贾少博

(西安职业技术学院经济管理学院，陕西 西安 710077)

近年来随着我国物流产业规模不断扩大，目前面临的主要问题是物流成本越来越高，导致物流产业出现瓶颈期，因此对物流产业成本进行控制、提升物流配送效率显得尤为重要[1-2]。在物流配送方案的设计过程中，准确预测区域物流需求具有十分重要的意义[3]。科学的物流配送方案，首先需要对区域物流需求量作出合理的预测，然后结合区域物流产业集群和物流配送中心发展的现状，设计一套合理的配送方案[4]。

随着研究的不断深入，众多学者提出了区域物流需求量组合预测方法，但组合方法没有确定单一模型的权值，因此区域物流需求量组合预测结果有待改善[5]。

为提高区域物流需求量组合预测结果的精准度，本文提出了最优权值确定的区域物流需求组合预测方法，该方法首先通过收集货物量的历史相关数据，构建单一预测模型，然后确定各种预测模型预测结果的权值，最后通过加权组合得到区域物流的预测需求量。

1 区域物流需求组合预测模型

随着对组合预测的研究越来越深入，研究人员发现组合预测方法更适合进行区域物流需求量的预测。首先选择多种方法构建独立预测模型，通过独立模型完成区域物流需求量的预测，然后将独立预测模型所获取的预测结果进行加权组合，最后以加权组合的结果作为区域物流需求量的最终预测结果[6-7]。因此组合预测过程中主要包括两方面内容：一方面为多种预测方法的选择，将预测对象的具体需求和多种方法所构建的独立模型特征相结合，综合分析后选择适合的独立预测模型；另一方面是对多种独立预测模型获取的预测结果完成加权，因此可以将其看成是一个如何对多种独立模型预测结果进行加权的问题[8-9]。设某区域货物量的历史数据为a=(a1,…,am)，其中ai为第i个历史数据。由于区域物流的需求量直接影响着当地经济、政治环境以及物流产业集群的建立，经过分析得出该区域物流需求量的预测只适合中短期预测方法，因此通过中短期预测方法完成中短期独立预测模型的构建。假设需要选择m种预测方法来构建m种区域物流货物量独立预测模型，并通过m种独立预测模型获取m种预测值，设bij为第i种独立预测模型获取的第j种预测值，且满足i=1,2,…,m；j=1,2,…,m。设置σ1,σ2,…,σm为组合预测的加权系数，以区域物流需求量的建模原理为依据，获取区域物流需求组合预测模型，表达式为：

(1)

通常情况下组合预测模型采用简单加权形式，因此第k时刻的区域物流需求组合预测模型可为：

ak=σ1b1k+σ2b2k+…+σnbnk

k=1,2,…,n

(2)

构建区域物流需求组合预测模型，并获取预测值的加权后，即可得到组合预测时间序列A：

(3)

2 最优化权值组合的区域物流需求量预测

由于每一种独立预测模型只能预测区域物流需求量的某一方面变化特点，无法对区域物流需求量变化特点进行全面预测，因此独立的预测模型预测精度较低[10]。最优权值法则可避免以上问题，该方法集成了所有独立预测模型的优势，将每个独立的预测模型所获取的信息综合起来，使预测过程更加全面，因此本文采用最优权值组合法来完成区域物流需求量的预测。

以最优权值为理论依据，对区域物流需求量的相关变量完成预测。首先对相关变量在t时刻的值完成预测，假设在m种独立模型中有n种独立模型符合统计检测要求，再对多种独立模型完成一次非统计合理性检测，并假设有l种独立模型符合非统计合理性检测要求，将该l种独立模型进行综合处理，得到如下综合模型：

B=C{e1(t),e2(t),…,el(t)}

ei(t)=St{b1,b2,…,bk}

(4)

式中：B为预测模型所获取的信息量；ei(t)为第i种独立预测模型的预测值；C为组合函数；St为t时刻的预测值；bj为第j种独立预测模型；S为统计经验允许值集合；H为预测模型预测可靠性指数。

一般情况下，通常采用简单平均法或者二项式系数法确定区域物流需求组合预测模型的加权系数，但这两种方法无法将区域物流需求组合预测模型在预测中产生的误差降到最低，因此本文通过确定单一模型的最优权值，降低区域物流需求组合预测模型的预测误差平方和。

采用3种方法构建3种区域物流需求量独立预测模型，第i种独立预测模型在t时刻的预测值权重为σi(i=1,2,3)，则最优组合的预测值e(t)可表达为：

(5)

式中：λi为随机扰动项。

用a(t)(t=1,2,…,k)表示区域物流需求组合预测模型在t时刻的实际观测值，则最优区域物流需求组合预测模型的预测误差平方和I为：

(6)

式中:d(t)为加权组合的预测误差；q为所选的时间序列的长度。

对于某一组数据组合预测模型在区域物流需求量的预测过程中会产生一定误差，当某组数据的误差平方达到最小时，那么此时的权值为最优权重σi。因此对于该组数据,各个模型最优权值组合可表示为：

(7)

i=1,2,3;t=1,2,…,k

式中：σ(t)为t时刻的最优权重值；di(t)为第i种区域物流需求组合预测模型在t时刻的预测误差。

则加权组合的预测误差d(t)为：

d(t)=a(t)-e(t)=

(8)

区域物流需求组合预测模型的最优权重矩阵G为：

G=

(9)

通过判定以下非线性规划问题，可直接确定最优权重向量。

(10)

i=1,2,3;t=1,2,…,k

式中：δl为最优权重值指数。

公式(10)的最优解为：

(11)

式中：G*为区域物流需求组合预测模型的最优权重矩阵的伴随矩阵。

通过公式(11)可以得到组合预测的最优权重向量，与最优权重向量相对应的预测误差平方和I为：

(12)

由此实现了最优化权值组合法的区域物流需求量预测。

3 实证分析

影响区域物流需求预测结果的因素有很多，因此选取能全面突显区域物流需求的货物量作为预测的决定性因素完成预测过程。以某地区的货运集群中心为研究对象，调取该货运集群中心历史货物量的相关数据，通过本文预测方法对该货运集群中心的区域物流需求量进行预测，首先需要构建3种独立的预测模型——灰色预测模型、非线性三次指数平滑预测模型和回归预测模型,计算3种模型的预测值，然后确定它们的权值，并将预测结果进行加权组合，得到区域物流需求组合预测模型的最终预测结果。

本文研究的货运集群中心在2011—2017年的历史货物量相关数据见表1。

表1 2011—2017年的历史货物量数据表

计算3种模型的预测值得到2018年4个季度的预测结果，通过本文预测方法计算获取3种模型预测值的最优权值分别为0.247 19e1(t),0.993 59e2(t),-0.049 67e3(t)，并通过计算获取组合预测模型预测结果，其中e1(t),e2(t),e3(t)分别为3种独立预测模型的优化组合的预测值。通过区域物流需求组合预测模型获取的预测结果见表2。由表2可知，区域物流需求组合预测模型获取的预测值与实际值差距很小，基本可忽略，且组合预测模型获取的预测值绝对误差和相对误差均较小，表明本文方法中的组合预测模型具有较高的预测精准度。

表2 区域物流需求组合预测模型的预测结果

将4种模型的预测结果作对比，见表3。由表3可知，灰色预测模型预测的误差最大，非线性三次指数平滑预测模型预测的误差次之，回归预测模型预测的误差相对较小，但依旧高于组合预测模型，表明本文提出的组合预测模型可有效综合灰色预测模型、非线性三次指数平滑预测模型以及回归预测模型的优势，能够显著减少区域物流需求预测误差。

表3 4种模型预测绝对误差比较

为了验证本文方法预测性能方面的优势，分别采用小波算法的区域物流需求预测方法、深度学习的区域物流需求预测方法以及本文预测方法对所研究地区的货运集群中心区域物流需求量进行预测，并比较3种预测方法的预测性能，如图1所示。由图1可见，本文方法由于组合了多种独立模型的预测优点，在预测效率、预测准确率性能以及预测全面性方面都具有明显的优势。

图1 3种预测方法的预测性能

4 结论

针对当前区域物流需求量预测误差大、效率低等问题，本文在分析区域物流需求量预测研究的基础上，提出了最优权值确定的区域物流需求组合预测方法，并通过具体实例分析得到如下结论：

1) 本文提出的区域物流需求组合预测方法集成了单一方法的优点，克服了单一方法的不足，大幅度提高了区域物流需求组合预测精度。

2) 与对比方法相比，本文提出的区域物流需求组合预测方法的建模效率得到了明显的提升，在区域物流需求预测中具有较好的应用前景。