物流需求量灰色―马尔科夫链预测模型分析研究
来源:用户上传
作者:
摘 要：物流企业最优资源配置受物流需求量的影响，建立精确的物流需求预测模型是关键。针对单一物流需求量预测方法预测精度不高的问题，提出了马尔科夫链―灰色预测模型，鉴于运输在物流系统中的重要地位及数据的可得性，将货运量作为代表物流需求的指标。以淮安1996～2014年货运量作为基础数据，对淮安物流需求量进行定量预测。结果显示，马尔科夫链―灰色预测模型预测精度比单一预测模型的预测精度有很大提高，验证了该模型的有效性。
关键词：灰色；马尔科夫；货运量
中图分类号：F250 文献标识码：A
Abstract： The best enterprise resource allocation of logistics is affected by logistics demand. The key problem is building the forecasting model of logistics demand. Grey-Markov chain is put forward according to the problem of low prediction accuracy based on single forecasting model. In view of the importance of transportation in logistics system and the availability of data， this paper forecast the logistics demand of Huaian quantitatively with freight volume as the index and the historical data of the period form 1996 to 2014 as the sample. The results showed that the model based on Grey-Markov chain forecasting accuracy is higher than single forecasting model prediction accuracy. The validity of the model is verified.
Key words： grey； Markov chain； freight volume
0 引 言
实现物流企业资源最优配置的前提是准确预测分析物流需求。物流需求指一定时期内的社会经济活动对生产领域的原材料、半成品，流通、消费领域的成品、商品以及废旧物品等的配置作用而产生的对物品在时间、费用和空间方面的要求。是社会活动在运输、仓储、包装、装卸搬运等各物流环节中所提出的有支付能力的需要。
部分学者对物流需求的有效预测进行了研究。符瑛、王立新[1]采用统计学的方法通过对长株潭区域物流需求的实际数据进行挖掘和分析，确定了影响物流需求的主要影响因素；可见，在建立商品需求情报分析预测模型上，应该综合考虑多因素的影响，建立更为精确的预测模型。汤兆平[2]等分析了铁路局管内物流需求的特征和影响因素，采用统计学中的ARIMA模型建立了铁路物流需求预测模型，实证分析，ARIMA物流需求预测模型能在铁路管内物流需求预测上具有较好的预测效果。何国华[3]分析了影响区域物流需求的主要指标，指出物流需求应该预测的内容，从而建立了基于灰色预测的区域物流需求预测模型。邓琪、余利娥[4]从国民产业经济相关性入手，根据投入产出的消耗系数来构建了一套安徽物流需求预测模型，采用产业关联法对物流的需求进行预测。黄毅、夏国恩[5]针对物流需求预测中存在的影响因素众多，且各因素之间出现的非线性关系，建立了基于支持向量机的预测模型，并用于对广西物流需求的预测，实证分析，基于向量机的物流预测模型在对物流需求量的预测上精度较高。孙志刚[6]针对采用支持向量机进行物流需求预测模式，在求解上存在一定的难度，甚至出现所求解限于局部最优的情况，提出了基于蚁群算法的支持向量机物流需求预测模型，有效提升了预测模型建模时间。曹萍、陈福集[7]构建了基于灰色神经网络的物流需求预测模型，并采用遗传算法对模型进行求解。
从以上分析可看出，大部分学者都运用单一模型对物流需求进行预测，单一预测模型预测精度不高，而采用非线性的智能预测模型，计算复杂度较高。为了提升物流需求预测精度，降低复杂度，提出了组合预测模型，采用灰色―马尔科夫链组合预测模型能够有效提高预测精度。通过灰色处理将历史数据处理平滑，满足马尔科夫链预测前提。同时马尔科夫链能够把数据分成不同的状态并找出变化规律，能够补偿灰色对长期预测拟合性差的不足。
1 GM1，1建模
（3）结果分析。运用马尔科夫链修正后的模型提高了预测精度。2013年，从运输情况来看，货运需求稳中偏弱。受需求减弱和大宗商品交易量下降等因素影响，货运量和周转量的增速均有较大回落。从统计数据来看，总货运量没有按照一般规律增加，而是出现了下降，因此修正后的预测结果比其他年份的准确程度略低，除2013年特殊情况外，马尔科夫修正后的模型预测精度都比修正前有了很大的提高。
（4）结论。对淮安市货物量的预测问题上，运用了灰色模型，在此基础上运用马尔科夫链进行修正，结果表明：①货物运输量的预测特点是随机波动性和非线性，利用灰色GM1，1建模，在原始数据量较少的情况下，对运用灰色模型求得的预测值例分析表明，该模型的预测结果与实际值基本相符，相对残差（绝对值）分别为9.3%、14.3%、20.3%、18.4%、7.9%和9.4%。②从预测分析的结果来看，单项预测模型具有一定的缺陷，采用马尔科夫链修正灰色预测模型，既能反映系统中的内在规律性，又能预测出数据变化发展的总体趋势，这样对于随机波动性较大的预测问题就能够用该模型进行描述。利用单项灰色预测模型与基于马尔科夫链修正的灰色预测模型，对淮安市2009～2014年的货运量进行预测，其修正后的残差（绝对值）分别为4.3%、0.64%、10.3%、12.8%、9.5%、7.0%和7.0%。由此，马尔科夫链修正的灰色货运量预测模型具有较强的实用性。可尝试在其他领域使用马尔科夫链理论修正组合预测模型，从而对组合模型的预测精度进行改进，提高模型的应用价值。
参考文献：
[1] 符瑛，王立新. 长株潭区域物流需求预测影响因素分析[J]. 中南林业科技大学学报（社会科学版），2012（2）：62-64.
[2] 汤兆平，等. 基于ARIMA模型的N铁路局管内物流需求预测研究[J]. 经济问题探索，2014（7）：76-81.
[3] 何国华. 区域物流需求预测及灰色预测模型的应用[J]. 北京交通大学学报（社会科学版），2008（1）：33-37.
[4] 邓琪，余利娥. 基于产业关联的安徽省物流需求预测[J]. 统计与决策，2013（17）：109-111.
[5] 黄毅，夏国恩. 基于支持向量回归机的广西物流需求预测[J]. 科技管理研究，2011（2）：142-144.
[6] 孙志刚. 蚁群优化支持向量机的物流需求预测[J]. 计算机系统应用，2013（5）：107-110.
[7] 曹萍，陈福集. GA―灰色神经网络的区域物流需求预测[J]. 北京理工大学学报（社会科学版），2012（1）：66-70.
转载注明来源:https://www.xzbu.com/8/view-7718168.htm
