Abstract： Inorder toimprove theacuracyofdemandforecasting forcoldchainlogisticsofaquatic products，thispaperusesa forecasting methodbasedonsupportvector machines.ThispaperfirstusesGreyRelationalAnalysistoselectrelevantindicators affectingdemandforecastingforcoldchainlogisticsofaquaticproducts，andtheninputssampledataintothemodelforlearning. Finally，amodelisconstructedtodescribethenonlinearreltionshipbetweenaquaticproductcoldchainlogisticsdemandand influencing factors.Thepapertakesthecoldchainlogisticsdemandof Tianjinaquaticproductsasan example，andthesiulation resultsshowthatsupportvector machineshavehigherpredictionacuracythanBPneuralnetworks inaquaticproductcold chainlogisticsforecasting，sotheuseofsupportvectormachineforecastingmodelhasabroaderaplicationprospectinaquatic product cold chain logistics demand forecasting.

Key Words： aquatic products; cold chain logistics; demand forecasting; support vector machines; BP neural networks

0引言

“冷鏈”是一種包括從生產(chǎn)、加工、儲(chǔ)存、運(yùn)輸?shù)戒N售等各階段的溫度控制在內(nèi)的一套系統(tǒng)，以確保商品的新鮮度和質(zhì)量。與此同時(shí)，水產(chǎn)品作為居民日常生活必需品，又是冷鏈物流的重點(diǎn)目標(biāo)，隨著我國經(jīng)濟(jì)的高速發(fā)展，人民生活水平的不斷提升，冷鏈物流的發(fā)展對保障食品安全、改善食品質(zhì)量起到了至關(guān)重要的作用，因此，研究水產(chǎn)品冷鏈物流具有十分重要的意義。然而，隨著對水產(chǎn)品冷鏈物流需求的不斷增長，其資源配置不合理、物流效率低下等問題也日益凸顯，嚴(yán)重影響了水產(chǎn)品的保鮮能力及市場競爭力。針對上述問題，本文擬以天津市水產(chǎn)冷鏈物流為研究對象，采用科學(xué)的預(yù)測方法，開展水產(chǎn)冷鏈物流需求預(yù)測研究，以促進(jìn)我國水產(chǎn)冷鏈物流的健康發(fā)展。對水產(chǎn)品冷鏈物流需求進(jìn)行精確預(yù)測，能夠有效提高整體供應(yīng)鏈的運(yùn)行效率和反應(yīng)能力，保證水產(chǎn)品質(zhì)量和安全性，降低由于不恰當(dāng)?shù)臏乜貙?dǎo)致的損耗，滿足顧客對生鮮食品的新鮮程度和質(zhì)量要求。同時(shí)，企業(yè)也可以預(yù)測市場需求，進(jìn)行資源配置與庫存管理，進(jìn)而制訂出更合理的運(yùn)輸與儲(chǔ)存策略，提升企業(yè)在市場上的競爭能力。

1文獻(xiàn)綜述

目前國內(nèi)外學(xué)者關(guān)于水產(chǎn)品冷鏈物流需求預(yù)測探索了許多方法，主要有灰色預(yù)測模型、多元線性回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、RBF神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)回歸模型以及組合預(yù)測模型。如蔣智凱等（2017）運(yùn)用灰色模型預(yù)測的方法對水產(chǎn)品冷鏈物流進(jìn)行了預(yù)測，確定了最終預(yù)測值，并對結(jié)果進(jìn)行了分析，提出了相關(guān)發(fā)展建議。李偉瑩等采用灰色預(yù)測模型對我國水產(chǎn)品冷鏈物流需求規(guī)模進(jìn)行預(yù)測，并針對我國水產(chǎn)品冷鏈物流需求的影響因素和發(fā)展問題提出相應(yīng)的對策建議。王建等（2020）使用多元線性回歸模型、GM（1，1）模型以及BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型等對水產(chǎn)品冷鏈物流進(jìn)行模擬預(yù)測，并對其預(yù)測結(jié)果進(jìn)行對比分析，結(jié)果顯示RBF神經(jīng)網(wǎng)絡(luò)模型對水產(chǎn)品冷鏈物流需求預(yù)測的精度更高。陳宇姝等（2020）提出了基于GM（1，1）和BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型，并通過MATLAB對水產(chǎn)品冷鏈物流的需求量進(jìn)行仿真預(yù)測④。劉艷利等（2020）采用主成分分析法和BP神經(jīng)網(wǎng)絡(luò)組合法對水產(chǎn)品冷鏈物流需求量進(jìn)行預(yù)測5。代田莉等（2022）使用了二次指數(shù)平滑法、RBF神經(jīng)網(wǎng)絡(luò)模型、多元線性回歸模型和GM（1，1）模型對水產(chǎn)品冷鏈物流需求預(yù)測精度進(jìn)行對比分析。Liu et al.（2023）運(yùn)用傳統(tǒng)灰色模型和灰色-BP神經(jīng)網(wǎng)絡(luò)模型對我國水產(chǎn)品冷鏈物流需求量進(jìn)行模擬預(yù)測，并發(fā)現(xiàn)灰色-BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果更好]。李蕓嘉等（2024）介紹SVM和BP神經(jīng)網(wǎng)絡(luò)兩種預(yù)測方法，通過對比分析發(fā)現(xiàn)SVM的預(yù)測結(jié)果更為穩(wěn)定8]。

水產(chǎn)品冷鏈物流需求受到多種因素的影響，包括季節(jié)性變化、市場需求波動(dòng)、天氣條件、政策變化、技術(shù)進(jìn)步等，這些因素之間的關(guān)系往往是復(fù)雜的、非線性的，非線性預(yù)測方法能夠捕捉和表達(dá)這種復(fù)雜關(guān)系，提供更準(zhǔn)確的預(yù)測。因此，本文在進(jìn)行水產(chǎn)品冷鏈物流需求預(yù)測時(shí)采用支持向量機(jī)模型，并與BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果進(jìn)行對比分析，旨在尋找水產(chǎn)品冷鏈物流需求預(yù)測的最佳預(yù)測方法，提高預(yù)測的準(zhǔn)確性。

2研究方法

2.1 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是一種二元分類方法，旨在找到一個(gè)最佳超平面，以區(qū)分不同類別的樣本點(diǎn)。最優(yōu)超平面指的是距離兩類樣本點(diǎn)最近的超平面。

假設(shè)訓(xùn)練樣本集是 ，其中 N 表示樣本個(gè)數(shù)， X_i ， Y_i 分別表示輸入量和輸出量，所以支持向量機(jī)的預(yù)測的表達(dá)式如下。

F（X）=ω?（X）+b

式中 ω 表示權(quán)值向量， b 表示偏置向量。

為了提升支持向量機(jī)在訓(xùn)練集上的泛化能力，除了要最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)外，還需要盡量減少模型的復(fù)雜性，所以支持向量機(jī)預(yù)測是對下列式子進(jìn)行最優(yōu)化求解的過程。

式中 c 表示懲罰因子， ξ_i ， （ξ_i） 表示松弛變量。

引人拉格朗日乘子，SVM預(yù)測模型可以表示如下。

K（X_i，Y_i） 表示核函數(shù)，本研究采用徑向基函數(shù)。

所以最終SVM預(yù)測模型可以表示如下。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)模型是一種常用的人工神經(jīng)網(wǎng)絡(luò)模型，它是基于梯度下降算法的反向傳播誤差算法實(shí)現(xiàn)的。BP神經(jīng)網(wǎng)絡(luò)模型可以用來解決分類和回歸問題，并且具備優(yōu)秀的自適應(yīng)能力和泛化能力。BP神經(jīng)網(wǎng)絡(luò)模型主要包括輸人層、隱藏層和輸出層，每一層可以包含多個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)之間通過權(quán)重和偏置相連。輸入層的節(jié)點(diǎn)接收輸入數(shù)據(jù)，隱藏層的節(jié)點(diǎn)接收輸入層節(jié)點(diǎn)的輸出，輸出層的節(jié)點(diǎn)接收隱藏層節(jié)點(diǎn)的輸出。

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的主要步驟如下。

首先，網(wǎng)絡(luò)初始化，根據(jù)系統(tǒng)輸入輸出序列 確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù) n 、隱含層節(jié)點(diǎn)數(shù)1，輸出層節(jié)點(diǎn)數(shù) m ，初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值，初始化隱含層閾值 a ，輸出層閾值 b ，給定學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù)。

其次，隱含層輸出計(jì)算，根據(jù)輸入向量 X ，輸入層和隱含層間連接權(quán)值以及隱含層閾值 Φ_a ，計(jì)算隱含層輸出 H

其中，l是隱含層節(jié)點(diǎn)數(shù)，f是隱含層激勵(lì)函數(shù)。

再次，輸出層輸出計(jì)算，根據(jù)隱含層輸出 H ，連接權(quán)值 ω_ij ，和閾值 b ，計(jì)算BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出 O

此外，誤差計(jì)算，根據(jù)網(wǎng)絡(luò)預(yù)測輸出 o 和期望輸出 Y ，計(jì)算網(wǎng)絡(luò)預(yù)測誤差 e

再次，權(quán)值更新，根據(jù)網(wǎng)絡(luò)預(yù)測誤差 e 更新網(wǎng)絡(luò)連接權(quán)值 ω_ij，ω_jk ， η 是學(xué)習(xí)速率。

然后，閾值更新，根據(jù)網(wǎng)絡(luò)預(yù)測誤差 e 更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值 a ， b 。

最后，判斷算法迭代是否結(jié)束，若沒有結(jié)束，返回第二步。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如圖1所示。

3實(shí)證研究

3.1指標(biāo)選取

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)，其受多種因素的影響，為了提高預(yù)測的準(zhǔn)確性，結(jié)合現(xiàn)有文獻(xiàn)許雯（2023）、吳夢為（2024）等P-研究和實(shí)際情況的基礎(chǔ)上，在影響因素的選取上要考慮到以下幾個(gè)方面。第一，經(jīng)濟(jì)發(fā)展水平。

隨著經(jīng)濟(jì)發(fā)展，居民收入提高，消費(fèi)結(jié)構(gòu)升級，對水產(chǎn)品的需求量增加，特別是對新鮮、高品質(zhì)水產(chǎn)品的需求日益增長，對水產(chǎn)品冷鏈物流需求產(chǎn)生重要影響。第二，人文發(fā)展水平。城市化進(jìn)程的加快，冷鏈物流成為保障產(chǎn)品新鮮度、延長保質(zhì)期的重要手段，使得人口密集區(qū)域?qū)λa(chǎn)品的需求量大增。第三，供給水平。水產(chǎn)品冷鏈物流需求量與供給水平間存在著密切的聯(lián)系，水產(chǎn)品的產(chǎn)量直接影響市場的供給量進(jìn)而影響水產(chǎn)品需求量。第四，冷鏈服務(wù)水平。高水平的冷鏈服務(wù)能夠確保水產(chǎn)品在儲(chǔ)存、運(yùn)輸和配送過程中的溫度控制，有效降低產(chǎn)品損耗和品質(zhì)下降的風(fēng)險(xiǎn)。隨著冷鏈技術(shù)的進(jìn)步，冷庫數(shù)量和規(guī)模的增加，以及凍結(jié)、冷藏和制冰能力的提升，冷鏈物流服務(wù)對滿足市場對新鮮、安全水產(chǎn)品的需求產(chǎn)生重要影響。第五，物流發(fā)展水平。隨著物流技術(shù)的進(jìn)步，冷鏈物流設(shè)施不斷完善，運(yùn)輸速度和效率大幅提升，使得水產(chǎn)品在運(yùn)輸過程中保持新鮮度成為可能，進(jìn)而刺激水產(chǎn)品冷鏈物流的需求。天津市水產(chǎn)品冷鏈物流需求影響指標(biāo)體系如表1所示。

3.2數(shù)據(jù)來源

本文通過對《中國冷鏈年鑒》《天津市統(tǒng)計(jì)年鑒》《中國漁業(yè)年鑒》和國家數(shù)據(jù)網(wǎng)獲取相關(guān)數(shù)據(jù)，其中選擇天津市當(dāng)年水產(chǎn)品消耗量來表示當(dāng)年冷鏈物流的需求量 （Y） 。

3.3灰色關(guān)聯(lián)度分析

使用SPSS軟件對X1，X2，X3，X4，X5，X6，X7，X8，X9， X10 X11 ， X12 ， X13 等指標(biāo)進(jìn)行無量綱化處理，然后進(jìn)行灰色關(guān)聯(lián)分析。分析結(jié)果顯示， X1 ， X2 ，X3，X4，X5，X6，X7，X8， X9 ， X10 ， X11 ，X12 ， X13 等指標(biāo)的灰色關(guān)聯(lián)度都在0.5以上，可以說明這13個(gè)指標(biāo)對于水產(chǎn)品冷鏈物流需求影響是顯著的，因此，將這 X1 ， X2 ， X3 ， X4 X5，X6，X7，X8，X9， X10 ， X11 ， X12 ， X13 指標(biāo)作為需求預(yù)測的自變量，將水產(chǎn)品冷鏈物流需求作為因變量 Y 灰色關(guān)聯(lián)度結(jié)果如下。

4天津市水產(chǎn)品冷鏈物流模型預(yù)測

采用SVM對天津市2007—2021年的數(shù)據(jù)進(jìn)行擬合，同時(shí)也采用BP神經(jīng)網(wǎng)絡(luò)對天津市物流需求進(jìn)行擬合。兩者的擬合結(jié)果如表3所示。

由表3、圖2、圖3可得，SVM對天津市水產(chǎn)品冷鏈物流需求進(jìn)行預(yù)測時(shí)擬合精度的平均值是0.9217，擬合精度最大值是0.9972，最小值是0.7927；運(yùn)用BP神經(jīng)網(wǎng)路對天津市水產(chǎn)品冷鏈物流需求預(yù)測時(shí)，擬合精度的平均值是0.8590，最大值是0.9876，最小值是 0.740 6 通過對比可以看到SVM擬合精度的平均值以及最大值和最小值都大于BP神經(jīng)網(wǎng)絡(luò)的值，由此可知，SVM的擬合精度更高。

為了進(jìn)一步檢驗(yàn)預(yù)測的準(zhǔn)確性，將數(shù)據(jù)集分為訓(xùn)練集和測試集兩部分再次進(jìn)行檢驗(yàn)，通過檢驗(yàn)發(fā)現(xiàn)SVM測試集的MAE是10202.7202，MAPE是0.041431的；BP神經(jīng)網(wǎng)絡(luò)的測試集MAE是17237.3573，MAPE是 0.071566 （20（見表4）從中可以發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)較SVM有過度擬合的現(xiàn)象。所以在樣本L數(shù)據(jù)較少且描述物流需求呈非線性變化的需求預(yù)測上，SVM的預(yù)測能力更好些。

5總結(jié)

5.1結(jié)論

水產(chǎn)品冷鏈物流的需求受多種因素的影響，是一個(gè)非線性系統(tǒng)。為了準(zhǔn)確預(yù)測天津市水產(chǎn)品冷鏈物流需求預(yù)測的精度，將支持向量機(jī)模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比，分別進(jìn)行預(yù)測，結(jié)果表明在樣本數(shù)據(jù)較少，且物流需求呈非線性的變化規(guī)律時(shí)，BP神經(jīng)網(wǎng)絡(luò)由于其復(fù)雜的結(jié)構(gòu)，容易出現(xiàn)過擬合的現(xiàn)象，支持向量機(jī)可以減少過擬合現(xiàn)象，其預(yù)測精度更高一些，更具有優(yōu)勢。

5.2相關(guān)建議

隨著經(jīng)濟(jì)的發(fā)展，消費(fèi)者對食品的質(zhì)量和安全要求不斷提高，冷鏈物流已成為現(xiàn)代漁業(yè)發(fā)展的重要組成部分，通過加強(qiáng)冷鏈物流體系建設(shè)，可以帶動(dòng)相關(guān)產(chǎn)業(yè)鏈上下游協(xié)同發(fā)展，促進(jìn)整個(gè)行業(yè)向現(xiàn)代化、智慧化方向轉(zhuǎn)型升級。因此發(fā)展水產(chǎn)品冷鏈物流可以從以下幾個(gè)方面展開。

第一，加大基礎(chǔ)設(shè)施建設(shè)。增加對冷藏倉儲(chǔ)設(shè)施、運(yùn)輸工具及相關(guān)的支持設(shè)施進(jìn)行預(yù)先的規(guī)劃與建設(shè)，以保證整個(gè)冷鏈物流體系能適應(yīng)不斷增加的市場需要；運(yùn)用先進(jìn)的溫控技術(shù)，監(jiān)測系統(tǒng)和信息技術(shù)，改善冷藏運(yùn)輸?shù)男屎推焚|(zhì)，降低損失率。第二，結(jié)合物聯(lián)網(wǎng)、人工智能等技術(shù)，對物流路徑進(jìn)行優(yōu)化，提高效率，減少運(yùn)行成本；重視綠色環(huán)保，提倡采用環(huán)保材料包裝和節(jié)能制冷裝置，降低對環(huán)境的沖擊，實(shí)現(xiàn)綠色可持續(xù)發(fā)展的目的。

參考文獻(xiàn)：

[1]符自饑，你眈斗，荃」灰巴筷塵的遷么滄巾?。┘戳畋軓亓鞫№敎y刀仰[J]準(zhǔn)海上于匹于報(bào)（八入忙云們于版），2U1/，15（8）：101-103.

[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]李敏杰，王?。赗BF神經(jīng)網(wǎng)絡(luò)的水產(chǎn)品冷鏈物流需求預(yù)測研究[J]．中國農(nóng)業(yè)資源與區(qū)劃，2020，41（6）：100-109.

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

[5]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.

[6]李玉峰，諶麗，代田莉，等．不同方法下水產(chǎn)品冷鏈物流需求量預(yù)測精度對比分析[J].中國漁業(yè)經(jīng)濟(jì)，2022，40（2）：91-98.

[7]LIUShuai，CHANGLe，WANGLin.Demandforecastingofcold-chainlogisticsofaquaticproducts inChinaunderthebackgroundof theCovid-19post-epidemiceraJ/OL].PlSOne，2023，18（11）.224-10-12].htps：/doiorg/10.1371/joual.pone.0287030.

[8]李蕓嘉，張修志．?？诟鬯a(chǎn)品冷鏈物流需求預(yù)測研究[J]．中國商論，2024（8）：87-90.

[9]許雯，溫佳霖．浙江省水產(chǎn)品冷鏈物流需求預(yù)測及其影響因素研究[J].物流工程與管理，2023，45（2）：41-45.

[10]吳夢為，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.