馬佳玉,孫宗軍 MA Jiayu, SUN Zongjun
(1. 西安汽車職業(yè)大學,陜西 臨潼 710038;2. 山東科技大學,山東 青島 266590)
隨著國民經(jīng)濟的迅猛發(fā)展,生鮮農(nóng)產(chǎn)品市場規(guī)模也日益擴大,數(shù)據(jù)資料[1]顯示肉類、水產(chǎn)品、水果、奶類及蛋禽類總產(chǎn)量由2007 年的4 065.9 萬t 增加到2018 年的47 075.8 萬t,蔬菜產(chǎn)量由2007 年的15 615 千hm增加到2018 年的20 439 千hm。面對日益復雜的生鮮農(nóng)產(chǎn)品的供需現(xiàn)狀,如何準確把握生鮮農(nóng)產(chǎn)品的發(fā)展方向與增長趨勢,已經(jīng)成為困擾農(nóng)產(chǎn)品經(jīng)營企業(yè)發(fā)展的難題。
現(xiàn)有的人工神經(jīng)網(wǎng)絡、徑向基神經(jīng)網(wǎng)絡、趨勢外推法、多元線性回歸模型、灰色模型、時間序列模型、支持向量機[等單一預測模型都難以消除自身的缺陷,應用于需求量短期精準預測時往往誤差較大。將多個單一預測模型進行科學組合,可以有效克服單一預測方法局限,因而組合預測模型在需求預測中預測結(jié)果精度更高。曹霜通過建立小波分析下的SVMARIMA 組合模型,并提取4 個影響變化趨勢的影響因素對農(nóng)產(chǎn)品價格進行了預測;黃凱提出了基于GM 模型、BP 神經(jīng)網(wǎng)絡和RBF 神經(jīng)網(wǎng)絡的生鮮農(nóng)產(chǎn)品冷鏈物流需求組合預測模型,對我國2018~2022 年的生鮮農(nóng)產(chǎn)品冷鏈物流需求量進行了預測;崔毅充分發(fā)揮灰色理論和馬爾科夫鏈的自身優(yōu)勢,構(gòu)建了灰色馬爾科夫預測模型,預測了青島市2018~2024 年的冷鏈物流需求,為青島未來冷鏈物流的發(fā)展提供參考。
本文基于Sharply 值權(quán)重分配法構(gòu)建了ARIMA-SVM 組合預測模型,應用于青島某農(nóng)場生鮮農(nóng)產(chǎn)品的需求量預測,并采用RMSE、MAE 和MAPE 對ARIMA 模型、SVM 模型及ARIMA-SVM 組合模型的預測精度準確進行評判,預測模型及結(jié)果可為農(nóng)產(chǎn)品經(jīng)營企業(yè)生鮮農(nóng)產(chǎn)品生產(chǎn)規(guī)劃提供理論指導。
1.1 ARIMA 模型。ARIMA 模型即為差分自回歸移動平均模型,是一種可以用于時間序列數(shù)據(jù)的預測方法,ARIMA 模型的控制主要通過自回歸系數(shù)p、移動平均項數(shù)q 及平穩(wěn)序列差分次數(shù)d 實現(xiàn)。ARIMAp,q,d )表達式如式(1) 所示。
式中:y^為組合預測值;λ為ARIMA 模型在組合預測模型中占比;λ為SVM 模型在組合預測模型中占比;y^為ARIMA模型的預測值;y^為SVM 模型的預測值。
從青島市某農(nóng)場電商生鮮農(nóng)產(chǎn)品的供給狀況、社會經(jīng)濟環(huán)境、人文因素、載運情況、線上影響5 個角度選取影響因素。對選取影響指標進行收集整理,得到物流需求量指標體系如表1 所示:
表1 生鮮農(nóng)產(chǎn)品需求量指標體系表
3.1 組合模型參數(shù)確定。本文選取了ARIMA 模型以及SVM 模型進行Sharply 值組合,兩種模型的權(quán)重分別在1/2 附近,為保證組合預測模型預測效果的準確性,需要進行統(tǒng)計學分析,結(jié)果如表2 所示:
表2 單一預測模型權(quán)重分配統(tǒng)計結(jié)果
圖1 多種模型預測生鮮農(nóng)產(chǎn)品需求量擬合效果
選擇RMSE、MAE 以及MAPE 對三種預測模型的準確性進行評判,其中:RMSE 為均方根誤差,用來表征預測結(jié)果的離散程度,在進行非線性擬合時RMSE 越小越好;MAE 為平均絕對誤差,對預測偏差直接計算平均,MAE 值越小則預測模型精確度越好;MAPE 為平均絕對百分誤差,MAPE 為0%是完美模型,MAPE 大于100%是劣質(zhì)模型。三種模型預測結(jié)果誤差分析如表3 所示。
表3 多種模型預測結(jié)果誤差表
對比三種預測模型的RMSE,組合預測模型預測精度最高,ARIMA 模型預測精度次之,SVM 模型預測結(jié)果存在局部較大偏差;對比三種預測模型的MAE,組合預測模型的預測結(jié)果更優(yōu);對比三種預測模型的RMSE,組合模型、ARIMA 模型預測值較實際值分別偏離0.4%、0.9%,預測模型的預測結(jié)果可靠,SVM 模型預測值較實際值偏離2.1%,預測精度稍遜。因此,ARIMA 模型與SVM 模型在需求量預測整體趨勢上表現(xiàn)出良好的擬合優(yōu)度,但在部分區(qū)間內(nèi)需求量預測結(jié)果欠佳;Sharply 值組合預測模型兼顧ARIMA 模型與SVM 模型的優(yōu)勢,能夠完整、可靠地進行生鮮農(nóng)產(chǎn)品需求量的預測。
提取農(nóng)場生鮮農(nóng)產(chǎn)品銷售數(shù)據(jù),選用ARIMA 模型、SVM 模型以及Sharply 值組合模型分別進行2019 年第4 季度需求量預測,如表4 所示。結(jié)果表明,Sharply 值組合模型在短期預測中可以達到較好的預測效果,預測結(jié)果有較強的實際應用價值和指導意義。
表4 2019 年第4 季度生鮮農(nóng)產(chǎn)品需求量預測
本文通過Sharply 值法構(gòu)建了ARIMA-SVM 組合模型,并基于ARIMA 模型、SVM 模型以及Sharply 值組合模型進行了某農(nóng)場電商生鮮農(nóng)產(chǎn)品的需求量預測,主要得出以下結(jié)論:(1) 在統(tǒng)計學分析的基礎(chǔ)上,確定了Sharply 值的ARIMA-SVM 組合模型為y^=0.5717y^+0.4282y^。(2) 需求量誤差分析結(jié)果顯示,ARIMA 模型與SVM 模型在需求量整體趨勢預測表現(xiàn)良好,但部分區(qū)間預測結(jié)果欠佳;Sharply 值組合預測模型顯著提高了預測精度,能夠完整、可靠地進行生鮮農(nóng)產(chǎn)品需求量的預測。(3)Sharply 值的組合模型對該農(nóng)場2019 年第4 季度需求量預測效果較為可靠,預測結(jié)果可以為農(nóng)場生鮮農(nóng)產(chǎn)品產(chǎn)銷提供理論指導。