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）

0 引 言

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 相關(guān)模型

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。

2 農(nóng)場電商生鮮農(nóng)產(chǎn)品需求量預測指標體系

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 某農(nóng)場生鮮農(nóng)產(chǎn)品需求預測分析

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

4 結(jié) 論

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。