文/梁彤玥

文章將各種因素納入快遞需求預測指標體系中，采用灰色關(guān)聯(lián)分析法確定關(guān)聯(lián)度顯著指標，預測快遞需求量。提出了一種基于鯨魚優(yōu)化后的BP神經(jīng)網(wǎng)絡組合模型（WOA-BP），并選取陜西省2003—2020年相關(guān)年度數(shù)據(jù)驗證模型有效性。結(jié)果表明，WOA-BP模型比傳統(tǒng)BP神經(jīng)網(wǎng)絡有更好的預測效果。對快遞基礎(chǔ)設施配置、快遞市場調(diào)整具有指導作用。

0.引言

在快遞業(yè)的影響因素方面，張帆（2020）[1]等采用灰色關(guān)聯(lián)分析方法對影響快遞業(yè)務量的因素進行了分析。王林珠（2020）[2]等采用協(xié)整檢驗方法研究變量之間的長期均衡關(guān)系。張文法（2019）[3]使用灰色關(guān)聯(lián)分析法對山東省電子商務的發(fā)展對物流業(yè)的影響做出研究。陳疇鏞（2022）[4]考慮到快遞需求受電子商務環(huán)境和季節(jié)性特征影響，采用灰色關(guān)聯(lián)分析法確定關(guān)聯(lián)度顯著指標。在快遞預測方面，越來越多的學者開始將支持向量機、神經(jīng)網(wǎng)絡等機器學習方法用于快遞業(yè)發(fā)展需求預測，預測效果也得到了驗證。薛蓉娜等（2021）[5]根據(jù)GRU深度學習算法在不同日期的有效性對我國日均快遞業(yè)務量進行預測。許榮斌（2018）[6]提出改進慣性權(quán)重的粒子群優(yōu)化算法和反向傳播神經(jīng)網(wǎng)絡的組合模型（IPSO-BP）來預測物流公司日常快遞業(yè)務量。本文擬借助鯨魚優(yōu)化算法的BP神經(jīng)網(wǎng)絡方法，在分析快遞需求影響因素的基礎(chǔ)上建立預測模型。

1.快遞需求影響因素分析

本文結(jié)合前人對快遞業(yè)發(fā)展影響因素的研究以及快遞業(yè)其他相關(guān)的研究，從經(jīng)濟整體發(fā)展水平、固定資產(chǎn)投資量、國內(nèi)外貿(mào)易、人口、產(chǎn)業(yè)結(jié)構(gòu)、物流因素六個方面對快遞業(yè)發(fā)展要素展開分析。

表1 快遞需求預測指標體系

2.鯨魚算法優(yōu)化BP神經(jīng)網(wǎng)絡模型構(gòu)建

鯨魚優(yōu)化算法（WOA）是模擬海洋中群居鯨群的一種新的群體智能優(yōu)化算法。BP神經(jīng)網(wǎng)絡是一種多層的前向神經(jīng)網(wǎng)絡。WOA算法優(yōu)化BP神經(jīng)網(wǎng)絡的主要思路是：用WOA算法對BP網(wǎng)絡進行初值和閾值進行優(yōu)化，并將BP網(wǎng)絡的訓練誤差作為其自適應度，從而確定BP網(wǎng)絡的初始權(quán)重和閾值。具體流程如下：（1）BP神經(jīng)網(wǎng)絡的初始化；（2）WOA算法初始化；（3）計算個體適應度；（4）將優(yōu)化得到的權(quán)值和閾值參數(shù)賦給BP神經(jīng)網(wǎng)絡；（5）根據(jù)位置更新策略更新個體位置；（6）設定終止策略；（7）優(yōu)化后的BP神經(jīng)網(wǎng)絡訓練與測試。

3.實證分析

3.1 數(shù)據(jù)來源。根據(jù)之前建立的初步的快遞需求預測指標體系，選擇陜西省的相關(guān)因素指標：選取2003年至2020年陜西省快遞業(yè)相關(guān)影響因素數(shù)據(jù)，數(shù)據(jù)來源于國家統(tǒng)計局網(wǎng)站以及陜西省統(tǒng)計年鑒。

3.2 基于灰色關(guān)聯(lián)分析的指標關(guān)聯(lián)度排序。使用MATLAB2020a對數(shù)據(jù)序列進行處理得到各指標的灰色關(guān)聯(lián)度結(jié)果（圖1、表2）。從整體來看，1個指標中有10個指標序列與快遞業(yè)務量序列灰色關(guān)聯(lián)度均大于0.6，表明所選指標與快遞需求存在較強的相關(guān)性，可有效預測快遞需求，但各指標的關(guān)聯(lián)性并不均衡，波動幅度較大。

圖1 相關(guān)性

表2 關(guān)聯(lián)度

3.3 WOA-BP預測分析。為了檢驗該模型的有效性，將WOA優(yōu)化的BP神經(jīng)網(wǎng)絡預測結(jié)果與傳統(tǒng)的BP神經(jīng)網(wǎng)絡進行對比實驗。把灰色關(guān)聯(lián)度大于0.7的影響因子作為兩個試驗的輸入，輸出該年度的快遞業(yè)務預測進行比較。各模型誤差對比見表4

表4 模型誤差

圖3為傳統(tǒng)BP神經(jīng)網(wǎng)絡與WOA-BP神經(jīng)網(wǎng)絡模型的預測誤差率對比，圖4為WOA-BP神經(jīng)網(wǎng)絡網(wǎng)絡模型的適應度。

圖3 預測誤差率對比

圖4 進化曲線

從圖3中可以看到，WOA-BP神經(jīng)網(wǎng)絡模型比傳統(tǒng)BP神經(jīng)網(wǎng)絡模型的預測誤差率小，

從圖4中可以看出，隨著迭代次數(shù)的增加，適應度值從2.7快速下降到0.2。

4.結(jié)論

快遞需求受多種因素影響。GDP、居民可支配收入、固定資產(chǎn)投資的灰色關(guān)聯(lián)度均大于0.8，說明快遞需求與經(jīng)濟發(fā)展水平的關(guān)系很大。鯨魚算法優(yōu)化后的BP神經(jīng)網(wǎng)絡對快遞需求預測結(jié)果明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡，更接近真實值，誤差也更小。