徐曉燕，楊慧敏，呂修凱，王雪，康靜彩

基于山東省不同模型的物流需求預(yù)測比較研究

徐曉燕a，楊慧敏a，呂修凱b，王雪a，康靜彩a

（東北林業(yè)大學(xué) a.工程技術(shù)學(xué)院 b.機(jī)電工程學(xué)院，哈爾濱 150000）

過對不同預(yù)測方法的誤差對比研究，選取預(yù)測生鮮農(nóng)產(chǎn)品物流需求量更精準(zhǔn)方法，為疫情情況下山東省生鮮農(nóng)產(chǎn)品市場進(jìn)行科學(xué)性、合理化決策提供參考。公路貨物周轉(zhuǎn)量、互聯(lián)網(wǎng)普及率、GDP、人口數(shù)量、第一產(chǎn)業(yè)增加值等十大影響因素作為自變量，以生鮮農(nóng)產(chǎn)品的需求量作為因變量，分別將小波神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)（BP）、遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)（GA?BP）、粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)（PSO?BP）、長短時(shí)記憶網(wǎng)絡(luò)（LSTM）等5種方法的數(shù)據(jù)預(yù)測進(jìn)行對比分析。波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值明顯低于真實(shí)值，且平均相對誤差接近20%，而優(yōu)化后的GA?BP、PSO?BP、LSTM算法誤差均小于5%，分別為4.06%、1.162%、0.45%，因此，LSTM預(yù)測精度最高，效果最好。來山東省的生鮮農(nóng)產(chǎn)品需求量將持續(xù)增長，LSTM算法以其精確度更高，學(xué)習(xí)能力更強(qiáng)的優(yōu)點(diǎn)，將會被更多地應(yīng)用到物流領(lǐng)域研究中。

小波神經(jīng)網(wǎng)絡(luò)；人工神經(jīng)網(wǎng)絡(luò)；遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)；粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)；長短時(shí)記憶網(wǎng)絡(luò)；需求預(yù)測

隨著人們生活水平的不斷提高，生鮮農(nóng)產(chǎn)品在生活中的比重也越來越大，對生鮮農(nóng)產(chǎn)品的安全和保鮮的關(guān)注度也逐漸提高。山東省作為農(nóng)業(yè)大省，雖然生鮮農(nóng)產(chǎn)品資源豐富，農(nóng)業(yè)增加值連續(xù)多年位居全國第一，但是隨著生產(chǎn)端和流通環(huán)節(jié)的冷鏈需求量不斷擴(kuò)大，一些冷鏈物流問題逐漸出現(xiàn)：例如生鮮農(nóng)產(chǎn)品的損失、浪費(fèi)，物流冷鏈運(yùn)輸?shù)某杀驹黾拥默F(xiàn)象等。如何降低生鮮農(nóng)產(chǎn)品冷鏈物流成本、縮小物流企業(yè)資源的浪費(fèi)程度、滿足消費(fèi)者對生鮮農(nóng)產(chǎn)品更高標(biāo)準(zhǔn)的日常需要迫在眉睫。在此基礎(chǔ)上，突如其來的新冠疫情對生鮮物流需求造成了巨大影響，通過對物流需求進(jìn)行更加精準(zhǔn)的預(yù)測，有助于促進(jìn)物流資源的合理配置，實(shí)現(xiàn)產(chǎn)品供求平衡，盡可能減少新冠疫情對冷鏈物流需求帶來的負(fù)面影響，對于生鮮農(nóng)產(chǎn)品的物流規(guī)劃以及充分實(shí)現(xiàn)物流系統(tǒng)的各項(xiàng)功能具有較強(qiáng)的現(xiàn)實(shí)意義。

近幾年，國內(nèi)的文章主要集中在對灰色預(yù)測模型及智能優(yōu)化算法的單個(gè)模型研究分析，而國外則比較多關(guān)注在大數(shù)據(jù)發(fā)展下人工智能方法及其組合改進(jìn)模型的應(yīng)用，且對于物流供應(yīng)鏈中企業(yè)庫存、備件的資源優(yōu)化配置方面研究較多[1]。例如鄧?yán)诘萚2]采用傳統(tǒng)預(yù)測模型即灰色預(yù)測模型，對物流需求量進(jìn)行了預(yù)測。孟慶龍等[3]使用多元線性回歸模型對蘋果可溶性固形物含量進(jìn)行了預(yù)測分析。楊瑋等[4]使用Montle Carlo季節(jié)指數(shù)平滑和作業(yè)產(chǎn)能模型，使訂單預(yù)測結(jié)果精度提高了45%。而國外學(xué)者已經(jīng)著手對深度學(xué)習(xí)預(yù)測方法的研究，例如Ham等[5]訓(xùn)練了一個(gè)關(guān)于歷史模擬的卷積神經(jīng)網(wǎng)絡(luò)（CNN），驗(yàn)證了CNN模型指數(shù)的全季節(jié)相關(guān)能力遠(yuǎn)高于目前最先進(jìn)的動態(tài)預(yù)報(bào)系統(tǒng)。Kim等[6]針對傳染病流行難以預(yù)測性，采用支持向量機(jī)（SVM）、半監(jiān)督學(xué)習(xí)（SSL）和深度神經(jīng)網(wǎng)絡(luò)（DNN）進(jìn)行預(yù)測，以檢測新發(fā)傳染病模式。Munkhdalai等[7]采用新型深度學(xué)習(xí)模型（MLP–SUL）對郵政物流需求量做了預(yù)測，發(fā)現(xiàn)了深度學(xué)習(xí)模型優(yōu)于郵件中心數(shù)據(jù)集的最新基準(zhǔn)。Werner等[8～9]還通過對新混合模型和神經(jīng)網(wǎng)絡(luò)的原有性能進(jìn)行改進(jìn)，得出了更加精確的預(yù)測分析。

與此同時(shí)國內(nèi)學(xué)者也開始了對組合改進(jìn)模型的探索，例如李德奎等[10]以上海地鐵數(shù)日數(shù)據(jù)為例，建立了ARIMA與LSTM模型，將2種方法對比，證明了LSTM方法的均方根誤差相對較小。劉蓉暉等[11]將基于改進(jìn)K–means聚類算法的ARMA預(yù)測模型、單純的ARMA預(yù)測法及考慮氣象因素的傳統(tǒng)K–means聚類的ARMA預(yù)測法進(jìn)行預(yù)測結(jié)果分析，證明了改進(jìn)的模型預(yù)測能夠提高短期負(fù)荷預(yù)測的精度。馬佳玉等[12]、黃凱等[13]通過組合模型計(jì)算，提高了預(yù)測精度。

雖然模型的組合、改進(jìn)及對比已經(jīng)開始被引用到數(shù)據(jù)預(yù)測分析方向，但是物流領(lǐng)域的需求預(yù)測研究，仍然較多的使用單一的傳統(tǒng)預(yù)測方法比如灰色預(yù)測模型，進(jìn)行簡單地組合及改進(jìn)分析。因此本文將能進(jìn)行預(yù)測的五種模型分析引用到對生鮮農(nóng)產(chǎn)品的需求預(yù)測，通過對比，選擇精度高預(yù)測模型，對未來五年需求量的實(shí)施精準(zhǔn)預(yù)測?？紤]到當(dāng)下疫情的影響使生鮮電商的發(fā)展極大的影響了冷鏈物流的發(fā)展模式與發(fā)展進(jìn)程，文中將生鮮電商的發(fā)展（互聯(lián)網(wǎng)普及率）考慮在影響因素里，能對山東省生鮮農(nóng)產(chǎn)品冷鏈物流的現(xiàn)狀及發(fā)展進(jìn)行更貼合時(shí)代背景的分析和預(yù)測。

1 模型構(gòu)建

1.1 小波神經(jīng)網(wǎng)絡(luò)模型

小波神經(jīng)網(wǎng)絡(luò)是小波和神經(jīng)網(wǎng)絡(luò)的有機(jī)融合，它繼承了人工神經(jīng)網(wǎng)絡(luò)的近似能力的優(yōu)點(diǎn)，同時(shí)具備了小波更強(qiáng)的學(xué)習(xí)能力，在時(shí)間預(yù)測領(lǐng)域得到了廣大工程師的信賴[14]。小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖1[15]

圖1 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

隱含層的激勵(lì)函數(shù)可用式（1）表示。

式中：為網(wǎng)絡(luò)中不同的輸入小波元；為網(wǎng)絡(luò)中間層代碼；為相應(yīng)的小波運(yùn)算；為網(wǎng)絡(luò)輸入量；a和b為變換后新的伸縮和平移參數(shù)。

輸出函數(shù)可用式（2）表示。

式中：為小波網(wǎng)絡(luò)的層級數(shù)；w為輸出權(quán)重。

1.2 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層3層結(jié)構(gòu)，與其他數(shù)學(xué)模型相比，BP神經(jīng)網(wǎng)絡(luò)有著特殊的拓?fù)浣Y(jié)構(gòu)，使其擁有高效的適應(yīng)能力、較好的自我學(xué)習(xí)能力以及強(qiáng)大的非線性映射能力。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測生鮮產(chǎn)品物流需求量見圖2，輸入層神經(jīng)元個(gè)數(shù)=10，輸出層神經(jīng)元個(gè)數(shù)=1，以10個(gè)影響因素作為輸入層，以物流需求量作為輸出層。通常需要結(jié)合研究的生鮮農(nóng)產(chǎn)品的物流需求量的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，研究隱含層神經(jīng)元數(shù)量對神經(jīng)網(wǎng)絡(luò)預(yù)測精度的影響，找到最優(yōu)的隱含層神經(jīng)元數(shù)，以此改進(jìn)神經(jīng)網(wǎng)絡(luò)算法。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

表示輸入層、表示隱含層、表示輸出層，、、分別用表示對應(yīng)的神經(jīng)元，W表示輸入層與隱含層權(quán)值，W表示隱含層與輸出層權(quán)值，表示神經(jīng)元輸入，表示激勵(lì)輸出。假設(shè)訓(xùn)練樣本集=[1，2，……，X]中任一訓(xùn)練樣本X=[1，2]對應(yīng)的預(yù)測值為y，期望值為z，則有：

1.3 GA–BP算法模型

GA–BP算法即利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，遺傳算法是一種全局隨機(jī)搜索的采用模擬生物進(jìn)化過程的遺傳機(jī)理來得到最優(yōu)解的智能算法[16]。該算法利用遺傳算法的全局搜索能力來尋找最優(yōu)的適應(yīng)度值并賦值給BP神經(jīng)網(wǎng)絡(luò)，解決了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢且易陷入局部極限值等問題。

文中收集大量物流量的影響因素?cái)?shù)據(jù)，根據(jù)時(shí)間先后進(jìn)行整理排列，得到物流量各項(xiàng)影響指標(biāo)。首先以遺傳算法產(chǎn)生的連接權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始種群，BP神經(jīng)網(wǎng)絡(luò)的輸出誤差作為適應(yīng)度函數(shù)，根據(jù)適應(yīng)度函數(shù)對每個(gè)個(gè)體進(jìn)行評價(jià)，選擇部分個(gè)體進(jìn)行交叉和變異，形成新的種群。然后進(jìn)行進(jìn)化代數(shù)比較從而選出最優(yōu)個(gè)體，并對最優(yōu)個(gè)體進(jìn)行解碼，得到最優(yōu)BP 神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值。根據(jù)最優(yōu)的連接權(quán)值和閾值以及其他參數(shù)對生鮮農(nóng)產(chǎn)品物流歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建物流量預(yù)測模型。最后通過模型對未來的物流量變化趨勢進(jìn)行分析，得到相應(yīng)的預(yù)測結(jié)果。

1.4 PSO–BP算法模型

PSO–BP算法即改進(jìn)粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，為解決標(biāo)準(zhǔn)粒子群不足的問題，借助遺傳算法的變異思想，在粒子群算法中增加了2種因子[17]。PSO算法利用實(shí)數(shù)編碼，具有比遺傳算法的運(yùn)行速度快的優(yōu)點(diǎn)。其不僅能尋找最優(yōu)權(quán)值和閾值，從而解決用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)單純利用誤差反向傳播來調(diào)整權(quán)值和閾值容易陷入局部最優(yōu)解的問題，還可以通過群體信息共享和自身歷史位置更新搜索方向，方法參數(shù)簡單、易于實(shí)現(xiàn)。

1.5 LSTM算法模型

RNN在其基礎(chǔ)上可對時(shí)間變化數(shù)據(jù)進(jìn)行建模，但因?yàn)楣?jié)點(diǎn)無法對比較遠(yuǎn)的節(jié)點(diǎn)信息進(jìn)行記憶，所以會發(fā)生梯度消失和梯度爆炸現(xiàn)象。LSTM是一種特殊的RNN，記憶單元中存在輸入門、輸出門、遺忘門，記憶單元的遺忘門能篩選信息，有用的信息被留下，傳遞到下一時(shí)刻，無用的信息被遺忘，有效避免梯度爆炸現(xiàn)象[18]。主要結(jié)構(gòu)算法如下。

2 生鮮農(nóng)產(chǎn)品需求量影響因素分析

2.1 構(gòu)建生鮮農(nóng)產(chǎn)品市場需求指標(biāo)體系

構(gòu)建預(yù)測指標(biāo)體系是進(jìn)行需求預(yù)測的基礎(chǔ)，文中從研究山東省的物流經(jīng)濟(jì)現(xiàn)狀出發(fā)，結(jié)合實(shí)際性、重要性、科學(xué)性的原則，將影響生鮮農(nóng)產(chǎn)品市場需求量（）的因素歸結(jié)為人口規(guī)模、互聯(lián)網(wǎng)發(fā)展、物流規(guī)模、經(jīng)濟(jì)規(guī)模、消費(fèi)水平、產(chǎn)業(yè)結(jié)構(gòu)6大類。通過借鑒其他相關(guān)論文選取經(jīng)驗(yàn)，考慮到對于物流的影響程度的問題，通過查閱山東省統(tǒng)計(jì)公報(bào)及年鑒提取了十個(gè)關(guān)鍵指標(biāo)數(shù)據(jù)，分別為公路貨物周轉(zhuǎn)量（1，單位：億噸）、互聯(lián)網(wǎng)普及率（2，單位：%）、GDP（3，單位：億元）、人口數(shù)量（4，單位：萬人）、第一產(chǎn)業(yè)增加值（5，單位：元）、第三產(chǎn)業(yè)比重（6，單位：%）、城鎮(zhèn)居民人均可支配收入（7，單位：元）、公路運(yùn)輸量（X8，單位：億噸）、固定資產(chǎn)投資增長率（9，單位：%）、物流費(fèi)用占GDP比重（10，單位：%），見表1。

2.2 數(shù)據(jù)收集與整理

通過對山東省統(tǒng)計(jì)局和年鑒的數(shù)據(jù)進(jìn)行收集整理，得到了2001年至2020年的歷史數(shù)據(jù)，見表2。

表1 生鮮農(nóng)產(chǎn)品物流需求指標(biāo)體系

Tab.1 Logistics demand index system for fresh agricultural products

表2 2001—2020年山東省生鮮農(nóng)產(chǎn)品冷鏈物流需求量及影響指標(biāo)數(shù)據(jù)

Tab.2 2001-2020 cold chain logistics demand and impact index data of fresh agricultural products in Shandong Province

數(shù)據(jù)來源：1.山東省統(tǒng)計(jì)年鑒（2001—2020）；2.山東省統(tǒng)計(jì)公報(bào)（2001—2020）；3.中國互聯(lián)網(wǎng)發(fā)展?fàn)顩r統(tǒng)計(jì)公報(bào)；4.中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告。

2.3 基于灰色關(guān)聯(lián)度的影響因素分析

利用灰色關(guān)聯(lián)度分析法進(jìn)行影響因素?cái)?shù)據(jù)關(guān)聯(lián)度分析，灰色關(guān)聯(lián)分析法是用于計(jì)算評分值與“參考值”的關(guān)聯(lián)程度，進(jìn)而針對評價(jià)項(xiàng)進(jìn)行評價(jià)。首先確定參考值，數(shù)據(jù)進(jìn)行無量綱化處理；然后計(jì)算得出關(guān)聯(lián)系數(shù)，即關(guān)聯(lián)系數(shù)表示影響因素與需求量的相關(guān)程度，見圖3；最后結(jié)合關(guān)聯(lián)系數(shù)值計(jì)算關(guān)聯(lián)度。

圖3 灰色關(guān)聯(lián)系數(shù)圖

結(jié)合上述關(guān)聯(lián)系數(shù)結(jié)果進(jìn)行加權(quán)處理，得到關(guān)聯(lián)度值，使用關(guān)聯(lián)度值對20個(gè)評價(jià)對象進(jìn)行評價(jià)排序；關(guān)聯(lián)度值介于0—1，該值越大表示其與“參考值”（需求量）之間的相關(guān)性越強(qiáng)，也即意味著評價(jià)越高。如表3所示，10個(gè)評價(jià)項(xiàng)中，山東省常住人口數(shù)量4的綜合評價(jià)最高為0.902，各關(guān)聯(lián)度都在0.6以上，可見影響因素選取合理，可信度較高。

3 基于LSTM模型山東省生鮮農(nóng)產(chǎn)品物流需求預(yù)測分析

以山東省2001—2020年的山東生鮮農(nóng)產(chǎn)品物流需求量作為目標(biāo)變量，影響因子構(gòu)建的指標(biāo)體系作為目標(biāo)預(yù)測的屬性變量，通過模型計(jì)算，將預(yù)測結(jié)果誤差進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)中統(tǒng)一使用2001—2015年的需求量及對應(yīng)的影響因子作為訓(xùn)練集，2016—2020年的需求量及影響因子作為測試集，通過相對誤差分析評價(jià)其預(yù)測精度。

3.1 算法的參數(shù)選擇

計(jì)算過程中發(fā)現(xiàn)，通過模型直接進(jìn)行預(yù)測可能會發(fā)生過擬合現(xiàn)象[20]。過擬合是指為了得到一致假設(shè)而使假設(shè)變得過度嚴(yán)格，導(dǎo)致在后期測試的時(shí)候不能很好地識別數(shù)據(jù)，通過設(shè)置不同的迭代次數(shù),得出了迭代次數(shù)與平均誤差變化圖，可以清晰觀察是否發(fā)生過擬合現(xiàn)象，從而對模型參數(shù)進(jìn)行調(diào)整，能盡量提高預(yù)測精度[21]。如圖4所示，BP模型的迭代次數(shù)不超過10 000次時(shí),預(yù)測誤差與測試誤差都在減小。之后訓(xùn)練誤差繼續(xù)減少并趨于穩(wěn)定,而測試誤差開始增大，由此可以得出預(yù)測過擬合了，因此設(shè)置迭代次數(shù)為70 000，平均誤差趨于穩(wěn)定且精度較好。PSO–BP模型的迭代次數(shù)不超過100次時(shí)，預(yù)測誤差與測試誤差都在減小。之后訓(xùn)練誤差繼續(xù)減少并趨于穩(wěn)定，而測試誤差則開始緩慢增大，由此存在輕微過擬合現(xiàn)象，當(dāng)設(shè)置迭代次數(shù)為100時(shí)，訓(xùn)練誤差盡量小的同時(shí)，實(shí)現(xiàn)測試集數(shù)據(jù)誤差最小，見圖5。LSTM模型的預(yù)測誤差與測試誤差都在隨著迭代次數(shù)的增加而減小并逐漸穩(wěn)定，見圖6，由此可以得出預(yù)測時(shí)沒有出現(xiàn)過擬合現(xiàn)象。

表3 各指標(biāo)影響因素與需求量的關(guān)聯(lián)度

Tab.3 Correlation between influencing factors of each index and demand

圖4 BP神經(jīng)網(wǎng)絡(luò)誤差

圖5 BP優(yōu)化模型誤差

圖6 LSTM模型誤差

通過調(diào)試分析，在誤差相對穩(wěn)定且小的情況下，對各個(gè)模型的進(jìn)行參數(shù)設(shè)置，小波神經(jīng)網(wǎng)絡(luò)的隱形節(jié)點(diǎn)個(gè)數(shù)為5，1=0.01、2=0.001，迭代次數(shù)為100。設(shè)置BP神經(jīng)網(wǎng)絡(luò)的輸入層為10個(gè)神經(jīng)元，輸出層為1個(gè)神經(jīng)元，訓(xùn)練次數(shù)為70 000，動量系數(shù)為0.8，學(xué)習(xí)率為0.05,收斂誤差為0.001。BP神經(jīng)網(wǎng)絡(luò)的隱含層通過式（12）確定，最終隱含層神經(jīng)元數(shù)為10個(gè)，經(jīng)驗(yàn)公式為：

式中：a為隱含層神經(jīng)元數(shù)量；m為輸入層神經(jīng)元數(shù)量；n為輸出層神經(jīng)元數(shù)量；l為隨機(jī)選取1—10的常數(shù)。粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)設(shè)置中，粒子群的粒子數(shù)為30，C1=C2=2，迭代次數(shù)為100次，期望誤差最小值為0.000 1，權(quán)重w=0.2。設(shè)置遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的系數(shù)，交叉概率為0.8，變異概率為0.1，種群規(guī)模為15，迭代次數(shù)為100。LSTM模型設(shè)置迭代次數(shù)250，梯度閥值為1，學(xué)習(xí)率為0.005，進(jìn)行200次訓(xùn)練，得出結(jié)果見圖7，即對不同的隱層單元預(yù)測效果進(jìn)行評估，不同的隱層單元的平均絕對誤差不同。

3.2 預(yù)測模型分析與對比

由圖8—11可知，BP神經(jīng)網(wǎng)絡(luò)模型的擬合情況一般，顯然優(yōu)化后的算法預(yù)測值曲線更加靠近實(shí)測值，預(yù)測值擬合效果較好。而基于粒子群算法的預(yù)測結(jié)果對比遺傳算法預(yù)測值曲線更靠近真實(shí)值曲線，精度有所提高。LSTM模型較其他3種方法來看明顯更優(yōu)，精度相對更好。

圖8 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與實(shí)際值的對比

圖9 GA–BP模型預(yù)測值與實(shí)際值的對比

圖10 PSO–BP模型預(yù)測值與實(shí)際值的對比

由表4可知，為了提高評估預(yù)測的準(zhǔn)確性，采用訓(xùn)練集的均方根誤差（RMSE）、平均絕對誤差（MAE）、平均絕對百分誤差（MAPE）3個(gè)指標(biāo)對結(jié)果進(jìn)行對比分析?？梢钥闯鰞?yōu)化后的GA–BP相對于BP的平均絕對百分誤差降低了19.7%，PSO–BP相對BP降低了22.3%，因此改進(jìn)后的神經(jīng)網(wǎng)絡(luò)算法的明顯提高了預(yù)測精度。改進(jìn)后的PSO–BP的均方根誤差比GA–BP減小了63.9%，平均絕對誤差減小了67.8%，絕對百分誤差降低了2.6%，因此基于物流需求量的預(yù)測的粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)算法明顯更優(yōu)。LSTM與PSO–BP相比，雖然3種指標(biāo)差距不大，但其誤差都低于PSO–BP算法預(yù)測結(jié)果，其平均絕對百分誤差更是提高了0.3%，因此LSTM的預(yù)測效果優(yōu)于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法。

圖11 LSTM模型預(yù)測值與實(shí)際值的對比

如表5所示，從2016—2020年測試集數(shù)據(jù)對比可知，5種預(yù)測模型的相對平均誤差分別為16.92%、14.82%、4.06%、1.162%、0.45%。小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值不僅明顯低于真實(shí)值，而且平均相對誤差接近20%，誤差較大不太適合本次數(shù)據(jù)預(yù)測，而優(yōu)化后的GA–BP、PSO–BP、LSTM算法誤差小于5%，均可以用來預(yù)測未來五年的生鮮農(nóng)產(chǎn)品的需求量值，明顯LSTM物流需求預(yù)測模型的預(yù)測更有優(yōu)勢，比單一的網(wǎng)絡(luò)及優(yōu)化后的網(wǎng)絡(luò)模型的精度高。

表4 不同模型的訓(xùn)練集誤差數(shù)據(jù)對比

Tab.4 Comparison of training set error data of different models

表5 不同模型測試結(jié)果對比

Tab.5 Comparison of test results of different models

3.3 基于 LSTM模型預(yù)測結(jié)果及建議

文中選用預(yù)測性能更優(yōu)的LSTM網(wǎng)絡(luò)模型，將2000—2020年的相關(guān)影響因素的指標(biāo)數(shù)據(jù)分為訓(xùn)練集和測試集數(shù)據(jù)，使用訓(xùn)練集數(shù)據(jù)對模型進(jìn)行調(diào)優(yōu)，使模型預(yù)測效果穩(wěn)定后，使用測試集數(shù)據(jù)驗(yàn)證模型的預(yù)測效果，預(yù)測山東省未來5年的生鮮農(nóng)產(chǎn)品冷鏈物流需求量，得到的預(yù)測結(jié)果見表6。

表6 基于LSTM模型的生鮮農(nóng)產(chǎn)品需求量的預(yù)測值

Tab.6 Predicted value of demand for fresh agricultural products based on LSTM model

由表6可知，未來5年的山東省生鮮農(nóng)產(chǎn)品的需求量將仍然呈現(xiàn)上升的趨勢，需求市場發(fā)展越來越快，生鮮農(nóng)產(chǎn)品的需求也是拉動經(jīng)濟(jì)發(fā)展的一大方面，疫情期間不論政府還是企業(yè)都應(yīng)加強(qiáng)對生鮮農(nóng)產(chǎn)品需求市場的重視。

4 結(jié)語

分析了山東省生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測關(guān)鍵影響因素，建立了預(yù)測的指標(biāo)體系。經(jīng)過對5種模型的檢測精度對比分析，結(jié)果顯示LSTM模型對山東省生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測的準(zhǔn)確率和性能更優(yōu)。預(yù)測山東省未來5年生鮮農(nóng)產(chǎn)品冷鏈倉儲需求量在14 580～15 470萬t，需求量將仍然呈現(xiàn)上升的趨勢。

[1] 陳榮虎, 任利. 國內(nèi)外物流需求預(yù)測研究趨勢可視化分析[J]. 重慶工商大學(xué)學(xué)報(bào)(社會科學(xué)版), 2021, 6(7): 1-15.

CHEN Rong-hu, REN Li. Visual Analysis of Research Trends in Logistics Demand Forecasting at Home and Abroad[J]. Journal of Chongqing Technology and Business University (Social Science Edition), 2021, 6(7): 1-15.

[2] 鄧?yán)? 衡陽市生鮮農(nóng)產(chǎn)品冷鏈物流發(fā)展策略研究[D]. 長沙: 中南林業(yè)科技大學(xué), 2019: 8-15.

DENG Lei. TheStudyonFreshAgriculturalProducts Cold Chain Logistics DevelopmentStrategyofHengYang[D]. Changsha: Central South University of Forestry & Technology, 2019: 8-15.

[3] 孟慶龍, 尚靜, 張艷. 蘋果可溶性固形物含量的多元線性回歸預(yù)測[J]. 包裝工程, 2020, 41(13): 26-30.

MENG Qing-long, SHANG Jing, ZHANG Yan. Prediction for Soluble Solids Content of Apples Based on Multi Linear Regression[J]. Packaging Engineering, 2020, 41(13): 26-30.

[4] 楊瑋, 張堃, 趙晶, 等. 基于Monte Carlo指數(shù)平滑訂單預(yù)測與決策分析[J]. 包裝工程, 2019, 40(5): 155-161.

YANG Wei, ZHANG Kun, ZHAO Jing, et al. Forecast and Decision Analysis of Exponential Smoothing Order Based on Monte Carlo[J]. Packaging Engineering, 2019, 40(5): 155-161.[5] HAM Y G, KIM J H, LUO Jing-jia. Deep Learning for Multi-Year ENSO Forecasts[J]. Nature, 2019, 573(7775): 568-572.

[5] KIMJ, AHNI. Infectious Disease Outbreak Prediction Using Media Articles with Machine Learning Models[J]. Scientific Reports, 2021, 11: 4413.

[6] MUNKHDALAIL, PARK K H, BATBAATARE, et al. Deep Learning-Based Demand Forecasting for Korean Postal Delivery Service[J]. IEEE Access, 8: 188135-188145.

[7] OU Shi-qi, HE Xin, JI Wei-qi, et al. Machine Learning Model to Project the Impact of COVID-19 on US Motor Gasoline Demand[J]. Nature Energy, 2020, 5(9): 666-673.

[8] KRISTJANPOLLER R W, . A Stock Market Risk Forecasting Model through Integration of Switching Regime, ANFIS and GARCH Techniques[J]. Applied Soft Computing, 2018, 67: 106-116.

[9] 李德奎, 杜書波, 張鵬. 基于ARIMA和LSTM的城市軌道交通延時(shí)客流預(yù)測方法比較[J]. 青島理工大學(xué)學(xué)報(bào), 2021, 42(4): 135-142.

LI De-kui, DU Shu-bo, ZHANG Peng. Comparison of Delayed Passenger Flow Forecasting Methods for Urban Rail Transit Based on ARIMA and LSTM[J]. Journal of Qingdao University of Technology, 2021, 42(4): 135-142.

[10] 劉蓉暉, 趙才濤. 基于數(shù)據(jù)挖掘技術(shù)的氣溫敏感負(fù)荷短期預(yù)測研究[J]. 電網(wǎng)與清潔能源, 2017, 33(11): 32-38.

LIU Rong-hui, ZHAO Cai-tao. Studyof the Short-Term Forecasting of the Temperature Sensitive Load Based on Data Mining Technology[J]. Power System and Clean Energy, 2017, 33(11): 32-38.

[11] 馬佳玉. 基于組合模型的某農(nóng)場電商生鮮農(nóng)產(chǎn)品需求量預(yù)測研究[D]. 青島: 山東科技大學(xué), 2020.

MA Jia-yu. Research on Forecastingthe Demand of Fresh Agricultural Products in a Farm Based on Combined Model[D]. Qingdao: Shandong University of Science and Technology, 2020.

[12] 黃凱, 王健. 我國生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測分析: 基于最優(yōu)組合模型[J]. 武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版), 2020, 42(6): 524-529.

HUANG Kai, WANG Jian. Forecast and Analysis of ColdChain Logistics Demand of Fresh Agricultural Products inChina: Based on the Optimal Combination Model[J]. Journal of Wuhan University of Technology (Information & Management Engineering), 2020, 42(6): 524-529.

[13] CHEN Fu-chen, JAHANSHAHI M R. NB-CNN: Deep Learning-Based Crack Detection Using Convolutional Neural Network and Na?ve Bayes Data Fusion[J]. IEEE Transactions on Industrial Electronics, 2018, 65(5): 4392-4400.

[14] IMANIANN. Velocity Based Artificial Bee Colony Algorithm for High Dimensional Continuous Optimization Problems[J]. Engineering Applications of Artificial Intelligence, 2014, 36: 148-163.

[15] 徐星, 孫光中, 田坤云. GA-BP神經(jīng)網(wǎng)絡(luò)在煤礦突水水源判別中的應(yīng)用[J]. 煤炭技術(shù), 2018, 37(10): 172-174.

XU Xing, SUN Guang-zhong, TIAN Kun-yun. Application of GA-BP Neural Network in Discrimination of Water Inrush Source in Coal Mine[J]. Coal Technology, 2018, 37(10): 172-174.

[16] MENG An-bo, et al. Wind Speed Forecasting Based on Wavelet Packet Decomposition and Artificial Neural Networks Trained by Crisscross Optimization Algorithm[J]. Energy Conversion and Management, 2016, 114: 75-88.

[17] PENGTao, DENGHong-wei. Comprehensive Evaluation for Sustainable Development Based on Relative Resource Carrying Capacity—ACase Study of Guiyang, Southwest China[J]. Environmental Science and Pollution Research, 2020, 27(16): 20090-20103.

[18] YANG Bei-bei, YIN Kun-long, LACASSE S, et al. Time Series Analysis and Long Short-Term Memory Neural Network to Predict Landslide Displacement[J]. Landslides, 2019, 16(4): 677-694.

[19] MINNS A W, HALL M J. Artificial Neural Networks as Rainfall-Runoff Models[J]. HydrologicalSciencesJournal, 1996, 41(3): 399-417.

[20] 李恒. 基于深度學(xué)習(xí)過擬合現(xiàn)象的分析[J]. 中國科技信息, 2020(14): 90-91.

LI Heng.Analysis of Over-FittingPhenomenon Based on Deep Learning[J]. China Science and Technology Information, 2020(14): 90-91.

Comparative Research on Forecast of Logistics Demand in Shandong Province Based on Different Models

XU Xiao-yana, YANG Hui-mina, LYU Xiu-kaib, WANG Xuea, KANG Jing-caia

(a.Technology College b.Electromechanical Engineering College, Northeast Forestry University, Harbin 150000, China)

The work aims to compare and study the errors of different prediction methods to select a more accurate method for predicting the logistics demand of fresh agricultural products, and provide a reference for scientific and rational decision-making in the fresh agricultural product market in Shandong Province under the epidemic situation. With ten influencing factors, such as highway cargo turnover, Internet penetration rate, GDP, population, and added value of the primary industry, as independent variables, and the demand for fresh agricultural products as the dependent variable, the data prediction of five methods such as wavelet neural network, BP neural network, BP neural network by genetic algorithm (GA-BP), BP neural network by particle swarm (PSO-BP), long short-term memory (LSTM)were compared and analyzed. The predicted values of wavelet neural network and BP neural network were obviously lower than the actual values, and the average relative error was close to 20%, while the errors of optimized GA?BP, PSO?BP and LSTM algorithms were all less than 5%, which were 4.06%, 1.162% and 0.45% respectively. Therefore, LSTM had the highest prediction accuracy and the best effect. In the future, the demand for fresh agricultural products in Shandong Province will continue to grow, and the LSTM algorithm will be more applied in the field of logistics research due to its advantages of higher accuracy and stronger learning ability.

wavelet neural network; BP neural network; BP neural network by genetic algorithm; BP neural network by particle swarm; long short-term memory; demand forecast

TB485.3

A

1001-3563(2022)23-0207-09

10.19554/j.cnki.1001-3563.2022.23.025

2021?12?29

中央高校業(yè)務(wù)經(jīng)費(fèi)（2572016CB11）；校級教育教學(xué)研究項(xiàng)目（DGY2020–42）

徐曉燕（1997—），女，東北林業(yè)大學(xué)碩士生，主要研究方向?yàn)槔滏溛锪餍枨箢A(yù)測研究。

楊慧敏（1980—），女，博士，副教授，主要研究方向?yàn)橹腔畚锪鳌?/p>

責(zé)任編輯：曾鈺嬋