摘" 要：為了推動(dòng)水產(chǎn)品冷鏈物流行業(yè)高質(zhì)量發(fā)展，對(duì)水產(chǎn)品冷鏈物流需求量的精準(zhǔn)預(yù)測是實(shí)現(xiàn)水產(chǎn)品冷鏈行業(yè)快速發(fā)展和物流資源合理配置的基礎(chǔ)。針對(duì)目前冷鏈物流系統(tǒng)的復(fù)雜非線性，且統(tǒng)計(jì)數(shù)據(jù)樣本量少的特征，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)回歸的組合預(yù)測模型。文章從區(qū)域經(jīng)濟(jì)、產(chǎn)品供給、冷鏈物流行業(yè)規(guī)模、社會(huì)四大維度選取10個(gè)指標(biāo)構(gòu)建影響因素指標(biāo)體系，再結(jié)合各種預(yù)測方法的特點(diǎn)，選用BP-SVR組合預(yù)測模型。為驗(yàn)證該組合模型的性能，以湖北省2002—2021的相關(guān)數(shù)據(jù)進(jìn)行仿真預(yù)測。結(jié)果表明，該組合預(yù)測模型平均相對(duì)誤差僅為0.172，相比于單一的BP和SVR模型以及其他組合模型預(yù)測精度更高，因此使用BP-SVR組合預(yù)測模型能夠?yàn)楹笔∥磥硭a(chǎn)品的需求量提供一定的參考價(jià)值。

關(guān)鍵詞：水產(chǎn)品；冷鏈物流；需求預(yù)測；BP-SVR組合模型

" 中圖分類號(hào)：F274" " 文獻(xiàn)標(biāo)志碼：A" " DOI：10.13714/j.cnki.1002-3100.2024.15.037

Abstract： In order to promote the high-quality development of aquatic products cold chain logistics industry， accurate prediction of aquatic products cold chain logistics demand is the basis for realizing the rapid development of aquatic products cold chain industry and rational allocation of logistics resources. Aiming at the complex nonlinearity of the current cold chain logistics system and the small sample size of statistical data， a combined prediction model based on BP neural network and support vector machine regression is proposed. In this paper， ten indicators are selected from the four dimensions of regional economy， product supply， cold chain logistics industry scale， and society to construct the index system of influencing factors， and then combined with the characteristics of various prediction methods， the BP-SVR combined prediction model is selected. In order to verify the performance of the combined model， simulation prediction is carried out with the relevant data of Hubei Province from 2002 to 2021. The results show that the average relative error of the combined prediction model is only 0.172， which is higher than that of the single BP and SVR model and other combined models， so the use of the BP-SVR combined prediction model can provide a certain reference value for the future demand of aquatic products in Hubei Province.

Key words： aquatic products; cold chain logistics; demand forecast; BP-SVR combination model

0" 引" 言

水產(chǎn)品是冷鏈物流運(yùn)輸重要對(duì)象之一。隨著居民對(duì)水產(chǎn)品需求量的增加，也給水產(chǎn)品冷鏈物流行業(yè)帶來了諸多挑戰(zhàn)。目前水產(chǎn)品冷鏈物流發(fā)展面臨著流通率低，運(yùn)輸途中損耗高[1]等問題，為了加快水產(chǎn)品冷鏈物流的發(fā)展和保證水產(chǎn)品行業(yè)的供需平衡，對(duì)水產(chǎn)品冷鏈物流需求預(yù)測尤為重要。目前用于水產(chǎn)品冷鏈物流需求預(yù)測方法有灰色預(yù)測、BP神經(jīng)網(wǎng)絡(luò)等[2-3]。但水產(chǎn)品冷鏈物流系統(tǒng)是一個(gè)復(fù)雜的非線性系統(tǒng)，水產(chǎn)品冷鏈物流的需求量往往受多重因素的影響。過往研究只用單一的預(yù)測模型進(jìn)行研究，不能夠充分挖掘原始數(shù)據(jù)之間的潛在規(guī)律，存在一定的局限性，并未針對(duì)單一模型的預(yù)測優(yōu)缺點(diǎn)進(jìn)行組合創(chuàng)新，而組合模型在其他領(lǐng)域已經(jīng)表現(xiàn)出較好的優(yōu)越性[4-5]。

" 目前的需求預(yù)測方法上可以大致分為傳統(tǒng)的統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)模型兩大類[6]。傳統(tǒng)的統(tǒng)計(jì)模型結(jié)構(gòu)簡單，無法挖掘數(shù)據(jù)之間的潛在規(guī)律，而機(jī)器學(xué)習(xí)恰恰能夠彌補(bǔ)以往方法的不足。因此基于過往研究的啟發(fā)，采用一種殘差優(yōu)化的BP-SVR組合模型對(duì)水產(chǎn)品冷鏈物流的需求量進(jìn)行預(yù)測，首先BP神經(jīng)網(wǎng)絡(luò)能夠通過強(qiáng)大的學(xué)習(xí)能力挖掘非線性數(shù)據(jù)之間的規(guī)律，再利用SVR模型對(duì)重構(gòu)的殘差序列進(jìn)行處理[7]。

1" 相關(guān)方法

1.1" 灰色關(guān)聯(lián)度

" 灰色關(guān)聯(lián)度方法是用來分析系統(tǒng)內(nèi)各個(gè)要素之間相關(guān)程度的方法。其基本思想是通過預(yù)測指標(biāo)數(shù)列與其他影響因素?cái)?shù)列之間曲線的相似程度，用關(guān)聯(lián)度來判定各個(gè)要素之間關(guān)系是否密切，其計(jì)算公式如下：

2" 實(shí)證研究

2.1" 指標(biāo)選取和數(shù)據(jù)完備化

" 本文選取湖北省2002到2021年相關(guān)數(shù)據(jù)來進(jìn)行水產(chǎn)品冷鏈物流需求預(yù)測。根據(jù)供需關(guān)系，預(yù)測指標(biāo)選取湖北省居民水產(chǎn)品的消費(fèi)量（水產(chǎn)品的消費(fèi)量Y=城鎮(zhèn)常住人口*城鎮(zhèn)水產(chǎn)品人均消費(fèi)量+農(nóng)村常住人口*農(nóng)村水產(chǎn)品人均消費(fèi)量）[11]，影響需求量因素主要?jiǎng)澐譃?類：區(qū)域經(jīng)濟(jì)因素、供給因素、冷鏈物流技術(shù)因素和社會(huì)因素，具體如表1所示：

" 本文數(shù)據(jù)收集均來源于湖北省統(tǒng)計(jì)年鑒、中國漁業(yè)年鑒以及中國互聯(lián)網(wǎng)絡(luò)信息中心。其中互聯(lián)網(wǎng)普及率部分年份數(shù)據(jù)缺失以年平均增長率的方式進(jìn)行填補(bǔ)，城鎮(zhèn)水產(chǎn)品人均消費(fèi)量部分年份數(shù)據(jù)的缺失采取其與城鎮(zhèn)人口進(jìn)行最小二乘法擬合的方式進(jìn)行填補(bǔ)，經(jīng)檢驗(yàn)擬合誤差為0.22，效果良好，各指標(biāo)統(tǒng)計(jì)數(shù)據(jù)如表2所示。

2.2" 關(guān)聯(lián)度分析

" 由于各個(gè)指標(biāo)之間的計(jì)量單位和數(shù)量級(jí)不同，為了減小誤差，采用最大最小值化方式對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，把各項(xiàng)數(shù)據(jù)轉(zhuǎn)化到0，1之間，轉(zhuǎn)化公式為：

對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后，用灰色關(guān)聯(lián)度法分析預(yù)測指標(biāo)和各個(gè)影響因素的相關(guān)性，分析結(jié)果如表3所示。結(jié)果顯示水產(chǎn)品需求量與10個(gè)影響因素的相關(guān)系數(shù)均大于0.8，判定具有強(qiáng)相關(guān)性。

2.3" 組合預(yù)測模型構(gòu)建

組合預(yù)測思想是讓每個(gè)單一模型充分發(fā)揮各自優(yōu)勢(shì)，以提高預(yù)測精度[12]。目前使用較多的組合方式是修正單一模型的預(yù)測結(jié)果[13]，另外組合模型的效果好壞也由數(shù)據(jù)的類型和樣本大小來決定的。由于水產(chǎn)品冷鏈物流需求量具有隨機(jī)性和時(shí)變性的特點(diǎn)，本文將BP神經(jīng)網(wǎng)絡(luò)和SVR兩種機(jī)器學(xué)習(xí)模型進(jìn)行組合，以發(fā)揮組合模型的優(yōu)勢(shì)。BP神經(jīng)網(wǎng)絡(luò)在對(duì)原始數(shù)據(jù)進(jìn)行預(yù)測時(shí)，在訓(xùn)練時(shí)實(shí)際值與預(yù)測值兩者之間會(huì)產(chǎn)生一定的偏差[7]，針對(duì)產(chǎn)生的偏差值，再采用SVR模型對(duì)殘差序列進(jìn)行訓(xùn)練，利用SVR模型對(duì)BP神經(jīng)網(wǎng)絡(luò)產(chǎn)生的誤差進(jìn)行修正，預(yù)測的效果會(huì)更好，圖2是BP-SVR模型建模流程圖。

基于BP-SVR組合預(yù)測建模流程：

3" 實(shí)驗(yàn)結(jié)果

3.1" BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

通過使用Python軟件，調(diào)用Sklearn模型庫中的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，在不斷調(diào)試后選擇relu作為激活函數(shù)，訓(xùn)練精度為0.001。由于水產(chǎn)品冷鏈物流需求受10個(gè)因素的影響，因此輸入層結(jié)點(diǎn)為10，輸出層節(jié)點(diǎn)數(shù)為1，經(jīng)調(diào)試，隱含層神經(jīng)元為8個(gè)時(shí)，訓(xùn)練效果最佳。數(shù)據(jù)集一般按照7∶3的比例進(jìn)行劃分，本文選前15年的數(shù)據(jù)作為訓(xùn)練集，后5年作為是驗(yàn)證集。經(jīng)過反復(fù)的訓(xùn)練模型，當(dāng)訓(xùn)練次數(shù)達(dá)到100時(shí)，誤差幾乎下降到最小。將后5年的數(shù)據(jù)輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中，得到2017—2021年4年水產(chǎn)品需求量的預(yù)測值，從驗(yàn)證集的擬合曲線可以看到兩者變化趨勢(shì)一致，但預(yù)測值總是小于真實(shí)值，存在一定的滯后性。

3.2" 支持向量回歸預(yù)測模型

同樣還是使用Python軟件，首先調(diào)用Sklearn模型庫中的SVR預(yù)測模型，用SVR模型對(duì)重構(gòu)的殘差序列進(jìn)行訓(xùn)練尋優(yōu)，核函數(shù)為高斯徑向基函數(shù)，確定SVR模型中的最優(yōu)懲罰因子和容忍因子，圖5為測試樣本的誤差變化曲線。

3.3" BP-SVR組合預(yù)測結(jié)果對(duì)比

通過上述SVR模型對(duì)誤差進(jìn)行訓(xùn)練后，把誤差值加到真實(shí)值進(jìn)行殘差修正，得到BP-SVR預(yù)測結(jié)果，圖6是BP-SVR組合模型擬合圖，可以看到通過SVR模型進(jìn)行誤差修正后[15]，兩者變化的趨勢(shì)不僅保持一致，且預(yù)測結(jié)果更加接近真實(shí)值。

為了驗(yàn)證模型的有效性，將GM模型、BP和SVR模型作為對(duì)照組進(jìn)行模型評(píng)價(jià)。其中GM模型使用SPSSPRO軟件進(jìn)行預(yù)測，從表4中4項(xiàng)指標(biāo)中，在單一模型預(yù)測中，雖然GM的模型優(yōu)于BP模型，但GM模型只能預(yù)測相關(guān)影響因素未來變化趨勢(shì)，不能挖掘相關(guān)因素和需求量之間的規(guī)律。最終，通過實(shí)驗(yàn)證明，BP-SVR模型的4項(xiàng)誤差評(píng)價(jià)指標(biāo)均小于其他對(duì)照組的模型，其中平均絕對(duì)誤差降低了0.56～0.61。這是因?yàn)樵谟?xùn)練主體部分的殘差時(shí)，針對(duì)這一非線性且無規(guī)律樣本時(shí)，發(fā)現(xiàn)SVR模型的預(yù)測效果要優(yōu)于其他模型，且BP神經(jīng)網(wǎng)絡(luò)模型能夠把需求量的影響因素考慮進(jìn)去，所以BP-SVR這一組合模型更適合水產(chǎn)品需求量的預(yù)測。

3.4" 湖北省未來5年的水產(chǎn)品冷鏈物流需求預(yù)測

使用構(gòu)建好的BP-SVR組合模型對(duì)湖北省未來5年水產(chǎn)品需求量進(jìn)行預(yù)測，首先要預(yù)測其影響因素的數(shù)據(jù)作為輸入變量。在這里采用兩階段預(yù)測，第一階段先用GM模型對(duì)其影響因素進(jìn)行趨勢(shì)預(yù)測，第二階段將前20年的歷史數(shù)據(jù)放入訓(xùn)練好的BP-SVR模型進(jìn)行預(yù)測，可得到未來5年的水產(chǎn)品需求量。結(jié)果如表5所示，可以看到在經(jīng)濟(jì)保持相對(duì)穩(wěn)定的前提下，湖北省未來幾年的水產(chǎn)品冷鏈需求量仍會(huì)繼續(xù)增長，為了保持水產(chǎn)品冷鏈健康有序發(fā)展，需要加大當(dāng)?shù)乩鋷斓然A(chǔ)設(shè)施的建設(shè)[15]，進(jìn)一步優(yōu)化和整合冷鏈物流現(xiàn)有的資源，減少運(yùn)輸途中水產(chǎn)品的流通損耗，以實(shí)現(xiàn)物流行業(yè)降本增效的目標(biāo)。

4" 結(jié)論與展望

" 水產(chǎn)品冷鏈物流需求量預(yù)測是受外界多種因素影響的系統(tǒng)，對(duì)其需求量進(jìn)行有效預(yù)測，不僅可以為相關(guān)企業(yè)、政府制定發(fā)展戰(zhàn)略提供有效的數(shù)據(jù)依據(jù)，且對(duì)當(dāng)?shù)刂卮罄滏溛锪髟O(shè)施樞紐和鐵路冷藏運(yùn)輸進(jìn)行合理的布局和統(tǒng)籌規(guī)劃提供可靠性的數(shù)據(jù)。本文在BP神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上運(yùn)用灰色關(guān)聯(lián)度選取對(duì)需求量影響較大的因素作為輸入變量，構(gòu)建SVR模型對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行誤差修正，根據(jù)誤差性能指標(biāo)結(jié)果可知，BP-SVR模型的精度均比單一模型精度高。因此BP-SVR組合模型可有效用于水產(chǎn)品的需求預(yù)測中，后續(xù)研究可以通過增加新的影響因素指標(biāo)和別的模型對(duì)比來探究新方法。

參考文獻(xiàn)：

[1] 謝晶，譚明堂，楊大章，等. 我國漁業(yè)倉儲(chǔ)保鮮和冷鏈物流發(fā)展現(xiàn)狀[J]. 包裝工程，2021，42（11）：1-10.

[2] 李偉瑩，于洋. 基于灰色預(yù)測模型的我國水產(chǎn)品冷鏈物流需求預(yù)測[J]. 農(nóng)技服務(wù)，2019，36（6）：103-105，107.

[3] 劉艷利，伍大清. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的水產(chǎn)品冷鏈物流需求預(yù)測研究——以浙江省為例[J]. 中國漁業(yè)經(jīng)濟(jì)，2020，38（5）：93-101.

[4] 于洋，王關(guān)，賈智旗，等. 基于RBF-SVR組合模型的切削力預(yù)測[J]. 工具技術(shù)，2022，56（8）：92-96.

[5] 王鵬飛. 基于GM-RBF組合模型的高路塹邊坡穩(wěn)定性預(yù)測研究[J]. 建筑結(jié)構(gòu)，2021，51（20）：140-145.

[6] 冉茂亮，陳彥如，楊新彪. 基于EEMD-LMD-LSTM-LEC深度學(xué)習(xí)模型的短時(shí)物流需求預(yù)測[J]. 控制與決策，2022，37（10）：2513-2523.

[7] 王博文，王景升，朱茵，等. 基于ARMA-SVR的短時(shí)交通流量預(yù)測模型研究[J]. 公路交通科技，2021，38（11）：126-133.

[8]" ZHANG Y. Application of improved BP neural network based on e-commerce supply chain network data in the forecast of aquatic product export volume[J]. Cognitive Systems Research， 2019，57：228-235.

[9]" PANAHI M， SADHASIVAM N， POURGHASEMI H R， et al. Spatial prediction of groundwater potential mapping based on convolutional neural network （CNN） and support vector regression （SVR）[J]. Journal of Hydrology， 2020，588：125033.

[10] 耿立艷，張占福. 物流需求預(yù)測方法研究進(jìn)展[J]. 物流技術(shù)，2020，39（1）：1-5，27.

[11] 呂靖，陳宇姝. 大連水產(chǎn)品冷鏈物流需求影響因素分析及其預(yù)測[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2020，50（15）：72-80.

[12] 王向前，吳東隆，鄭健彤. 貨物吞吐量預(yù)測的改進(jìn)ARIMAX方法——以天津港為例[J]. 運(yùn)籌與管理，2022，31（3）：138-144.

[13] 熊紅林，冀和，樊重俊，等. 基于LSTM-SVR模型的航空旅客出行指數(shù)預(yù)測[J]. 系統(tǒng)管理學(xué)報(bào)，2020，29（6）：1169-1176.

[14] 肖進(jìn)，文章，劉博，等. 基于選擇性深度集成的集裝箱吞吐量混合預(yù)測模型研究[J]. 系統(tǒng)工程理論與實(shí)踐，2022，42（4）：1107

-1128.

[15] 崔忠付. 點(diǎn)面結(jié)合精準(zhǔn)施策 邁向“十四五”新征程——解讀《“十四五”冷鏈物流發(fā)展規(guī)劃》[J]. 中國物流與采購，2022（1）：24-26.

收稿日期：2023-07-28

作者簡介：吳夢(mèng)為（1999—），女，河南信陽人，武漢科技大學(xué)管理學(xué)院碩士研究生，研究方向：需求預(yù)測、機(jī)器學(xué)習(xí)；張" 洪（1981—），本文通信作者，女，湖北洪湖人，武漢科技大學(xué)管理學(xué)院，副教授，博士生導(dǎo)師，研究方向：價(jià)值共創(chuàng)、社會(huì)化商務(wù)、電子商務(wù)和用戶行為。

引文格式：吳夢(mèng)為，張洪. 基于組合模型的水產(chǎn)品冷鏈物流需求預(yù)測研究[J]. 物流科技，2024，47（15）：151-155.