方瑜 陳如瑤 肖康逸
摘要:隨著汽車保有量增長,汽車售后服務(wù)行業(yè)快速發(fā)展,售后服務(wù)成為二手汽車產(chǎn)業(yè)鏈中的主要獲利途徑。配件庫存直接影響著二手汽車售后服務(wù)質(zhì)量,文章針對二手汽車配件預(yù)測問題,使用ARIMA與BP神經(jīng)網(wǎng)絡(luò)的組合模型進行配件需求預(yù)測。以鋁合金車輪為例進行實證分析,組合模型進行配件需求預(yù)測具有更高的預(yù)測精度。
關(guān)鍵詞:物流工程;熵權(quán)法;需求預(yù)測
汽車售后配件銷售業(yè)務(wù)因為涉及其產(chǎn)業(yè)鏈上下游的多家企業(yè),配件需求預(yù)測顯得尤為重要。更好的售后服務(wù)就要求配件保有量相對增多,但不斷增加的配件保有量所帶來的后果就是成本增高,庫存過剩風(fēng)險增大。解決這個問題則需要對配件的需求進行準確的預(yù)測。
汽車配件需求處于顯著的動態(tài)變換環(huán)境中,單一模型預(yù)測具有局限性,本文采用ARIMA和BP神經(jīng)網(wǎng)絡(luò)的組合模型對中國某企業(yè)2017年1月至2019年7月某地鋁合金車輪物流需求進行分析和預(yù)測。兩種模型從不同角度對數(shù)據(jù)信息的提取,ARIMA模型提取了線性部分,神經(jīng)網(wǎng)絡(luò)提取了非線性部分,組合模型充分利用兩種模型各自的優(yōu)勢,提高了預(yù)測的精確性。
一、基于熵權(quán)法的組合預(yù)測模型
本文利用并聯(lián)型組合模型,其基本思想就是根據(jù)各個單一模型的預(yù)測結(jié)果賦予各個模型不同的權(quán)重,確定組合預(yù)測模型的權(quán)數(shù)使最終的預(yù)測結(jié)果收斂在一個較窄的區(qū)間內(nèi),提高模型的擬合能力。本文利用相對誤差的信息熵理論進行組合預(yù)測模型的賦權(quán)研究,熵權(quán)法的基本步驟如下:
對各個指標的相對誤差進行絕對值處理
eit=|(yi-yit)/yi|(1)
其中,eit∈[0,1],yi表示第i種單項預(yù)測模型的結(jié)果,yit表示第i種方法在t時刻的預(yù)測值,其中i∈(1,n),i∈[1,n],t∈[1,N];
進行歸一化處理:
dit=eit/eit(2)
其中,dit表示第i種方法在t時刻的相對誤差比重。
計算各預(yù)測方法的相對誤差熵值:
hi=-ditlndit(3)
計算變異程度系數(shù):
pi=1-hi(4)
其中,hi∈[0,1]
各預(yù)測指標的加權(quán)系數(shù):
li=
1-(5)
li即為組合預(yù)測模型中各單項預(yù)測模型應(yīng)賦權(quán)數(shù),因此,使用組合預(yù)測法所得在t時刻的預(yù)測值贈贊t為:
贈贊t=liyit(6)
因此,組合預(yù)測模型的實施步驟為:
第一步:進行單項預(yù)測。分別根據(jù)原始數(shù)據(jù)進行ARIMA預(yù)測和BP神經(jīng)網(wǎng)絡(luò)預(yù)測,得出相應(yīng)的預(yù)測結(jié)果和誤差。
第二步:計算權(quán)重。根據(jù)單項預(yù)測的誤差,利用熵權(quán)法確定權(quán)重。
第三步:根據(jù)式(6)得出結(jié)果。
二、實例分析
為使預(yù)測結(jié)果更加全面性,現(xiàn)進行以ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型為單項預(yù)測模型的組合預(yù)測。
(一)設(shè)立組合預(yù)測模型
建立組合預(yù)測模型如下:
y=l1y1+l2y2(7)
其中,y為某地的鋁合金車輪需求量組合預(yù)測模型預(yù)測值。
y1、y2分別為ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值。
l1、l2分別為ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)重。
(二)確定權(quán)重
首先,已知兩種單項預(yù)測方法在不同時刻的預(yù)測值y1、y2:
由式(1)可計算出兩種單項預(yù)測模型的各個指標的相對誤差絕對值,并根據(jù)式(2)對相對誤差序列進行歸一化處理,見表2。
由式(3)、式(4)計算各預(yù)測模型的熵值h與變異程度系數(shù)p:
h1=-×d1tlnd1t=0.8947
h2=-×d2tlnd2t=0.9593
p1=1-0.8947=0.1053 p2=1-0.9593=0.0407
由式(5)計算兩種單項預(yù)測的加權(quán)系數(shù)l
l1=0.385;l2=0.615
l1=
1-=0.2788
l2=
1-=0.7212
由式(7)知,組合預(yù)測模型為:
y=0.2788y1+0.7212y2(8)
(三)組合模型的預(yù)測結(jié)果
由所建立的組合預(yù)測模型,結(jié)合2019年3月至7月年中國某企業(yè)某地鋁合金車輪預(yù)測值進行計算,結(jié)合預(yù)測模型預(yù)測結(jié)果如表3所示。
由表3可知,組合預(yù)測的平均絕對百分比誤差為0.3550%,比ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測的平均絕對誤差都小,說明模型精度較佳。
三、結(jié)語
本文基于ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型使用熵權(quán)法,給出了中國某企業(yè)某地鋁合金車輪的組合預(yù)測模型。組合模型充分利用了兩種單一模型的優(yōu)點,提高了預(yù)測精度,因此可以作為某地鋁合金車輪需求量的預(yù)測工具,預(yù)測結(jié)果具有參考意義。
參考文獻:
[1]金淳,曹迪,王聰,李文立.汽車零部件第三方物流倉儲需求量集成預(yù)測模型[J].系統(tǒng)管理學(xué)報,2018(08):1157-1165.
[2]孫秀娟,陸新秀,劉法勝,任傳祥.基于熵權(quán)法的交通流組合預(yù)測模型研究[J].山東科技大學(xué)學(xué)報(自然科學(xué)版),2018(04):111-117.
[3]李浩,王鐵寧.基于組合預(yù)測的裝甲裝備器材需求確定[J].系統(tǒng)工程與電子技術(shù),2018(10):2277-2281.
*基金項目:湖南省教育廳科學(xué)研究項目“基于組合預(yù)測法的湖南省物流需求量分區(qū)預(yù)測研究”(編號: 17C0594)。
(作者單位:湖南交通工程學(xué)院)