基于支持向量機和BP神經網絡的天津市水產品冷鏈物流需求預測研究

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、加工、儲存、運輸到銷售等各階段的溫度控制在內的一套系統，以確保商品的新鮮度和質量。與此同時，水產品作為居民日常生活必需品，又是冷鏈物流的重點目標，隨著我國經濟的高速發展，人民生活水平的不斷提升，冷鏈物流的發展對保障食品安全、改善食品質量起到了至關重要的作用，因此，研究水產品冷鏈物流具有十分重要的意義。然而，隨著對水產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，嚴重影響了水產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冷鏈物流為研究對象，采用科學的預測方法，開展水產冷鏈物流需求預測研究，以促進我國水產冷鏈物流的健康發展。對水產品冷鏈物流需求進行精確預測，能夠有效提高整體供應鏈的運行效率和反應能力，保證水產品質量和安全性，降低由于不恰當的溫控導致的損耗，滿足顧客對生鮮食品的新鮮程度和質量要求。同時，企業也可以預測市場需求，進行資源配置與庫存管理，進而制訂出更合理的運輸與儲存策略，提升企業在市場上的競爭能力。

1文獻綜述

目前國內外學者關于水產品冷鏈物流需求預測探索了許多方法，主要有灰色預測模型、多元線性回歸模型、BP神經網絡模型、RBF神經網絡模型、支持向量機回歸模型以及組合預測模型。如蔣智凱等（2017）運用灰色模型預測的方法對水產品冷鏈物流進行了預測，確定了最終預測值，并對結果進行了分析，提出了相關發展建議。李偉瑩等采用灰色預測模型對我國水產品冷鏈物流需求規模進行預測，并針對我國水產品冷鏈物流需求的影響因素和發展問題提出相應的對策建議。王建等（2020）使用多元線性回歸模型、GM（1，1）模型以及BP神經網絡模型和RBF神經網絡模型等對水產品冷鏈物流進行模擬預測，并對其預測結果進行對比分析，結果顯示RBF神經網絡模型對水產品冷鏈物流需求預測的精度更高。陳宇姝等（2020）提出了基于GM（1，1）和BP神經網絡的組合預測模型，并通過MATLAB對水產品冷鏈物流的需求量進行仿真預測④。劉艷利等（2020）采用主成分分析法和BP神經網絡組合法對水產品冷鏈物流需求量進行預測5。代田莉等（2022）使用了二次指數平滑法、RBF神經網絡模型、多元線性回歸模型和GM（1，1）模型對水產品冷鏈物流需求預測精度進行對比分析。Liu et al.（2023）運用傳統灰色模型和灰色-BP神經網絡模型對我國水產品冷鏈物流需求量進行模擬預測，并發現灰色-BP神經網絡預測結果更好]。李蕓嘉等（2024）介紹SVM和BP神經網絡兩種預測方法，通過對比分析發現SVM的預測結果更為穩定8]。

水產品冷鏈物流需求受到多種因素的影響，包括季節性變化、市場需求波動、天氣條件、政策變化、技術進步等，這些因素之間的關系往往是復雜的、非線性的，非線性預測方法能夠捕捉和表達這種復雜關系，提供更準確的預測。因此，本文在進行水產品冷鏈物流需求預測時采用支持向量機模型，并與BP神經網絡模型的預測結果進行對比分析，旨在尋找水產品冷鏈物流需求預測的最佳預測方法，提高預測的準確性。

2研究方法

2.1 支持向量機

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

假設訓練樣本集是 ，其中 N 表示樣本個數， X_i ， Y_i 分別表示輸入量和輸出量，所以支持向量機的預測的表達式如下。

F（X）=ω?（X）+b

式中 ω 表示權值向量， b 表示偏置向量。

為了提升支持向量機在訓練集上的泛化能力，除了要最小化經驗風險外，還需要盡量減少模型的復雜性，所以支持向量機預測是對下列式子進行最優化求解的過程。

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預測模型可以表示如下。

K（X_i，Y_i） 表示核函數，本研究采用徑向基函數。

所以最終SVM預測模型可以表示如下。

2.2 BP神經網絡

BP神經網絡模型是一種常用的人工神經網絡模型，它是基于梯度下降算法的反向傳播誤差算法實現的。BP神經網絡模型可以用來解決分類和回歸問題，并且具備優秀的自適應能力和泛化能力。BP神經網絡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節點，每個節點之間通過權重和偏置相連。輸入層的節點接收輸入數據，隱藏層的節點接收輸入層節點的輸出，輸出層的節點接收隱藏層節點的輸出。

構建BP神經網絡的主要步驟如下。

首先，網絡初始化，根據系統輸入輸出序列 確定網絡輸入層節點數 n 、隱含層節點數1，輸出層節點數 m ，初始化輸入層、隱含層和輸出層神經元之間的連接權值，初始化隱含層閾值 a ，輸出層閾值 b ，給定學習速率和神經元激勵函數。

其次，隱含層輸出計算，根據輸入向量 X ，輸入層和隱含層間連接權值以及隱含層閾值 Φ_a ，計算隱含層輸出 H

其中，l是隱含層節點數，f是隱含層激勵函數。

再次，輸出層輸出計算，根據隱含層輸出 H ，連接權值 ω_ij ，和閾值 b ，計算BP神經網絡預測輸出 O

此外，誤差計算，根據網絡預測輸出 o 和期望輸出 Y ，計算網絡預測誤差 e

再次，權值更新，根據網絡預測誤差 e 更新網絡連接權值 ω_ij，ω_jk ， η 是學習速率。

然后，閾值更新，根據網絡預測誤差 e 更新網絡節點閾值 a ， b 。

最后，判斷算法迭代是否結束，若沒有結束，返回第二步。

BP神經網絡訓練流程如圖1所示。

3實證研究

3.1指標選取

水產品冷鏈物流系統是一個復雜的非線性系統，其受多種因素的影響，為了提高預測的準確性，結合現有文獻許雯（2023）、吳夢為（2024）等P-研究和實際情況的基礎上，在影響因素的選取上要考慮到以下幾個方面。第一，經濟發展水平。

隨著經濟發展，居民收入提高，消費結構升級，對水產品的需求量增加，特別是對新鮮、高品質水產品的需求日益增長，對水產品冷鏈物流需求產生重要影響。第二，人文發展水平。城市化進程的加快，冷鏈物流成為保障產品新鮮度、延長保質期的重要手段，使得人口密集區域對水產品的需求量大增。第三，供給水平。水產品冷鏈物流需求量與供給水平間存在著密切的聯系，水產品的產量直接影響市場的供給量進而影響水產品需求量。第四，冷鏈服務水平。高水平的冷鏈服務能夠確保水產品在儲存、運輸和配送過程中的溫度控制，有效降低產品損耗和品質下降的風險。隨著冷鏈技術的進步，冷庫數量和規模的增加，以及凍結、冷藏和制冰能力的提升，冷鏈物流服務對滿足市場對新鮮、安全水產品的需求產生重要影響。第五，物流發展水平。隨著物流技術的進步，冷鏈物流設施不斷完善，運輸速度和效率大幅提升，使得水產品在運輸過程中保持新鮮度成為可能，進而刺激水產品冷鏈物流的需求。天津市水產品冷鏈物流需求影響指標體系如表1所示。

3.2數據來源

本文通過對《中國冷鏈年鑒》《天津市統計年鑒》《中國漁業年鑒》和國家數據網獲取相關數據，其中選擇天津市當年水產品消耗量來表示當年冷鏈物流的需求量 （Y） 。

3.3灰色關聯度分析

使用SPSS軟件對X1，X2，X3，X4，X5，X6，X7，X8，X9， X10 X11 ， X12 ， X13 等指標進行無量綱化處理，然后進行灰色關聯分析。分析結果顯示， X1 ， X2 ，X3，X4，X5，X6，X7，X8， X9 ， X10 ， X11 ，X12 ， X13 等指標的灰色關聯度都在0.5以上，可以說明這13個指標對于水產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 指標作為需求預測的自變量，將水產品冷鏈物流需求作為因變量 Y 灰色關聯度結果如下。

4天津市水產品冷鏈物流模型預測

采用SVM對天津市2007—2021年的數據進行擬合，同時也采用BP神經網絡對天津市物流需求進行擬合。兩者的擬合結果如表3所示。

由表3、圖2、圖3可得，SVM對天津市水產品冷鏈物流需求進行預測時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；運用BP神經網路對天津市水產品冷鏈物流需求預測時，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神經網絡的值，由此可知，SVM的擬合精度更高。

為了進一步檢驗預測的準確性，將數據集分為訓練集和測試集兩部分再次進行檢驗，通過檢驗發現SVM測試集的MAE是10202.7202，MAPE是0.041431的；BP神經網絡的測試集MAE是17237.3573，MAPE是 0.071566 （20（見表4）從中可以發現BP神經網絡較SVM有過度擬合的現象。所以在樣本L數據較少且描述物流需求呈非線性變化的需求預測上，SVM的預測能力更好些。

5總結

5.1結論

水產品冷鏈物流的需求受多種因素的影響，是一個非線性系統。為了準確預測天津市水產品冷鏈物流需求預測的精度，將支持向量機模型和BP神經網絡模型進行對比，分別進行預測，結果表明在樣本數據較少，且物流需求呈非線性的變化規律時，BP神經網絡由于其復雜的結構，容易出現過擬合的現象，支持向量機可以減少過擬合現象，其預測精度更高一些，更具有優勢。

5.2相關建議

隨著經濟的發展，消費者對食品的質量和安全要求不斷提高，冷鏈物流已成為現代漁業發展的重要組成部分，通過加強冷鏈物流體系建設，可以帶動相關產業鏈上下游協同發展，促進整個行業向現代化、智慧化方向轉型升級。因此發展水產品冷鏈物流可以從以下幾個方面展開。

第一，加大基礎設施建設。增加對冷藏倉儲設施、運輸工具及相關的支持設施進行預先的規劃與建設，以保證整個冷鏈物流體系能適應不斷增加的市場需要；運用先進的溫控技術，監測系統和信息技術，改善冷藏運輸的效率和品質，降低損失率。第二，結合物聯網、人工智能等技術，對物流路徑進行優化，提高效率，減少運行成本；重視綠色環保，提倡采用環保材料包裝和節能制冷裝置，降低對環境的沖擊，實現綠色可持續發展的目的。

參考文獻：

[1]符自饑，你眈斗，荃」灰巴筷塵的遷么滄巾小）即令避徹流而小頂測刀仰[J]準海上于匹于報（八入忙云們于版），2U1/，15（8）：101-103.

[2]李偉瑩，于洋．基于灰色預測模型的我國水產品冷鏈物流需求預測[J].農技服務，2019，36（6）：103-105，107.

[3]李敏杰，王健．基于RBF神經網絡的水產品冷鏈物流需求預測研究[J]．中國農業資源與區劃，2020，41（6）：100-109.

[4] 呂靖，陳宇妹．大連水產品冷鏈物流需求影響因素分析及其預測[J]．數學的實踐與認識，2020，50（15）：72-80.

[5]劉艷利，伍大清．基于改進BP神經網絡的水產品冷鏈物流需求預測研究——以浙江省為例[J]．中國漁業經濟，2020，38（5）：93-101.

[6]李玉峰，諶麗，代田莉，等．不同方法下水產品冷鏈物流需求量預測精度對比分析[J].中國漁業經濟，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．海口港水產品冷鏈物流需求預測研究[J]．中國商論，2024（8）：87-90.

[9]許雯，溫佳霖．浙江省水產品冷鏈物流需求預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品冷鏈物流需求預測研究[J]．物流科技，2024，47（15）：151-155.