面向卷烟分拣线任务动态分配的ARIMA周销量预测模型构建研究

2022-09-06赵晨智汪学良陈赞林旭李凯迪

中国储运 2022年8期

文/赵晨智汪学良陈赞林旭李凯迪

为实现卷烟各分拣线间周作业量均衡，减少其因作业量不均而产生不必要的送货等待时间，本文通过建立ARIMA模型预测周订单销售总量来帮助配送中心调整不同卷烟品规在自动分拣系统中的分拣烟道的占有量以及分拣线的分布量。首先收集2019年5月～2021年3月卷烟周销量数据；再利用SPSS软件进行数据分析，建立ARIMA模型预测2021年4月的卷烟周销量。结果表明，该模型R的平方达到0.898，拟合程度较好，能够有效地预测卷烟周销量。

《烟草行业“十四五”规划》提出了“烟草行业高质量发展”，为了实现配送中心分拣线高效利用，以发挥资源有效配置的作用，对卷烟销售量的预测显得尤为重要。卷烟销售量的时效性很强，对于卷烟分拣系统来说，为合理分配分拣线每天的任务量，短期预测往往比长期预测更为重要。卷烟预测的方法通常有线性回归法、神经网络、时间序列分析法等。对于单一变量随机时序的预测，Box-Jenkens等人提出的ARIMA方法是公认的最好的预测方法。关于ARIMA模型预测卷烟销量的研究中，程幸福等[1]建立了季节ARIMA模型，把异常值加入模型以六盘水市卷烟销售为例，预测了该市卷烟季度的销量。吴明山等[2]和王诗豪等[3]将ARIMA模型和其他预测模型应用于卷烟销量预测，相互比较，最终建立效果最好的预测模型。但以上研究都是以年、季度、月作为预测周期，难以满足卷烟分拣线每天任务均衡分配的需要，因此本文以周为预测周期建立模型，取得了不错的效果。

1.ARIMA模型的时间序列分析预测方法

ARIMA模型的基本步骤是首先将非平稳时间序列进行差分运算转化为平稳序列，计算ACF（自相关系数）、PACF（偏自相关系数）；初步进行ARMA模型识别与定阶；对已识别好的模型，确定模型参数进行适应性检验（通过白噪声分析检验是否符合正态分布）；最后应用预测并进行误差分析。

2.卷烟销售量ARIMA模型的建立及检验

本文拟预测毕节市卷烟销售情况，因此将毕节市2019年5月～2021年3月卷烟周销量数据整理导入SPSS软件。

图1 ARIMA模型对时间序列分析预测流程

2.1 数据平稳性检验

由图2-1原始销量数据图所示，该市的卷烟销量有长期递增趋势且有周期性波动，计算原始数据自相关和偏相关系数，结果皆小于0.01。因此原始数据通过了平稳性检验。查看ACF图和PACF图表现出来都是1阶拖尾。因此模型选择ARMA模型，p和q均等于1，d=0。其中p、d、q分别代表常规ARIMA模型的自回归阶数、差分次数和移动平均阶数。

图2-1 2019年5月～2021年3月卷烟周销量数据

2.2 模型评估

根据之前所确定的p,d,q参数确定模型ARIMA(1,0,1)，在SPSS系统中进行建模，如表1所示，R方为0.894数值较高，正态化BIC为22.275数值较小。在数据等其他因素不变的情况下，使用SPSS软件中的“专家建模器”功能进行建模。结合表1来看，模型拟合效果更完美，平稳的R方值比手动建模更高，正态化BIC更小，同时也成功检测出6个离群值点，所以专家建模器给出的最佳模型为ARIMA（2，0，0）。