晋民杰，王 博，李 雯

(太原科技大学 交通与物流学院，太原 030024)

物流量预测是物流领域的重要环节之一，其预测的准确度影响着后续所有物流工作的作业安排。目前，物流量常用的预测方法有加权平均法、指数平滑法、ARIMA统计模型、曲线拟合模型及线性回归模型等。影响物流量变化的因素越来越多，各因素对结果的影响程度难以定量，因此预测精度时常不佳。ARIMA统计模型对数据的分布有线性要求，对于非线性数据的拟合优度效果不佳，曲线拟合则面临拟合精度与高次阶数震荡性强的矛盾。

张璐等[1]系统地概述了物流预测方法，总结各方法的优缺点。杨荣英等[2]在移动平均值的基础上，提出了物流预测技术中的移动平均线方法。唐伟鸿等[3]提出了一种基于时间序列的支持向量机(SVM)的物流预测方法。王宣承等[4]提出了季节分解和神经网络相结合的物流预测混合模型。

在时间序列分析法中，利用季节因子分解可以有效减少已有数据之间的数值差异，经过季节因子分解后建立自回归积分滑动平均模型(ARIMA)，对物流量进行预测，但缺点是要求季节分解后的数据是稳定的，本质上只能捕捉线性关系，不能捕捉非线性关系。在实际运用过程中，部分数据经过季节因子分解后仍无法建立ARIMA模型。曲线拟合可以有效建立波动数据组的拟合方程，将物流量预测问题转化为数学函数关系问题，对数据的拟合适应性较强。但曲线拟合的拟合优度与拟合方程的阶数正相关，拟合方程过高的阶数固然可以提高拟合优度，但方程震荡性较强，因变量对自变量的变化过于敏感。……