ARIMA?SVM的物流需求預測模型

楊建成

摘 要： 物流需求是多種因素綜合作用的結果，具有規律性和特殊性，變分十分復雜，導致當前物流需求預測模型的預測效果差，難以滿足物流管理的實際應用要求。為了解決物流需求建模過程中存在的難題，提出基于ARIMA?SVM的物流需求預測模型。首先對當前物流需求預測的研究現狀進行分析，找到引起物流需求預測效果的原因;然后選擇差分自回歸滑動平均模型對物流需求的規律性變化特點進行建模，支持向量機對物流需求的特殊性變化特點進行建模;最后采用權值方式確定物流需求預測的預測結果，并采用物流需求的預測實例分析模型的有效性。結果表明，ARIMA?SVM的物流需求預測結果要優于當前其他物流需求預測模型，為其他預測問題提供了一種建模工具。

關鍵詞： 物流管理; 隨機性變化特點; ARIMA?SVM; 權值的確定; 預測模型; 支持向量機

中圖分類號： TN911.1?34; TP391 文獻標識碼： A 文章編號： 1004?373X（2018）09?0182?05

Abstract： The logistics demand affected by many factors has the characteristics of regularity， particularity and complex variation， which leads to the poor prediction effect of current logistics demand forecasting model， and is difficult to meet the practical application requirements of logistics management. In order to solve the problems existing in logistics demand modeling process， a logistics demand prediction model based on ARIMA?SVM is proposed. The research status of the current logistics demand forecasting is analyzed to find out the reason influencing the logistics demand forecasting results. The autoregressive integrated moving average （ARIMA） model is selected to model the regular variation characteristics of logistics demand. The support vector machine （SVM） is used to model the special variation characteristics of logistics demand. The weight is used to determine the prediction results of the logistics demand forecasting. The validity of the logistics demand forecasting model is analyzed by means of an example. The results show that the result of logistics demand forecasting model based on ARIMA?SVM is better than that of other logistics demand forecasting models， which provides a modeling tool for other forecasting problems.

Keywords： logistics management; stochastic variation characteristic; ARIMA?SVM; weight determination; prediction model; support vector machine

0 引 言

隨著經濟全球化進展的不斷加速，物流行業得到了前所未有的發展，而物流園區規劃是物流業發展的基礎[1]。物流需求的建模與預測是合理規劃物流園區的前提條件。物流需求的建模與預測是指對某區域的物流歷史數據和資料進行收集和分析，對將來物流需求進行估計，以描述物流需求將來的變化趨勢[2]。物流需求的建模與預測涉及多個方面的技術，如計算機技術、信息處理技術、數量統計技術等，因此物流需求的建模與預測面臨著巨大的挑戰[3?5]。

當前物流需求的建模和預測方法很多，可以將物流需求預測的研究劃分為2個階段：傳統階段和現代階段[6]，傳統階段的物流需求模型主要有：增長率法、指數平滑法、線性回歸法、差分自回歸移動平均法等，其中增長率法、指數平滑法和差分自回歸移動平均法屬于時間序列建模方法，增長率法、指數平滑法要求物流需求是一種增長的變化態勢，這對于長期物流需求進行預測是可以的，但對于短期物流需求預測的建模就不一定可行，因為短期物流需求不一定完全呈增長變化態勢，有可能還有下降的變化態勢，因此它們的限制性十分明顯[7]。差分自回歸移動平均法十分靈活，而且通用性強，成為最常用的一種物流需求預測建模方法，但其是一種線性建模方法，無法對物流需求的其他變化特點進行預測，因此預測效果有待改善[8?9]?，F代階段的物流需求模型主要有：灰色模型、神經網絡、支持向量機等[10?12]，它們屬于非線性建模方法，主要描述物流需求與影響因素之間的非線性映射關系，物流需求的預測效果要明顯優于傳統模型。物流需求與一個區域經濟、交通、政策等因素密切相關，不僅具有一般經濟問題的周期性變化特點，同時還具有隨機性變化特點。單一模型只能對物流需求的單一特點進行建模，導致物流需求預測效果差。為此，有學者提出物流需求的組合預測模型，如灰色神經網絡模型，該模型將灰色模型和BP神經網絡組合在一起，通過它們對物流需求的變化特點進行建模，獲得了較高的預測精度。然而BP神經網絡自身存在一定的不足，影響了物流需求的組合預測結果，因此組合型中的單一模型選擇十分關鍵，成為影響物流需求預測精度的重要技術之一。

為了解決物流需求建模過程中存在的難題，提出基于ARIMA?SVM的物流需求預測模型。首先選擇差分自回歸滑動平均模型對物流需求的規律性變化特點進行建模，支持向量機對物流需求的特殊性變化特點進行建模，然后采用權值方式確定物流需求預測的預測結果，最后采用物流需求預測的實例分析模型的有效性。結果表明，ARIMA?SVM的物流需求預測結果要優于當前其他物流需求預測模型，為其他預測問題提供了一種建模工具。

1 相關理論

1.1 差分自回歸滑動平均模型

差分自回歸滑動平均模型是一種經典的時間序列數據分析方法，根據問題的歷史數據挖掘各種因素對問題結果的影響，揭示時間序列的變化特點。差分自回歸滑動平均模型首先假設時間序列能夠由一些滯后序列進行描述，即AR模型;然后假設其可以由若干白噪聲序列刻畫，即MA模型，它們組成在一起就形成了ARIMA模型。

對于物流需求量的數據，通過差分變換對其進行處理，得到平穩的數據[Yt]，具體形式為：

ARIMA模型的工作步驟如下：

1） 收集數據，并進行相應的預處理。對本文的研究來說，收集物流需求的歷史數據，對其變化特點進行觀察和檢驗，如果該數據為非平穩時間序列，那么就將其變為平穩時間序列，如果該數據為非正態分布，經過一定的變化成為正態分布的數據。

2） 模型識別。根據自相關圖法對序列時間進行定階，然后采用AIC或者SBC準則進行模型篩選，具體如下：

3） 模型預測。對于一個待預測的物流需求時間序列數據，如果是平穩的，那么就可以采用建立的ARIMA模型進行預測。

綜合上述可知，ARIMA的物流需求建模和預測過程如圖1所示。

2 ARIMA?SVM的物流需求預測模型

物流需求與因素相關，不僅具有周期性、線性等變化特點，同時具有隨機性、時變性、非線性等變化特點，單一模型無法描述物流需求的變化特點，導致預測精度低，結果不穩定，由于ARIMA模型可以對物流需求的周期性、線性等變化特點進行建模，而SVM模型可以對物流需求的隨機性、時變性、非線性等變化特點進行建模，ARIMA?SVM模型充分利用ARIMA和SVM的優點，有效解決了ARIMA和SVM的缺陷，改善了物流需求的預測效果，具體流程如圖2所示。

3 物流需求預測的實例分析

3.1 物流數據及相關設置

為了測試ARIMA?SVM的物流需求建模與預測性能，采用一個地區的物流需求數據作為研究對象，數據如圖3所示。首先采用式（13）對原始物流需求數據進行處理，以減少數據幅度變化太大帶來的不利影響。

3.2 ARIMA的物流需求預測結果分析

通過DSP軟件對物流需求數據進行處理，確定它們分別表示回歸和移動平均的階數[p]和[q，]得到最優的[p=5，][q=2。]根據[p=5]和[q=2]建立基于ARIMA的物流需求預測模型，并對最后200個數據進行預測，得到的物流需求預測結果如圖4所示。對圖4的物流需求預測結果進行分析可以發現，ARIMA模型只能對物流需求的總體變化趨勢進行擬合，但是無法對物流需求預測的細節變化特點進行描述，如隨機性等，導致物流需求預測的誤差比較大，物流需求預測效果有待改善。

3.3 SVM的物流需求預測結果分析

采用Matlab 2015實現支持向量機算法，并通過留一法確定支持向量機的參數[C=100.78，σ=8.78。]根據參數[C=100.78，][σ]=8.78建立基于SVM的物流需求預測模型，并對最后200個數據進行預測，得到的物流需求預測結果如圖5所示。對圖5的物流需求預測結果進行分析可知，SVM的物流需求效果要明顯優于ARIMA模型，提高了物流需求預測精度，而且物流需求的預測誤差明顯減少，但是物流需求預測的預測結果還有待進一步改善。

3.4 ARIMA?SVM的物流需求預測結果分析

將ARIMA的物流需求預測結果和SVM的物流需求預測結果作為輸入，物流需求的期望值作為輸出，采用SVM進行學習，確定ARIMA和SVM的物流需求預測結果權值，最后通過權值計算物流需求的預測結果，結果如圖6所示。通過圖6可知，ARIMA?SVM的物流需求預測結果要優于單一ARIMA和SVM的物流需求預測結果，這是因為其綜合利用了ARIMA和SVM的優點，解決了它們存在的局限性，提高了物流需求預測精度，實驗結果表明了ARIMA?SVM的優越性。

4 結 論

物流需求預測是物流管理領域中的一個重要研究內容，為了改善物流需求的預測效果，設計了基于ARIMA?SVM的物流需求預測模型，并進行物流需求預測的具體應用實例分析，根據實例分析結果可以得到如下結論：

1） 物流需求與一個地方所處的位置、經濟、交通、地方政府支持等因素相關，具有其他經濟問題的一般規律，如周期性、線性等，同時具有自身的特殊變化特點，如隨機性、時變性、非線性等，導致單一模型的物流需求預測精度低，預測結果不穩定。

2） ARIMA模型可以對物流需求的一般變化規律進行建模，而SVM模型可以對物流需求的特殊變化特點進行建模，ARIMA?SVM模型充分利用了ARIMA和SVM的優點，能夠有效克服單一ARIMA和SVM的缺陷，有效提升了物流需求的預測精度，而且物流需求的預測結果更加穩定、可靠，具有較明顯的優勢。

3） ARIMA和SVM的組合方式有多種形式，其中權值組合的ARIMA?SVM的預測結果相對更優，實際應用價值更高，同時也為其他預測問題提供了一種有效的建模和預測工具。

參考文獻

[1] 趙秋紅，汪壽陽，黎建強.物流管理中的優化方法與應用分析[M].北京：科學出版社，2006.

ZHAO Qiuhong， WANG Shouyang， LI Jianqiang. Optimization methods and application analysis of logistics management [M]. Beijing： Science Press， 2006.

[2] 孫建豐，向小東.基于灰色線性回歸組合模型的物流需求預測研究[J].工業技術經濟，2007（10）：146?148.

SUN Jianfeng， XIANG Xiaodong. Research on logistics demand prediction based on grey linear regression combination model [J]. Industrial technology and economy， 2007（10）： 146?148.

[3] 王曉原，李軍.灰色GM（1，1）模型在區域物流規模預測中的應用[J].武漢理工大學學報（交通科學與工程版），2005（3）：415?417.

WANG Xiaoyuan， LI Jun. The application of grey GM（1， 1） model in the prediction of regional logistics scale [J]. Journal of Wuhan University of Technology （transportation science and engineering）， 2005（3）： 415?417.

[4] 陳森，周峰.基于灰色系統理論的物流需求預測模型[J].統計與決策，2006（3）：59?60.

CHEN Sen， ZHOU Feng. Logistics demand forecasting model based on grey system theory [J]. Statistics and decision， 2006（3）： 59?60.

[5] 魏連雨，龐明寶.基于神經網絡的物流量預測[J].長安大學學報（自然科學版），2004，24（6）：55?59.

WEI Lianyu， PANG Mingbao. Prediction of material flow based on neural network [J]. Journal of Changan University （natural science edition）， 2004， 24（6）： 55?59.

[6] 尹艷玲.基于自適應神經網絡的物流需求預測研究[J].河南理工大學學報（自然科學版），2010，29（5）：700?704.

YIN Yanling. Research on logistics demand prediction based on adaptive neural network [J]. Journal of Henan Polytechnic University （natural science edition）， 2010， 29（5）： 700?704

[7] 后銳，張畢西.基于MLP神經網絡的區域物流需求預測方法及其應用[J].系統工程理論與實踐，2005，22（12）：43?47.

HOU Rui， ZHANG Bixi. The prediction method of regional logistics demand based on MLP neural network and its application [J]. System engineering theory and practice， 2005， 22（12）： 43?47.

[8] 唐偉鴻，李文鋒.基于時間序列的支持向量機在物流預測中的應用[J].物流科技，2005（1）：8?11.

TANG Weihong， LI Wenfeng. Application of time series based support vector machines in logistics forecasting [J]. Logistics science， 2005（1）： 8?11.

[9] 胡燕祝，呂宏義.基于支持向量回歸機的物流需求預測模型研究[J].物流技術，2008，27（5）：66?68.

HU Yanzhu， L? Hongyi. Research on logistics demand forecasting model based on support vector regression machine research [J]. Logistics technology， 2008， 27（5）： 66?68

[10] 耿立艷，趙鵬，張占福.基于二階振蕩微粒群最小二乘支持向量機的物流需求預測[J].計算機應用研究，2012，29（7）：2558?2560.

GENG Liyan， ZHAO Peng， ZHANG Zhanfu. Logistics demand prediction based on two order oscillating particle swarm least squares support vector machine [J]. Computer application research， 2012， 29（7）： 2558?2560.

[11] 初良勇，田質廣，謝新連.組合預測模型在物流需求預測中的應用[J].大連海事大學學報，2004，30（4）：43?46.

CHU Liangyong， TIAN Zhiguang， XIE Xinlian. Application of combination forecasting model in the logistics demand forecasting [J]. Journal of Dalian Maritime University， 2004， 30（4）： 43?46.

[12] 閆莉，薛惠峰，陳青.基于灰色馬爾可夫模型的區域物流規模預測[J].西安工業大學學報，2009，29（5）：495?497.

YAN Li， XUE Huifeng， CHEN Qing. Prediction of the scale of regional logistics based on Grey Markov model [J]. Journal of Xian Technological University， 2009， 29（5）： 495?497.