物流需求预测方法研究进展

耿立艳，张占福

（1.石家庄铁道大学 经济管理学院，河北 石家庄 050043；2.石家庄铁道大学四方学院，河北 石家庄 051132）

1 引言

物流需求预测是以物流需求的历史资料和市场信息为基础，运用适当的理论和方法，对未来物流需求状况进行科学的分析、估算和推断。物流需求预测是现代物流系统规划、物流管理与决策的重要基础工作，各级物流系统规划与物流发展政策的制定都离不开对物流需求的准确预测。理论上，对物流需求的准确预测可为物流发展战略规划、物流基础设施规模及物流管理方案的制定提供重要依据，为发展物流产业提供具体可靠的数量支持；实践上，对物流需求的准确预测有助于政府部门合理规划和控制物流业开发规模和发展速度，对发展国家经济和减少浪费具有现实的指导意义。因此，物流需求预测已经成为物流领域的重要研究内容之一，对物流需求预测方法的研究也显得尤为重要。

物流市场是一个复杂的开放系统，受到诸如经济、社会、环境、政策等各方面因素的影响，导致物流需求具有复杂的非线性、波动性、随机性等特征，因而物流需求的准确预测一直成为物流需求研究领域的一个难点。长期以来，国内外许多学者将其他领域应用成熟的预测方法用于物流需求预测领域，并开发了多种预测模型和方法。

根据建模形式的不同，可将现有物流需求预测方法划分为单一传统预测方法和单一智能预测方法、组合预测方法和混合预测方法四大类。本文对这四大类预测方法进行综述，分别总结四类方法中各预测模型的建模原理、优缺点及适用性，以期可以帮助物流需求预测研究人员在面临不同的物流需求预测任务时，找到适用的预测方法。

2 物流需求预测方法

物流需求预测方法的研究在国外起步较早，主要以传统预测方法为主，而国内关于物流需求预测方法的研究起步相对较晚，但在借鉴国外研究成果的基础上，也取得了一系列研究成果。根据国内外相关文献资料，从建模形式角度，可将物流需求预测方法分为四大类：单一传统预测方法、单一智能预测方法、组合预测方法和混合预测方法。

2.1 单一传统预测方法

传统预测方法是一类较早应用的物流需求预测方法。这类方法以统计学为基础，建模比较容易，模型的解释能力强，主要包括单纯的时间序列法、回归分析、数理统计方法等。国外学者对物流需求进行直接预测的很少，主要集中在运输需求预测上。Michael 等[1]利用时间序列分析模型对铁路货运量进行了短期预测。Rodrigo[2]采用时空多项概率模型对货物运输需求进行预测。Fite等[3]应用逐步多重线性回归方法预测货运量。国内研究中，杨荣英等[4]利用移动平均线法进行物流需求预测。田根平等[5]应用时间序列模型预测物流需求，方威等[6]、周晓娟等[7]利用回归分析构建了物流需求预测模型。由于这些模型以简单的线性关系代替复杂的非线性关系，往往不能很好地反映各种因素对物流需求的影响，难以获得满意的预测结果，因此这类方法正在逐步被其他更先进的预测方法所取代。

2.2 单一智能预测方法

随着现代智能控制理论、信息及计算机科学的发展，智能预测方法被广泛应用于物流需求预测中,主要包括灰色预测法、神经网络、支持向量机以及它们的改进形式。

灰色预测方法凭借在处理小样本、贫信息、不确定问题上的独特优势，已在众多行业的短期预测中得到应用。但国外运用灰色预测法进行物流需求预测的文献较少，如Bahram等[8]运用灰色模型对航空需求进行了预测。在国内，有较多学者将单变量灰色模型应用到物流需求预测领域，主要有林小平等[9]、何国华[10]、张潜[11]分别运用灰色模型进行区域物流需求预测研究。周茵[12]针对灰色模型在适用条件上的局限性，构建了残差灰色预测模型，通过多次挖掘原始数据的规律性提高物流需求预测精度。由于单变量灰色模型利用物流需求历史数据进行外推预测，缺乏对影响因素的考虑，高洪波等[13]构建了多变量灰色预测模型预测物流需求，该方法计算简单，可同时预测物流需求及其影响因素，具有一定的实用性，但该方法无法描述物流需求与其影响因素之间的非线性关系，预测精度有待提高。

神经网络是一种较为成熟且应用广泛的模型，它具有较强的非线性拟合能力，通过建立物流需求与其影响因素之间的非线性映射来预测物流需求。国外的Yun等[14]将神经网络运用到货运量预测中，得出神经网络的预测精度优于线性统计模型的结论。我国运用神经网络进行物流需求预测的学者相对较多，后锐等[15]提出了基于MLP 网络的“区域经济-物流需求”预测模型；耿勇等[16]、郭红霞[17]研究了基于BP神经网络的物流需求预测方法；尹艳玲[18]将自适应神经网络应用于物流需求预测，以上研究表明神经网络能够提高物流需求的预测精度。但训练神经网络需要大量数据样本，在物流数据样本较少时，无法保证预测精度，而且神经网络以经验风险最小化为准则，在物流需求预测中不能解决过拟合等问题而导致学习泛化性能降低。

支持向量机(SVM)是一种新型神经网络，以结构风险最小化为原则，较好地克服了神经网络的缺陷。国外的Carbonneau等[19]利用神经网络、递归神经网络和SVM预测供应链终端物流需求量。国内的胡燕祝等[20]、黄虎等[21]、骆世广等[22]从区域经济与区域物流需求关系入手，提出基于回归的SVM 物流需求预测方法；庞明宝等[23]从区域物流需求自身规律出发，提出基于时间序列的SVM物流需求预测方法。由于SVM能较好地解决小样本、非线性、局部极小值等问题，在物流需求预测中得到成功应用。但SVM 也存在不足之处，主要体现在模型的参数较多，一方面可能造成过拟合问题，另一方面会增加计算时间；在模型参数选择方面，目前还缺乏有效的方法和理论依据。这些不足在一定程度上限制了SVM的发展和应用。最小二乘支持向量机(LSSVM)采用不同于标准SVM 的优化目标函数，并且通过等式约束将求解的优化问题转换成一组线性方程，减少了算法的复杂性，提高了运算速度。该方法已广泛应用于各行业预测，但在物流需求预测领域应用较少。

2.3 组合预测方法

物流需求是一种复杂的非线性系统，单一预测方法由于在假设条件及适用范围方面存在一定的局限性，难以全面反映物流需求的变化规律。将多个单一方法的预测结果进行适当组合，在一定条件下可以克服单一预测方法的局限性，提高物流需求的预测精度。国外将组合预测方法应用于物流需求预测的文献资料很少，国内关于物流需求的组合预测方法研究主要是将不同的智能预测方法相结合、智能预测方法与传统预测方法相组合，根据组合的形式不同，可归纳为以下三类：

其一，线性组合单一预测结果，即将不同方法的预测结果进行线性组合。初良勇等[24]提出灰色系统模型、回归分析和BP神经网络相组合的物流需求预测方法；惠春梅等[25]将灰色预测模型与线性回归模型相组合预测区域物流需求；王玥[26]提出灰色模型、回归分析和弹性系数法相组合的区域物流预测方法；闫娟[27]、李程[28]组合灰色预测模型与神经网络预测区域物流需求。

其二，非线性组合单一预测结果，即将不同方法的预测结果进行非线性组合。万励等[29]采用线性回归模型、移动自回归模型和SVM 分别预测区域物流需求，再通过BP神经网络对预测结果进行非线性组合；刘婷婷等[30]运用灰色预测模型、三次指数预测模型、多元回归预测模型分别预测铁路货运量，再利用模糊神经网络对预测结果进行非线性组合。

其三，修正单一预测结果，即用一种方法对另一种方法预测结果进行修正。黄敏珍等[31]针对物流需求本身的不确定性特点，利用灰色预测模型预测物流需求，采用马尔柯夫链模型修正预测结果，司玲玲等[32]利用灰色预测模型预测物流需求变化趋势，采用SVM 对预测结果进行修正；骆达荣[33]利用SVM 预测物流需求，采用BP神经网络对预测残差进行修正。

这三类组合预测方法都获得了比单一预测方法更高的预测精度，但对组合预测方法来说，如何选择合理的单一模型以及如何确定组合预测方法的最优权重，使其能够更有效地提高预测精度，至今尚无成熟的理论和方法。

2.4 混合预测方法

物流需求的混合预测方法是将单一预测方法与其它方法相融合共同预测物流需求。这类方法能充分发挥单一预测方法和其它方法各自的优势，而且无需确定参加混合的各方法权重，已成为物流需求预测领域研究的新方向。关于物流需求的混合预测方法研究，现有的国内外文献研究并不多，根据建模思路不同，可归纳为以下三类：

其一，混合智能优化算法与单一预测方法，即利用不同的智能算法优化单一预测模型的相关参数，以提高模型的预测精度。孙志刚[34]、李泓泽等[35]分别用蚁群优化算法、果蝇优化算法优化LSSVM参数，用优化后的LSSVM 预测物流需求，但这两种方法仅通过物流需求的历史数据进行预测，对影响物流需求的因素欠考虑。耿立艳等[36-37]在考虑物流需求影响因素的基础上，分别利用二阶振荡微粒群算法和与动态加速系数粒子群优化算法调整参数后的LSSVM进行物流需求预测；耿立艳等[38]利用果蝇优化算法(FOA)优化参数后的LSSVM 预测铁路货运量，Geng等[39]运用自适应惯性权重算法优化参数后的无偏灰色模型预测物流需求。这些混合方法均比单一的方法获得了更高的预测精度。

其二，混合数据降维技术与智能预测方法，即将现有理论和方法与人工智能预测方法相混合预测物流需求。考虑到影响物流需求的因素众多，刘智琦等[40]先用因子分析对物流需求影响因素降维，再运用BP 神经网络进行预测；何满辉等[41]利用模糊粗糙集约简后的输入数据样本构建SVM模型预测区域物流需求。虽然因子分析法和模糊粗糙集可以降低模型的复杂性，但这两种方法难以消除影响因素之间的多重相关性。为此，黄虎[42]将主成分分析(PCA)提取的线性主成分作为SVM 的输入变量预测物流需求，但PCA提取的线性特征信息不能很好地反映影响因素之间的复杂非线性关系。梁毅刚等[43]、Geng等[44]分别利用核主成分分析(KPCA)提取物流需求影响因素的非线性特征信息，将提取出的非线性主成分输入LSSVM进行物流需求预测。耿立艳等[45]、梁宁等[46]用灰色关联分析(GRA)选出的主要影响因素分别作为LSSVM、混合SVM 的输入进行物流需求预测。耿立艳等[47]结合GRA 和KPCA 提取物流需求影响因素的非线性信息特征，并将其作为LSSVM 的输入预测物流需求，进一步简化了LSSVM 结构，提高了预测精度。

其三，混合数据挖掘技术与智能预测方法，即根据物流需求时间序列的特征，混合现有模型进行预测。耿立艳等[48]通过灰色序列算子挖掘铁路货运量序列的规律性，再运用自适应粒子群算法优化后的LSSVM对规律性更强的新序列进行预测。

由于混合预测方法能够充分发挥各方法的优势，这三类混合预测法的预测精度均显著优于单一预测方法。但目前物流需求的混合预测方法尚属初级研究阶段，相关研究成果不多，更缺乏针对物流需求时间序列的混合预测方法研究。

3 物流需求预测方法展望

综上所述，较早期的物流需求预测方法主要是以统计学为基础的单一传统预测方法，随着物流需求预测领域研究的逐渐深入以及预测技术的发展，出现了一批更复杂、精度更高的智能预测方法。近些年来，运用单一智能预测方法进行物流需求预测的文献多于单一传统预测方法，而且越来越多的研究开始将多种方法相结合进行预测。已有的预测方法虽然在一定程度上取得了较好的预测精度，但由于物流需求的复杂性以及预测方法本身的适应性，物流需求预测方法研究中仍存在以下几方面的问题有待研究：

（1）单一灰色方法对物流需求的预测能力有限。单一的灰色方法，如灰色预测模型、残差灰色预测模型、多变量灰色预测模型等，对于离散程度较小且近似指数变化规律的时间序列数据有较好的预测精度，但对物流需求序列这样非线性、非平稳且波动性较大的数据序列，预测能力十分有限。

（2）针对物流需求预测的ANN 最优模型结构的选择问题。应用ANN的主要障碍在于如何找到解决某个问题的最优模型结构。虽然ANN已被广泛用于物流需求的预测中，但目前还没有关于选择物流需求预测的ANN 最优模型结构的研究。采用ANN 进行物流需求预测时，主要依赖于经验确定网络结构，若想得到有效且准确的预测结果，需要长时间进行网络训练，而且ANN的“黑箱”式学习模式，得到的输入/输出关系不易被接受。因此，如何选择针对物流需求预测问题的ANN最优模型结构有待研究。

（3）物流需求大样本条件下SVM 模型复杂度问题。SVM是相对稀疏模型，选取好核函数之后，它的训练复杂度与特征维数无关。但随着样本规模的增加，SVM 的参数(支持向量个数)也逐渐增多，造成模型结构更加复杂；而且由于需要计算所有样本之间的核函数，SVM 的计算复杂度将随着训练样本数急速增加。所以，寻找降低物流需求大样本条件下SVM模型复杂度的方法有待研究。

（4）将多种方法融合在一起的混合预测方法研究。关于物流需求的混合预测方法研究处于起步阶段，不够系统和深入。在现有物流需求混合预测方法中，大多数研究将两种不同方法相融合，很少有将多种方法融合在一起对物流需求进行预测。如何将多种方法相融合，特别是将现有的一些新理论和方法与先进智能预测方法有机融合在一起，进一步提高物流需求的预测精度，有待深入研究。

此外，物流需求预测中还存在两个问题有待解决：一是在物流需求预测指标的选择上还没有形成一致，特别是我国物流统计数据比较匮乏，在变量的选择上主要依赖人为选择，缺乏定量的分析；二是从物流需求本身的历史数据出发进行物流需求预测的研究成果较少。

4 结论

国内外学者对物流需求预测方法进行了大量研究，并取得了丰富的研究成果。本文基于建模形式，将物流需求预测方法划分为四大类：单一传统预测方法、单一智能预测方法、组合预测方法和混合预测方法。分别总结了四大类预测方法中各预测模型的建模原理，分析了各自的优缺点及适用性，并给出了物流需求预测方法的研究方向，期待有助于物流需求研究人员找到适应不同物流需求数据的预测方法。