物流需求預測方法研究進展

耿立艷，張占福

（1.石家莊鐵道大學 經濟管理學院，河北 石家莊 050043；2.石家莊鐵道大學四方學院，河北 石家莊 051132）

1 引言

物流需求預測是以物流需求的歷史資料和市場信息為基礎，運用適當的理論和方法，對未來物流需求狀況進行科學的分析、估算和推斷。物流需求預測是現代物流系統規劃、物流管理與決策的重要基礎工作，各級物流系統規劃與物流發展政策的制定都離不開對物流需求的準確預測。理論上，對物流需求的準確預測可為物流發展戰略規劃、物流基礎設施規模及物流管理方案的制定提供重要依據，為發展物流產業提供具體可靠的數量支持；實踐上，對物流需求的準確預測有助于政府部門合理規劃和控制物流業開發規模和發展速度，對發展國家經濟和減少浪費具有現實的指導意義。因此，物流需求預測已經成為物流領域的重要研究內容之一，對物流需求預測方法的研究也顯得尤為重要。

物流市場是一個復雜的開放系統，受到諸如經濟、社會、環境、政策等各方面因素的影響，導致物流需求具有復雜的非線性、波動性、隨機性等特征，因而物流需求的準確預測一直成為物流需求研究領域的一個難點。長期以來，國內外許多學者將其他領域應用成熟的預測方法用于物流需求預測領域，并開發了多種預測模型和方法。

根據建模形式的不同，可將現有物流需求預測方法劃分為單一傳統預測方法和單一智能預測方法、組合預測方法和混合預測方法四大類。本文對這四大類預測方法進行綜述，分別總結四類方法中各預測模型的建模原理、優缺點及適用性，以期可以幫助物流需求預測研究人員在面臨不同的物流需求預測任務時，找到適用的預測方法。

2 物流需求預測方法

物流需求預測方法的研究在國外起步較早，主要以傳統預測方法為主，而國內關于物流需求預測方法的研究起步相對較晚，但在借鑒國外研究成果的基礎上，也取得了一系列研究成果。根據國內外相關文獻資料，從建模形式角度，可將物流需求預測方法分為四大類：單一傳統預測方法、單一智能預測方法、組合預測方法和混合預測方法。

2.1 單一傳統預測方法

傳統預測方法是一類較早應用的物流需求預測方法。這類方法以統計學為基礎，建模比較容易，模型的解釋能力強，主要包括單純的時間序列法、回歸分析、數理統計方法等。國外學者對物流需求進行直接預測的很少，主要集中在運輸需求預測上。Michael 等[1]利用時間序列分析模型對鐵路貨運量進行了短期預測。Rodrigo[2]采用時空多項概率模型對貨物運輸需求進行預測。Fite等[3]應用逐步多重線性回歸方法預測貨運量。國內研究中，楊榮英等[4]利用移動平均線法進行物流需求預測。田根平等[5]應用時間序列模型預測物流需求，方威等[6]、周曉娟等[7]利用回歸分析構建了物流需求預測模型。由于這些模型以簡單的線性關系代替復雜的非線性關系，往往不能很好地反映各種因素對物流需求的影響，難以獲得滿意的預測結果，因此這類方法正在逐步被其他更先進的預測方法所取代。

2.2 單一智能預測方法

隨著現代智能控制理論、信息及計算機科學的發展，智能預測方法被廣泛應用于物流需求預測中,主要包括灰色預測法、神經網絡、支持向量機以及它們的改進形式。

灰色預測方法憑借在處理小樣本、貧信息、不確定問題上的獨特優勢，已在眾多行業的短期預測中得到應用。但國外運用灰色預測法進行物流需求預測的文獻較少，如Bahram等[8]運用灰色模型對航空需求進行了預測。在國內，有較多學者將單變量灰色模型應用到物流需求預測領域，主要有林小平等[9]、何國華[10]、張潛[11]分別運用灰色模型進行區域物流需求預測研究。周茵[12]針對灰色模型在適用條件上的局限性，構建了殘差灰色預測模型，通過多次挖掘原始數據的規律性提高物流需求預測精度。由于單變量灰色模型利用物流需求歷史數據進行外推預測，缺乏對影響因素的考慮，高洪波等[13]構建了多變量灰色預測模型預測物流需求，該方法計算簡單，可同時預測物流需求及其影響因素，具有一定的實用性，但該方法無法描述物流需求與其影響因素之間的非線性關系，預測精度有待提高。

神經網絡是一種較為成熟且應用廣泛的模型，它具有較強的非線性擬合能力，通過建立物流需求與其影響因素之間的非線性映射來預測物流需求。國外的Yun等[14]將神經網絡運用到貨運量預測中，得出神經網絡的預測精度優于線性統計模型的結論。我國運用神經網絡進行物流需求預測的學者相對較多，后銳等[15]提出了基于MLP 網絡的“區域經濟-物流需求”預測模型；耿勇等[16]、郭紅霞[17]研究了基于BP神經網絡的物流需求預測方法；尹艷玲[18]將自適應神經網絡應用于物流需求預測，以上研究表明神經網絡能夠提高物流需求的預測精度。但訓練神經網絡需要大量數據樣本，在物流數據樣本較少時，無法保證預測精度，而且神經網絡以經驗風險最小化為準則，在物流需求預測中不能解決過擬合等問題而導致學習泛化性能降低。

支持向量機(SVM)是一種新型神經網絡，以結構風險最小化為原則，較好地克服了神經網絡的缺陷。國外的Carbonneau等[19]利用神經網絡、遞歸神經網絡和SVM預測供應鏈終端物流需求量。國內的胡燕祝等[20]、黃虎等[21]、駱世廣等[22]從區域經濟與區域物流需求關系入手，提出基于回歸的SVM 物流需求預測方法；龐明寶等[23]從區域物流需求自身規律出發，提出基于時間序列的SVM物流需求預測方法。由于SVM能較好地解決小樣本、非線性、局部極小值等問題，在物流需求預測中得到成功應用。但SVM 也存在不足之處，主要體現在模型的參數較多，一方面可能造成過擬合問題，另一方面會增加計算時間；在模型參數選擇方面，目前還缺乏有效的方法和理論依據。這些不足在一定程度上限制了SVM的發展和應用。最小二乘支持向量機(LSSVM)采用不同于標準SVM 的優化目標函數，并且通過等式約束將求解的優化問題轉換成一組線性方程，減少了算法的復雜性，提高了運算速度。該方法已廣泛應用于各行業預測，但在物流需求預測領域應用較少。

2.3 組合預測方法

物流需求是一種復雜的非線性系統，單一預測方法由于在假設條件及適用范圍方面存在一定的局限性，難以全面反映物流需求的變化規律。將多個單一方法的預測結果進行適當組合，在一定條件下可以克服單一預測方法的局限性，提高物流需求的預測精度。國外將組合預測方法應用于物流需求預測的文獻資料很少，國內關于物流需求的組合預測方法研究主要是將不同的智能預測方法相結合、智能預測方法與傳統預測方法相組合，根據組合的形式不同，可歸納為以下三類：

其一，線性組合單一預測結果，即將不同方法的預測結果進行線性組合。初良勇等[24]提出灰色系統模型、回歸分析和BP神經網絡相組合的物流需求預測方法；惠春梅等[25]將灰色預測模型與線性回歸模型相組合預測區域物流需求；王玥[26]提出灰色模型、回歸分析和彈性系數法相組合的區域物流預測方法；閆娟[27]、李程[28]組合灰色預測模型與神經網絡預測區域物流需求。

其二，非線性組合單一預測結果，即將不同方法的預測結果進行非線性組合。萬勵等[29]采用線性回歸模型、移動自回歸模型和SVM 分別預測區域物流需求，再通過BP神經網絡對預測結果進行非線性組合；劉婷婷等[30]運用灰色預測模型、三次指數預測模型、多元回歸預測模型分別預測鐵路貨運量，再利用模糊神經網絡對預測結果進行非線性組合。

其三，修正單一預測結果，即用一種方法對另一種方法預測結果進行修正。黃敏珍等[31]針對物流需求本身的不確定性特點，利用灰色預測模型預測物流需求，采用馬爾柯夫鏈模型修正預測結果，司玲玲等[32]利用灰色預測模型預測物流需求變化趨勢，采用SVM 對預測結果進行修正；駱達榮[33]利用SVM 預測物流需求，采用BP神經網絡對預測殘差進行修正。

這三類組合預測方法都獲得了比單一預測方法更高的預測精度，但對組合預測方法來說，如何選擇合理的單一模型以及如何確定組合預測方法的最優權重，使其能夠更有效地提高預測精度，至今尚無成熟的理論和方法。

2.4 混合預測方法

物流需求的混合預測方法是將單一預測方法與其它方法相融合共同預測物流需求。這類方法能充分發揮單一預測方法和其它方法各自的優勢，而且無需確定參加混合的各方法權重，已成為物流需求預測領域研究的新方向。關于物流需求的混合預測方法研究，現有的國內外文獻研究并不多，根據建模思路不同，可歸納為以下三類：

其一，混合智能優化算法與單一預測方法，即利用不同的智能算法優化單一預測模型的相關參數，以提高模型的預測精度。孫志剛[34]、李泓澤等[35]分別用蟻群優化算法、果蠅優化算法優化LSSVM參數，用優化后的LSSVM 預測物流需求，但這兩種方法僅通過物流需求的歷史數據進行預測，對影響物流需求的因素欠考慮。耿立艷等[36-37]在考慮物流需求影響因素的基礎上，分別利用二階振蕩微粒群算法和與動態加速系數粒子群優化算法調整參數后的LSSVM進行物流需求預測；耿立艷等[38]利用果蠅優化算法(FOA)優化參數后的LSSVM 預測鐵路貨運量，Geng等[39]運用自適應慣性權重算法優化參數后的無偏灰色模型預測物流需求。這些混合方法均比單一的方法獲得了更高的預測精度。

其二，混合數據降維技術與智能預測方法，即將現有理論和方法與人工智能預測方法相混合預測物流需求。考慮到影響物流需求的因素眾多，劉智琦等[40]先用因子分析對物流需求影響因素降維，再運用BP 神經網絡進行預測；何滿輝等[41]利用模糊粗糙集約簡后的輸入數據樣本構建SVM模型預測區域物流需求。雖然因子分析法和模糊粗糙集可以降低模型的復雜性，但這兩種方法難以消除影響因素之間的多重相關性。為此，黃虎[42]將主成分分析(PCA)提取的線性主成分作為SVM 的輸入變量預測物流需求，但PCA提取的線性特征信息不能很好地反映影響因素之間的復雜非線性關系。梁毅剛等[43]、Geng等[44]分別利用核主成分分析(KPCA)提取物流需求影響因素的非線性特征信息，將提取出的非線性主成分輸入LSSVM進行物流需求預測。耿立艷等[45]、梁寧等[46]用灰色關聯分析(GRA)選出的主要影響因素分別作為LSSVM、混合SVM 的輸入進行物流需求預測。耿立艷等[47]結合GRA 和KPCA 提取物流需求影響因素的非線性信息特征，并將其作為LSSVM 的輸入預測物流需求，進一步簡化了LSSVM 結構，提高了預測精度。

其三，混合數據挖掘技術與智能預測方法，即根據物流需求時間序列的特征，混合現有模型進行預測。耿立艷等[48]通過灰色序列算子挖掘鐵路貨運量序列的規律性，再運用自適應粒子群算法優化后的LSSVM對規律性更強的新序列進行預測。

由于混合預測方法能夠充分發揮各方法的優勢，這三類混合預測法的預測精度均顯著優于單一預測方法。但目前物流需求的混合預測方法尚屬初級研究階段，相關研究成果不多，更缺乏針對物流需求時間序列的混合預測方法研究。

3 物流需求預測方法展望

綜上所述，較早期的物流需求預測方法主要是以統計學為基礎的單一傳統預測方法，隨著物流需求預測領域研究的逐漸深入以及預測技術的發展，出現了一批更復雜、精度更高的智能預測方法。近些年來，運用單一智能預測方法進行物流需求預測的文獻多于單一傳統預測方法，而且越來越多的研究開始將多種方法相結合進行預測。已有的預測方法雖然在一定程度上取得了較好的預測精度，但由于物流需求的復雜性以及預測方法本身的適應性，物流需求預測方法研究中仍存在以下幾方面的問題有待研究：

（1）單一灰色方法對物流需求的預測能力有限。單一的灰色方法，如灰色預測模型、殘差灰色預測模型、多變量灰色預測模型等，對于離散程度較小且近似指數變化規律的時間序列數據有較好的預測精度，但對物流需求序列這樣非線性、非平穩且波動性較大的數據序列，預測能力十分有限。

（2）針對物流需求預測的ANN 最優模型結構的選擇問題。應用ANN的主要障礙在于如何找到解決某個問題的最優模型結構。雖然ANN已被廣泛用于物流需求的預測中，但目前還沒有關于選擇物流需求預測的ANN 最優模型結構的研究。采用ANN 進行物流需求預測時，主要依賴于經驗確定網絡結構，若想得到有效且準確的預測結果，需要長時間進行網絡訓練，而且ANN的“黑箱”式學習模式，得到的輸入/輸出關系不易被接受。因此，如何選擇針對物流需求預測問題的ANN最優模型結構有待研究。

（3）物流需求大樣本條件下SVM 模型復雜度問題。SVM是相對稀疏模型，選取好核函數之后，它的訓練復雜度與特征維數無關。但隨著樣本規模的增加，SVM 的參數(支持向量個數)也逐漸增多，造成模型結構更加復雜；而且由于需要計算所有樣本之間的核函數，SVM 的計算復雜度將隨著訓練樣本數急速增加。所以，尋找降低物流需求大樣本條件下SVM模型復雜度的方法有待研究。

（4）將多種方法融合在一起的混合預測方法研究。關于物流需求的混合預測方法研究處于起步階段，不夠系統和深入。在現有物流需求混合預測方法中，大多數研究將兩種不同方法相融合，很少有將多種方法融合在一起對物流需求進行預測。如何將多種方法相融合，特別是將現有的一些新理論和方法與先進智能預測方法有機融合在一起，進一步提高物流需求的預測精度，有待深入研究。

此外，物流需求預測中還存在兩個問題有待解決：一是在物流需求預測指標的選擇上還沒有形成一致，特別是我國物流統計數據比較匱乏，在變量的選擇上主要依賴人為選擇，缺乏定量的分析；二是從物流需求本身的歷史數據出發進行物流需求預測的研究成果較少。

4 結論

國內外學者對物流需求預測方法進行了大量研究，并取得了豐富的研究成果。本文基于建模形式，將物流需求預測方法劃分為四大類：單一傳統預測方法、單一智能預測方法、組合預測方法和混合預測方法。分別總結了四大類預測方法中各預測模型的建模原理，分析了各自的優缺點及適用性，并給出了物流需求預測方法的研究方向，期待有助于物流需求研究人員找到適應不同物流需求數據的預測方法。