呂雅麗

[摘 要]基于支持向量機(jī)的區(qū)域物流需求預(yù)測(cè)是在追求更高的預(yù)測(cè)精度下提出的，首先選取非線性回歸方法篩選影響區(qū)域物流需求的主要因子，然后用支持向量機(jī)模型對(duì)原始數(shù)據(jù)進(jìn)行處理，并通過“影響區(qū)域物流需求因素”求解最優(yōu)化的支持向量機(jī)核函數(shù)，最后構(gòu)建影響區(qū)域物流需求的影響因子的非線性數(shù)據(jù)模型。結(jié)論表明，支持向量機(jī)模型相對(duì)多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)等，提高了區(qū)域物流需求的精確度，在之后的區(qū)域需求預(yù)測(cè)中將會(huì)有更加廣泛的應(yīng)用。

[關(guān)鍵詞]支持向量機(jī)；區(qū)域物流需求；預(yù)測(cè)

[DOI]10.13939/j.cnki.zgsc.2018.02.144

1 引 言

在國家大力倡導(dǎo)物流政策的前提下，區(qū)域物流的需求數(shù)量將大幅上升，做到準(zhǔn)確地預(yù)測(cè)區(qū)域物流需求數(shù)量就顯得格外重要，其準(zhǔn)確度將決定區(qū)域物流的規(guī)劃是否合理。所以對(duì)區(qū)域物流規(guī)模的預(yù)測(cè)是所屬地區(qū)政府和企業(yè)都相當(dāng)關(guān)心的問題。因此對(duì)區(qū)域物流的預(yù)測(cè)需求量進(jìn)行研究具有十分重要的理論和現(xiàn)實(shí)意義，同時(shí)為當(dāng)?shù)卣ㄔO(shè)物流基礎(chǔ)設(shè)施及制定物流產(chǎn)業(yè)規(guī)劃策略提供指導(dǎo)建議和理論的依據(jù)。

國外學(xué)者較早地對(duì)區(qū)域物流需求進(jìn)行了預(yù)測(cè)，主要從預(yù)測(cè)運(yùn)輸量入手對(duì)物流需求量進(jìn)行估量。例如：Mudit Kulshreshtha等（2001）利用印度近35年的鐵路時(shí)間序列樣本構(gòu)建了多元向量回歸模型對(duì)印度貨物需求的運(yùn)輸量進(jìn)行了估量，實(shí)證結(jié)果表明印度的鐵路運(yùn)輸量極大地影響著當(dāng)?shù)氐慕?jīng)濟(jì)發(fā)展。國內(nèi)學(xué)者在21世紀(jì)初開始對(duì)物流預(yù)測(cè)的方法進(jìn)行探究，其大多找尋物流需求量的原始數(shù)據(jù)帶入物流需求的預(yù)測(cè)模型中模擬未來的物流需求變化情況。[1]從區(qū)域物流的影響因素入手對(duì)區(qū)域物流需求量的多少做出預(yù)測(cè)的研究還很少，學(xué)者陳黎（2006）從影響物流需求變化的影響因素入手，選取了物流需求指標(biāo)體系，采用灰色預(yù)測(cè)模型、回歸模型以及加權(quán)的組合模型，以湖北省為例對(duì)其物流需求量進(jìn)行預(yù)測(cè)，實(shí)證結(jié)果表明，多種預(yù)測(cè)模型的結(jié)合可以較客觀描述物流需求量的變化趨勢(shì)[2]。綜上所述，可以發(fā)現(xiàn)各種方法均有優(yōu)勢(shì)和缺陷。

支持向量機(jī)SVM能夠有效地克服以上傳統(tǒng)預(yù)測(cè)模型的種種問題，并且目前已成功地在函數(shù)逼近、模式的分類等實(shí)際問題中得到了廣泛的應(yīng)用。[3]因此本文采用支持向量機(jī)的預(yù)測(cè)模型，從影響區(qū)域物流需求的影響因素入手，利用影響區(qū)域經(jīng)濟(jì)的各項(xiàng)因素指標(biāo)來計(jì)算區(qū)域物流的需求數(shù)量。

2 建?！锪餍枨箢A(yù)測(cè)的數(shù)學(xué)原理

物流需求預(yù)測(cè)采用一定的方法，借助于科學(xué)技術(shù)工具通過對(duì)以往歷史物流需求量的資料了解和對(duì)市場(chǎng)情況的估算，對(duì)將來物流需求量的多少進(jìn)行相對(duì)科學(xué)以及準(zhǔn)確的預(yù)估、分析、測(cè)算。物流需求預(yù)測(cè)對(duì)于物流的規(guī)劃、區(qū)域的發(fā)展有著極為重要的意義，它不僅有利于企業(yè)實(shí)時(shí)地了解市場(chǎng)需求的動(dòng)態(tài)趨勢(shì)，而且為企業(yè)準(zhǔn)確地把握市場(chǎng)動(dòng)向提供了依據(jù)，以便企業(yè)在制訂計(jì)劃時(shí)可以選取適當(dāng)?shù)膽?zhàn)略和方法，從而達(dá)到利益的最大化。物流需求內(nèi)涵很多種因素，是各種因素綜合的效果。

物流與各種影響因素之間潛在一種隱含的、存在于內(nèi)部的數(shù)學(xué)映射關(guān)系，這種映射關(guān)系不是單純的多元線性關(guān)系，而是一種錯(cuò)綜復(fù)雜的非線性關(guān)系，基本沒有簡(jiǎn)單、準(zhǔn)確的數(shù)學(xué)模型與之完全匹配，這就需要選用抽象、復(fù)雜的數(shù)學(xué)模型來描述影響因素及物流需求量之間的關(guān)系。

Y=X1X2，…，Xn（1）

其中，Y是物流需求，Xi是物流需求影響因素n，內(nèi)含經(jīng)濟(jì)、政治、科技、環(huán)境等多種影響因素。

從式（1）可以看出，影響物流的需求因素是很多因素的綜合結(jié)果，每種因素都有可能對(duì)Y物流的需求因素產(chǎn)生結(jié)果的變化，而且每一種因素的作用大小各不相同，所以綜上，這種交叉、復(fù)雜的潛在關(guān)系形成了物流需求量及其影響因素之間是一種非線性、多元的映射狀態(tài)，所以選取傳統(tǒng)的單純數(shù)學(xué)線性預(yù)測(cè)方法已經(jīng)無法對(duì)其科學(xué)的預(yù)估和預(yù)測(cè)。[4]而支持向量機(jī)對(duì)于潛在非線性的關(guān)系預(yù)測(cè)較準(zhǔn)確，滿足了本論文這種無法準(zhǔn)確獲得影響因素信息，以及難度較大的區(qū)域物流需求的預(yù)測(cè)問題。所以本文選取支持向量機(jī)對(duì)未來物流需求進(jìn)行預(yù)估。

3 預(yù)測(cè)模型的應(yīng)用

3.1 指標(biāo)選取及數(shù)據(jù)來源

鑒于收集數(shù)據(jù)的可行性，以推測(cè)山東省的區(qū)域物流需求為案例，選擇貨物運(yùn)輸量為區(qū)域物流需求指標(biāo)。通過對(duì)影響山東物流需求的各因素進(jìn)行研究，加之環(huán)境及行業(yè)的指標(biāo)難以衡量，而且經(jīng)濟(jì)因素又是推測(cè)區(qū)域物流多少的最根源因素，基于數(shù)據(jù)的可行性原則，對(duì)于物流需求量的預(yù)測(cè)本文選擇各經(jīng)濟(jì)指標(biāo)進(jìn)行衡量，如人均消費(fèi)水平，第一、二、三產(chǎn)業(yè)的產(chǎn)值，區(qū)域外貿(mào)總額，區(qū)域零售總額等。特別地，對(duì)于山東省三大產(chǎn)業(yè)的產(chǎn)值量從兩個(gè)方面進(jìn)行討論，一方面是經(jīng)濟(jì)結(jié)構(gòu)對(duì)物流需求量的作用；另一方面是區(qū)域經(jīng)濟(jì)的總量情況；同時(shí)，區(qū)域物流需求量的重要組成部分還有商業(yè)流通的多少，由于山東是東部沿海地區(qū)，有對(duì)外貿(mào)易港口，港口物流占了物流需求很大的比例，所以區(qū)域外貿(mào)總額也是必不可少的（資料來自2000-2015年山東省的統(tǒng)計(jì)年鑒）。

3.2 數(shù)據(jù)處理

便于對(duì)SVM中的各系數(shù)進(jìn)行準(zhǔn)確的選擇同時(shí)考慮到計(jì)算的難易程度，對(duì)文章的每一指標(biāo)數(shù)據(jù)均采用X′ij=Xij/Xmaxj的方法進(jìn)行歸一化變形。其中：X′ij為第i個(gè)指標(biāo)的第j個(gè)數(shù)據(jù)歸一化后的結(jié)果；Xij是第i個(gè)指標(biāo)的第j個(gè)數(shù)據(jù)的原始數(shù)據(jù)；Xmaxj是第i個(gè)指標(biāo)里所有數(shù)據(jù)中的最大數(shù)值。下面把2000—2010年的數(shù)據(jù)指標(biāo)為訓(xùn)練樣本，2010—2015年的數(shù)據(jù)指標(biāo)是測(cè)試樣本，進(jìn)行結(jié)果的模擬。

上面已經(jīng)對(duì)“影響因素區(qū)域物流需求”的SVM預(yù)測(cè)模型進(jìn)行了基本的闡述，針對(duì)模型，在MATLAB環(huán)境下在DOS窗口中進(jìn)行試驗(yàn)的模擬與仿真測(cè)試。本文采取ε-SVM，對(duì)于核函數(shù)用。由于SVM模型需要設(shè)定參數(shù)，因?yàn)閰?shù)不同導(dǎo)致的結(jié)果也不盡相同，通常采用的方法是經(jīng)過鎖定參數(shù)空間中的一定范圍，借此尋找和優(yōu)化參數(shù)的定值，因此尋找最佳參數(shù)也成了SVM試驗(yàn)中最浪費(fèi)時(shí)間的一步。通常SVM的參數(shù)選定與核函數(shù)的確定是經(jīng)過交叉試驗(yàn)法進(jìn)行選擇優(yōu)化的，實(shí)驗(yàn)結(jié)果總體上說，推測(cè)的結(jié)果滿足了試驗(yàn)的需求，擬合程度較高。

4 結(jié)論及其展望

通過以上對(duì)區(qū)域物流需求影響因素的綜述表明，區(qū)域物流的影響因素不止受到單一因素的影響，其實(shí)質(zhì)是一種多元非線性的復(fù)雜結(jié)構(gòu)，傳統(tǒng)的數(shù)據(jù)模型不能對(duì)實(shí)際各區(qū)域的物流需求量進(jìn)行準(zhǔn)確的預(yù)測(cè)，由于BP神經(jīng)網(wǎng)絡(luò)的原理是經(jīng)驗(yàn)風(fēng)險(xiǎn)的最低原則，雖然其對(duì)非線性的數(shù)據(jù)推算能力較強(qiáng)，對(duì)于樣本量不足的原始數(shù)據(jù)，計(jì)算機(jī)的學(xué)習(xí)算法的泛化能力也會(huì)變?nèi)酢?/p>

本文根據(jù)支持向量機(jī)模型的特點(diǎn)，將其用到區(qū)域物流需求預(yù)測(cè)的研究中去，找到影響區(qū)域經(jīng)濟(jì)的因素指標(biāo)與區(qū)域物流需求預(yù)測(cè)之間的聯(lián)系，構(gòu)建“影響區(qū)域物流需求因素”的支持向量機(jī)模型，將多項(xiàng)式核函數(shù)以及損失函數(shù)應(yīng)用到其中，對(duì)于預(yù)測(cè)區(qū)域物流的需求量有很大的成效，取得了較為理想的成果。實(shí)證結(jié)果表明支持向量機(jī)的“影響區(qū)域物流需求因素”模型具備傳統(tǒng)模型無法比擬的優(yōu)勢(shì)，它能夠很快收斂于一個(gè)狹窄的范圍，學(xué)習(xí)性能強(qiáng)，精確度較高，且對(duì)于不同樣本的適應(yīng)性強(qiáng)，證明了該模型是科學(xué)客觀的。但是從未來支持向量機(jī)的學(xué)術(shù)領(lǐng)域來看，在參數(shù)的選擇以及核函數(shù)和損失函數(shù)的確定比例上存在較大的不確定性，主要靠人為的主觀經(jīng)驗(yàn)性，而且不能求得整個(gè)問題的最優(yōu)解，只能找到滿意解，以后還要對(duì)此問題進(jìn)行深度探究。

參考文獻(xiàn)：

[1]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(jī)的物流需求預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用究，2012，7（1）：2-11.

[2]陳黎.我國區(qū)域物流發(fā)展預(yù)測(cè)[J].統(tǒng)計(jì)與決策，2006（12）：127-129.

[3]陳海英，張萍，柳合龍.人工魚群算法優(yōu)化支持向量機(jī)的物流需求預(yù)測(cè)模型研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2016（2）：69-75.

[4]Adrangi B， Chatrath A， Raffiee K.The Demand for US Air Transport Service：A Chaos and Nonlinearity Investigation[J].Transportation Research Part E Logistics & Transportation Review， 2015，37（5）： 37-53.endprint