源，為湖北交通運(yùn)輸工程與現(xiàn)代物流的發(fā)展與振興保駕護(hù)航。

3 結(jié)論

展開(kāi)物流需求態(tài)勢(shì)精準(zhǔn)預(yù)測(cè)，有利于促進(jìn)物流業(yè)轉(zhuǎn)型升級(jí)，建立和完善現(xiàn)代物流服務(wù)體系，更好服務(wù)于國(guó)民經(jīng)濟(jì)在新常態(tài)背景下保持較長(zhǎng)時(shí)期的中高速增長(zhǎng)，為實(shí)現(xiàn)我國(guó)第二個(gè)百年奮斗目標(biāo)、實(shí)現(xiàn)中華民族偉大復(fù)興的中國(guó)夢(mèng)奠定更加堅(jiān)實(shí)的基礎(chǔ)。本文結(jié)合仿真測(cè)試和湖北物流貨運(yùn)量的面板數(shù)據(jù)，探討了物流貨運(yùn)量預(yù)測(cè)理論與優(yōu)化方法，主要研究結(jié)論如下：

（1）從系統(tǒng)科學(xué)理論的角度，引入了一種先分解后集成的預(yù)測(cè)策略，有效弱化了貨運(yùn)量中線(xiàn)性成份與非線(xiàn)性成份之間相互干擾，降低了原始問(wèn)題的復(fù)雜度，提高了預(yù)測(cè)精度。

（2）構(gòu)建的粒子群時(shí)空調(diào)整策略是一種有效的PSO改進(jìn)方法，加快了粒子群尋優(yōu)速度和提高了全局尋優(yōu)能力。

（3）與經(jīng)典PSO算法相比，基于時(shí)空調(diào)整策略改進(jìn)的PSO算法改善BP神經(jīng)網(wǎng)絡(luò)收斂速度和預(yù)測(cè)性能的效果更佳。

（4）基于改進(jìn)PSO-BP非線(xiàn)性補(bǔ)償?shù)摹胺纸?集成”預(yù)測(cè)模型的性能優(yōu)于傳統(tǒng)的單一預(yù)測(cè)模型（指數(shù)平滑、多項(xiàng)式趨勢(shì)外推、線(xiàn)性回歸）和組合預(yù)測(cè)模型（等權(quán)法、MAPE權(quán)法、熵權(quán)法、最優(yōu)權(quán)值法），可作為一種有效貨運(yùn)量定量預(yù)測(cè)方法。

然而，現(xiàn)代物流業(yè)是一個(gè)復(fù)雜的動(dòng)態(tài)開(kāi)放系統(tǒng)，某些突發(fā)事件（自然災(zāi)害、全球經(jīng)濟(jì)波動(dòng)、政治因素、產(chǎn)業(yè)調(diào)整等）會(huì)給其造成不同程度的沖擊，改變物流貨運(yùn)量動(dòng)態(tài)趨勢(shì)。如何處理這些突變性因素對(duì)預(yù)測(cè)結(jié)果的影響，將是下一步的研究方向，擬在本文構(gòu)建的先分解后集成定量預(yù)測(cè)策略之上，補(bǔ)充引入定性分析方法（如專(zhuān)家系統(tǒng)等），從定性與定量不同視角綜合評(píng)估突發(fā)事件影響，進(jìn)一步優(yōu)化貨運(yùn)量預(yù)測(cè)結(jié)果。

參考文獻(xiàn)：

[1] De Jong G,Gunn,H F,Walker W.National and International Freight Transport Models:An Overview and Ideas for Further Development[J].Transport Reviews,2004,24(1).

[2] Zhou C,Tao J.Freight Volume Forecasting Based on a Decom?pose-ensemble Method[J].Proceedings of the Institution of Civil En?gineers-Transport,2015,168(6).

[3] 趙建有,周孫鋒,崔曉娟,王高青.基于模糊線(xiàn)性回歸模型的公路貨運(yùn)量預(yù)測(cè)方法[J].交通運(yùn)輸工程學(xué)報(bào),2012,12(3).

[4] Ma J,Chen Z,Tse K.Forecast of Civil Aviation Freight Volume Using Unbiased Grey-fuzzy-markov Chain Method[C].Information Manage?ment,Innovation Management and Industrial Engineering(ICIII),2013 6th International Conference on.IEEE,2013,(3).

[5] 戚銘堯,楊坤河,繆立新.基于可計(jì)算一般均衡的貨運(yùn)量預(yù)測(cè)模型[J].工業(yè)技術(shù)經(jīng)濟(jì),2013,(3).

[6] Duru O,Bulut E,Yoshida S.A Fuzzy Extended DELPHI Method for Adjustment of Statistical Time Series Prediction:An Empirical Study on Dry Bulk Freight Market Case[J].Expert Systems With Applica?tions,2012,39(1).

[7] Wang Y,Chen X,Han Y,et al.Forecast of Passenger and Freight Traffic Volume Based on Elasticity Coefficient Method and Grey Mod?el[J].Procedia-Social and Behavioral Sciences,2013,(96).

[8] 李程.民航貨運(yùn)量IOWHA算子組合預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(23).

[9] 周程,張培林.基于關(guān)聯(lián)面積法的物流貨運(yùn)量組合預(yù)測(cè)模型[J].計(jì)算機(jī)應(yīng)用，2012,32(9).

[10] 曾鳴,林磊,程文明.基于LIBSVM和時(shí)間序列的區(qū)域貨運(yùn)量預(yù)測(cè)研究[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(21).

[11] 顧秀來(lái),王春林,付詩(shī)祿.基于小波神經(jīng)網(wǎng)絡(luò)的貨運(yùn)量預(yù)測(cè)[J].后勤工程學(xué)院學(xué)報(bào),2013,29(6).

[12] 梁昔明,陳富,龍文.基于動(dòng)態(tài)隨機(jī)搜索和佳點(diǎn)集構(gòu)造的改進(jìn)粒子群優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用,2011,31(10).

[13] Xie X F，Zhang W J,Yang Z L.Dissipative Particle Swarm Optimiza?tion[C].Proceedings of IEEE International Conference on Evolution?ary Computation.Piscataway,NJ:IEEE Press,2002.

[14] 龍文,梁昔明,董淑華等.動(dòng)態(tài)調(diào)整慣性權(quán)重的粒子群優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用,2009,29(8).