王琰琰,任俊玲

(北京信息科技大學(xué) 信息管理學(xué)院,北京 100192)

0 引言

2022年我國(guó)全年零售額約44萬(wàn)億元,同比下降0.2%;但是線上消費(fèi)品零售表現(xiàn)突出,實(shí)物網(wǎng)上零售額近12萬(wàn)億元,同比增長(zhǎng)6.2%。城鎮(zhèn)化速度的加快、居民可支配收入的提升促進(jìn)了消費(fèi)能力和消費(fèi)意愿的不斷增強(qiáng),推動(dòng)日用消費(fèi)品的物流需求增長(zhǎng)。雖然我國(guó)物流產(chǎn)業(yè)發(fā)展迅速,但是依然無(wú)法滿足極速增長(zhǎng)的物流需求。特別是日用消費(fèi)品領(lǐng)域,極速增長(zhǎng)的物流需求不斷引發(fā)物流企業(yè)運(yùn)力不足、運(yùn)送時(shí)效不準(zhǔn)、物流爆倉(cāng)等難題。如何精準(zhǔn)預(yù)測(cè)日用消費(fèi)品物流需求,成為各物流企業(yè)在市場(chǎng)競(jìng)爭(zhēng)中及時(shí)調(diào)整布局、占據(jù)競(jìng)爭(zhēng)優(yōu)勢(shì)所面臨的問(wèn)題。

Yu[1]設(shè)計(jì)了改進(jìn)的自適應(yīng)遺傳算法和反向傳播神經(jīng)網(wǎng)絡(luò)(improved adaptive genetic algorithm and back propagation neural network,IAGA-BP)模型預(yù)測(cè)重慶市物流需求,該模型在區(qū)域物流需求預(yù)測(cè)中具有較高的預(yù)測(cè)精度。Zeng等[2]構(gòu)建的基于弱化緩沖算子的灰色預(yù)測(cè)模型能較為精準(zhǔn)地預(yù)測(cè)廣東省農(nóng)村物流需求。Yang[3]利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)沿海港口物流需求進(jìn)行預(yù)測(cè),該模型具有較高的預(yù)測(cè)精度。Zhou等[4]提出的一種基于模擬退火粒子群優(yōu)化-反向傳播神經(jīng)網(wǎng)絡(luò)(simulated annealing particle swarm optimization-back propagation neural network,SAPSO-BP)的組合預(yù)測(cè)模型在對(duì)貨運(yùn)量的預(yù)測(cè)中具有較好的收斂性能和穩(wěn)定性。Gao等[5]提出了一種在一定范圍內(nèi)搜索二維空間(目標(biāo)、擴(kuò)散)最優(yōu)解的參數(shù)尋優(yōu)方法,建立了基于徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型對(duì)物流需求進(jìn)行預(yù)測(cè)。王曉平等[6]構(gòu)造了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)北京市城鎮(zhèn)農(nóng)產(chǎn)品冷鏈物流需求進(jìn)行預(yù)測(cè)。蔡婉貞等[7]提出基于BP-RBF的組合預(yù)測(cè)模型預(yù)測(cè)港口物流需求,該組合模型的預(yù)測(cè)結(jié)果較為穩(wěn)定可靠。李敏杰等[8]采用RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)水產(chǎn)品冷鏈物流需求進(jìn)行預(yù)測(cè),該模型能較為準(zhǔn)確地預(yù)測(cè)水產(chǎn)品冷鏈物流需求。王曉平等[9]考慮到農(nóng)產(chǎn)品冷鏈物流需求系統(tǒng)具有復(fù)雜特征,采用支持向量機(jī)模型對(duì)北京城鎮(zhèn)農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè),該模型能夠很好地?cái)M合冷鏈物流需求。張國(guó)玲等[10]提出一種基于差分自回歸移動(dòng)平均反向傳播神經(jīng)網(wǎng)絡(luò)(auto regressive integrated moving average back propagation neural network,ARIMA-BPNN)的物流需求量預(yù)測(cè)模型,相較于其他預(yù)測(cè)模型有較高的預(yù)測(cè)精度。

相較于簡(jiǎn)單的線性系統(tǒng),物流系統(tǒng)屬于龐大且復(fù)雜的非線性系統(tǒng)[11]。日用消費(fèi)品物流需求的影響因素多且復(fù)雜,影響因素之間存在多重共線性。以線性回歸法為代表的部分傳統(tǒng)預(yù)測(cè)方法不能準(zhǔn)確地刻劃日用消費(fèi)品物流需求中的非線性關(guān)系,導(dǎo)致預(yù)測(cè)精度不夠[12]。另外,日用消費(fèi)品物流可采用的歷史數(shù)據(jù)較少,部分預(yù)測(cè)方法不能夠充分訓(xùn)練而導(dǎo)致預(yù)測(cè)精度較低。因此,在選擇預(yù)測(cè)方法時(shí)要考慮這些因素,選出更為準(zhǔn)確、有效的預(yù)測(cè)方法。

考慮到日用品物流需求的數(shù)據(jù)樣本較少,本文選取BP神經(jīng)網(wǎng)絡(luò)模型對(duì)日用消費(fèi)品物流需求進(jìn)行預(yù)測(cè),并引入遺傳算法(genetic algorithm,GA)和蟻群優(yōu)化(ant colony optimization,ACO)算法對(duì)其進(jìn)行優(yōu)化,避免模型陷入局部最優(yōu),提高預(yù)測(cè)精度,得到更為精準(zhǔn)的預(yù)測(cè)結(jié)果,以幫助企業(yè)規(guī)劃物流需求,給予消費(fèi)者更好的物流體驗(yàn)。

1 日用消費(fèi)品物流需求預(yù)測(cè)思路

日用消費(fèi)品與日常生活息息相關(guān),在互聯(lián)網(wǎng)的支持下,電商及新零售產(chǎn)業(yè)發(fā)展迅速,線上購(gòu)買(mǎi)日用消費(fèi)品的便捷、速度和實(shí)惠不斷促進(jìn)日用消費(fèi)品物流需求的增長(zhǎng),而需求的增長(zhǎng)卻在不斷向物流的供給施加壓力。本文通過(guò)預(yù)測(cè)日用消費(fèi)品物流需求幫助企業(yè)規(guī)劃物流供給,以達(dá)到市場(chǎng)的供需平衡。具體預(yù)測(cè)思路如圖1所示。

圖1 預(yù)測(cè)思路Fig.1 Prediction idea

首先,對(duì)日用消費(fèi)品物流需求的相關(guān)影響因素進(jìn)行分析總結(jié)。然后,將歷史數(shù)據(jù)代入灰色關(guān)聯(lián)度分析模型,對(duì)日用消費(fèi)品物流需求影響因素進(jìn)行篩選,得出與日用消費(fèi)品物流需求關(guān)聯(lián)度較高的預(yù)測(cè)指標(biāo)。最后,構(gòu)建基于GA-ACO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。將篩選過(guò)后的預(yù)測(cè)指標(biāo)的歷史數(shù)據(jù)代入模型進(jìn)行訓(xùn)練和測(cè)試。根據(jù)訓(xùn)練結(jié)果對(duì)模型參數(shù)進(jìn)行調(diào)整,達(dá)到較高的預(yù)測(cè)精度后,使用該模型對(duì)未來(lái)的日用消費(fèi)品物流需求進(jìn)行預(yù)測(cè)。

2 構(gòu)建預(yù)測(cè)指標(biāo)體系

2.1 日用消費(fèi)品物流需求影響因素分析

居民作為日用消費(fèi)品的直接消費(fèi)端,其規(guī)模程度、經(jīng)濟(jì)水平和生活水平對(duì)日用消費(fèi)品的消耗量有直接影響。而物流業(yè)作為經(jīng)濟(jì)發(fā)展的派生需求,其市場(chǎng)需求與經(jīng)濟(jì)發(fā)展形成了相輔相成、相互促進(jìn)的關(guān)系。本文結(jié)合現(xiàn)有的文獻(xiàn)研究,從日用消費(fèi)品物流供需的角度出發(fā),將影響日用消費(fèi)品物流需求的影響因素分為以下6類(lèi):

1)宏觀經(jīng)濟(jì)發(fā)展水平。經(jīng)濟(jì)發(fā)展程度決定了居民生活水平的高度以及物流業(yè)的發(fā)展速度。經(jīng)濟(jì)越發(fā)達(dá),人們的生活水平越高,對(duì)產(chǎn)品質(zhì)量和時(shí)間消耗的要求就越高,對(duì)物流服務(wù)的需求更大也更嚴(yán)苛。

2)相關(guān)產(chǎn)業(yè)水平。產(chǎn)業(yè)結(jié)構(gòu)的不同決定了物流需求結(jié)構(gòu)的不同。日用消費(fèi)品物流連接消費(fèi)品市場(chǎng)的上下游,相關(guān)產(chǎn)業(yè)的發(fā)展水平與日用消費(fèi)品物流的發(fā)展相輔相成。

3)消費(fèi)能力。居民作為日用消費(fèi)品的最終用戶,其收支水平和人口規(guī)模對(duì)于日用消費(fèi)品市場(chǎng)有直接的影響。

4)物流供應(yīng)能力。物流供應(yīng)能力可以反映交通運(yùn)輸水平,物流能力會(huì)影響物流服務(wù)和物流效率,進(jìn)而影響需求。

5)互聯(lián)網(wǎng)發(fā)展水平。伴隨互聯(lián)網(wǎng)的發(fā)展,電商行業(yè)發(fā)展迅速。電商平臺(tái)作為居民線上購(gòu)買(mǎi)日用消費(fèi)品的渠道,對(duì)于日用消費(fèi)品的物流需求有著決定性的影響作用。

6)貿(mào)易水平。國(guó)內(nèi)貿(mào)易在物流行業(yè)的發(fā)展初期產(chǎn)生了大量需求,而國(guó)際貿(mào)易的不斷發(fā)展、居民消費(fèi)能力的提升、對(duì)消費(fèi)品的高要求都在推動(dòng)跨境電商行業(yè)的發(fā)展,隨之產(chǎn)生的進(jìn)出口日用消費(fèi)品物流需求不容忽視,因此選取進(jìn)出口總額指標(biāo)衡量貿(mào)易水平和進(jìn)出口的日用消費(fèi)品物流需求的發(fā)展?jié)摿Α?/p>

本文遵循指標(biāo)選取的可獲得性、實(shí)際性和全面性原則,選取宏觀經(jīng)濟(jì)發(fā)展水平、相關(guān)產(chǎn)業(yè)水平、居民消費(fèi)能力、物流供應(yīng)能力、互聯(lián)網(wǎng)發(fā)展水平、貿(mào)易水平共6個(gè)一級(jí)指標(biāo),在此基礎(chǔ)上分析總結(jié)了13個(gè)影響因素作為二級(jí)指標(biāo),如表1所示。

表1 全國(guó)日用消費(fèi)品物流需求影響因素Table 1 Factors affecting the logistics demand for daily consumer goods in China

2.2 基于灰色關(guān)聯(lián)度分析的預(yù)測(cè)指標(biāo)篩選

2個(gè)系統(tǒng)之間的因素,隨時(shí)間或不同對(duì)象而變化的關(guān)聯(lián)性大小的量度,稱為關(guān)聯(lián)度。2個(gè)因素變化即同步變化程度越高,二者關(guān)聯(lián)程度越高;反之,則越低。因此,灰色關(guān)聯(lián)分析方法,根據(jù)因素之間發(fā)展趨勢(shì)的相似相異程度,為衡量因素間關(guān)聯(lián)程度提供了量化的度量[13]?；疑P(guān)聯(lián)度適用于“小樣本、貧信息”,根據(jù)序列曲線幾何形狀的相似程度來(lái)判斷其聯(lián)系是否緊密,不受主觀因素影響,是一種客觀的指標(biāo)篩選方法。

反映系統(tǒng)行為特征的參考序列記為Y=y(k)(k=1,2,…,n),影響系統(tǒng)行為特征的比較序列記為Xi=xi(k)(i=1,2,…,m),δi(k)為xi(k)與y(k)之間的關(guān)聯(lián)系數(shù),定義為

δi(k)=

(1)

式中:ρ為分辨系數(shù),取值范圍為(0,1),通常取0.5。

ri為Y與Xi之間的關(guān)聯(lián)度,定義為

(2)

關(guān)聯(lián)度越大,相關(guān)性越高。

本文通過(guò)查找國(guó)家統(tǒng)計(jì)局、中華人民共和國(guó)商務(wù)部和中國(guó)互聯(lián)網(wǎng)信息中心的相關(guān)數(shù)據(jù)及資料,整理出全國(guó)日用消費(fèi)品物流需求量及其13個(gè)影響因素從2010年到2022年共13年每年的相關(guān)統(tǒng)計(jì)數(shù)據(jù)。以全國(guó)日用消費(fèi)品物流需求量為參考序列Y=y(k)(k=1,2,…,13),13個(gè)影響因素為Xi=xi(k)(i=1,2,…,13),計(jì)算得出全國(guó)日用消費(fèi)品物流需求量(Y)與其影響因素之間的灰色關(guān)聯(lián)度,如表2所示。

表2 全國(guó)日用消費(fèi)品物流需求量與影響因素關(guān)聯(lián)度Table 2 Correlation between daily consumer goods logistics demand and influencing factors in China

從表中數(shù)據(jù)對(duì)影響因素對(duì)應(yīng)的關(guān)聯(lián)度進(jìn)行排序,可得出:X1>X3>X5>X12>X4>X8>X13>X6>X2>X11>X9>X7>X10。

根據(jù)文獻(xiàn)調(diào)研,通常關(guān)聯(lián)度結(jié)果大于0.7就表示具有較強(qiáng)的相關(guān)性,因此本文選取關(guān)聯(lián)度結(jié)果大于0.7的8個(gè)影響因素作為預(yù)測(cè)指標(biāo),分析各項(xiàng)預(yù)測(cè)指標(biāo)對(duì)日用消費(fèi)品物流需求的影響程度。分別是人均GDP(X′1);第三產(chǎn)業(yè)增加值(X′2);批發(fā)與零售業(yè)增加值(X′3);居民人均可支配收入(X′4);居民人均消費(fèi)支出(X′5);交通運(yùn)輸、倉(cāng)儲(chǔ)及郵政業(yè)增加值(X′6);互聯(lián)網(wǎng)普及率(X′7);進(jìn)出口總額(X′8)。整理后的各項(xiàng)數(shù)據(jù)如表3所示。

表3 2010—2022年全國(guó)日用消費(fèi)品物流需求輸入和輸出指標(biāo)數(shù)據(jù)Table 3 Input and output indicator data of logistics demand for daily consumer goods in China from 2010 to 2022

3 構(gòu)建預(yù)測(cè)模型

為了更為準(zhǔn)確地預(yù)測(cè)日用消費(fèi)品物流需求,在構(gòu)建模型時(shí)需要選擇適配其數(shù)據(jù)特征的模型。日用消費(fèi)品物流需求的樣本量較少,且影響因素之間存在非線性,因此,需要構(gòu)建一個(gè)能夠擬合非線性和小樣本的預(yù)測(cè)模型,才能提高預(yù)測(cè)精度。

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種高度自適應(yīng)的非線性動(dòng)力系統(tǒng)。BP神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)可以得到輸入與輸出之間的高度非線性映射[14],具有很強(qiáng)的非線性模擬、自組織及自學(xué)習(xí)能力,且對(duì)數(shù)據(jù)量要求不高,非常適合小樣本、非線性的物流需求預(yù)測(cè)。

3.2 構(gòu)建GA-ACO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

本文構(gòu)建了GA-ACO-BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)日用消費(fèi)品物流需求進(jìn)行預(yù)測(cè)。其過(guò)程為:將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值作為蟻群算法中螞蟻種群的路徑坐標(biāo),計(jì)算蟻群算法中每只螞蟻的適應(yīng)度值,對(duì)比適應(yīng)度值的大小,將不滿足條件的螞蟻代入遺傳算法進(jìn)行選擇、交叉和變異,將滿足條件的螞蟻代入蟻群算法的尋優(yōu)流程,計(jì)算最優(yōu)個(gè)體的狀態(tài)轉(zhuǎn)移概率和信息素濃度,再次對(duì)比適應(yīng)度值大小,不滿足條件的螞蟻繼續(xù)循環(huán)迭代,將滿足條件的螞蟻?zhàn)鴺?biāo)作為BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值,代入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練直至得出最優(yōu)結(jié)果。具體流程如圖2所示。

圖2 GA-ACO-BP預(yù)測(cè)模型流程圖Fig.2 Flowchart of GA-ACO-BP prediction model

基本步驟如下:

步驟1參數(shù)初始化。根據(jù)數(shù)據(jù)集的輸入和輸出確定BP神經(jīng)網(wǎng)絡(luò),根據(jù)輸入層的節(jié)點(diǎn)數(shù)(m)和輸出層的節(jié)點(diǎn)數(shù)(n),并根據(jù)經(jīng)驗(yàn)公式,計(jì)算隱含層的節(jié)點(diǎn)數(shù)(l),如式(3)所示。將產(chǎn)生初始的權(quán)值(wij,第i個(gè)神經(jīng)元到第j個(gè)神經(jīng)元的權(quán)值)和閾值(bij,第i個(gè)神經(jīng)元到第j個(gè)神經(jīng)元的閾值)組成的所有元素記為集合Iwi;設(shè)定誤差函數(shù)Ei,如式(4)所示。

(3)

(4)

式中:a為整數(shù),通常取值[1,10];Oij為實(shí)際值;Dij為預(yù)測(cè)值。當(dāng)誤差小于設(shè)定值時(shí),參數(shù)達(dá)到最優(yōu),停止迭代,輸出最優(yōu)結(jié)果。

步驟2構(gòu)造解空間,計(jì)算信息素濃度:

(5)

式中:τij為第i個(gè)神經(jīng)元和第j個(gè)神經(jīng)元之間的信息素濃度,信息素濃度越高,被選中的概率越高;Q為初始信息素濃度;Δwij為第i個(gè)神經(jīng)元到第j個(gè)神經(jīng)元的權(quán)值的變換量;Δbij為第i個(gè)神經(jīng)元到第j個(gè)神經(jīng)元的閾值的變換量。

步驟3選定適應(yīng)度函數(shù)并計(jì)算適應(yīng)度值。對(duì)不滿足條件的蟻群執(zhí)行遺傳算法的選擇、交叉、變異。對(duì)滿足條件的蟻群執(zhí)行步驟6。針對(duì)本文的應(yīng)用場(chǎng)景,適應(yīng)度函數(shù)為訓(xùn)練樣本的實(shí)際輸出與期望輸出之間的誤差平方和,采用輪盤(pán)賭規(guī)則執(zhí)行遺傳算法的選擇操作,選擇算子計(jì)算方式如下:

(6)

式中:Pi為遺傳種群中個(gè)體配對(duì)選擇的概率;fi為適應(yīng)度函數(shù);N為種群中個(gè)體的總數(shù)。

步驟4交叉操作。將父代個(gè)體的基因進(jìn)行權(quán)重隨機(jī)平均,得到子代的基因,具體過(guò)程如式(7)所示:

Z(i)=Pc×F1(i)+(1-Pc)×F2(i)

(7)

式中:Z(i)為通過(guò)交叉計(jì)算父代個(gè)體的基因而產(chǎn)生的新的子代基因;Pc為交叉概率,取值在[0,1]之間;F1(i)為父代F1的第i個(gè)基因;F2(i)為父代F2的第i個(gè)基因。

步驟5變異操作。高斯變異可以增加種群多樣性、提高搜索效率和避免陷入局部最優(yōu)解,采用高斯變異算子進(jìn)行變異操作:

(8)

式中:σ為高斯分布的標(biāo)準(zhǔn)差;randn()為隨機(jī)高斯分布函數(shù),均值為0,標(biāo)準(zhǔn)差為1。

步驟6計(jì)算螞蟻的轉(zhuǎn)移狀態(tài)概率。

(9)

步驟7更新信息素濃度。

(10)

步驟8將尋優(yōu)結(jié)果代入BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練,計(jì)算訓(xùn)練誤差,當(dāng)誤差達(dá)到目標(biāo)要求時(shí),輸出結(jié)果,否則繼續(xù)進(jìn)行步驟2～7。

3.3 實(shí)證分析

為了消除樣本數(shù)據(jù)間的量綱影響,按式(11)對(duì)全部樣本數(shù)據(jù)進(jìn)行歸一化處理:

(11)

式中:x*為歸一化后的數(shù)據(jù);x為歸一化前的數(shù)據(jù);xmin為數(shù)據(jù)的最小值;xmax為數(shù)據(jù)的最大值。

將表3中的X′1～X′8作為模型的輸入,表3中的Y作為輸出,得出GA-ACO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入層節(jié)點(diǎn)為8,輸出層節(jié)點(diǎn)為1。根據(jù)式(3)計(jì)算該模型的隱含層節(jié)點(diǎn)范圍為[4,13],通過(guò)代入隱含層節(jié)點(diǎn)數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練計(jì)算訓(xùn)練集的均方誤差,可以看出當(dāng)隱含層節(jié)點(diǎn)數(shù)為8時(shí),訓(xùn)練集的均方誤差最小,如圖3所示,故確定該網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為8-8-1。

圖3 隱含層節(jié)點(diǎn)數(shù)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.3 Network training results for the number of hidden layer nodes

為了進(jìn)一步驗(yàn)證GA-ACO對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果,選取表3中2010—2019年的數(shù)據(jù)作為樣本數(shù)據(jù),按照7∶3的比例劃分前7年的數(shù)據(jù)為訓(xùn)練集,后3年的數(shù)據(jù)為測(cè)試集,并對(duì)其進(jìn)行歸一化處理后,代入GA-ACO-BP預(yù)測(cè)模型。經(jīng)過(guò)不斷優(yōu)化后模型參數(shù)設(shè)置如表4所示。并與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和GA-BP預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。選用平均絕對(duì)誤差(mean absolute error,MAE)、均方根誤差(root mean square error,RMSE)以及平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)這3種評(píng)價(jià)指標(biāo)對(duì)3種模型進(jìn)行性能評(píng)估,3種指標(biāo)的值越小說(shuō)明模型的精度越高。

表4 GA-ACO-BP預(yù)測(cè)模型參數(shù)設(shè)置Table 4 GA-ACO-BP prediction model parameter settings

模型訓(xùn)練后的測(cè)試結(jié)果如表5所示。GA-ACO-BP預(yù)測(cè)模型的3種誤差明顯更小,預(yù)測(cè)精度比GA-BP和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型更高,表明GA-ACO對(duì)BP神經(jīng)網(wǎng)絡(luò)模型有較好的優(yōu)化效果,提高了預(yù)測(cè)精度。

表5 各模型預(yù)測(cè)精度Table 5 Prediction accuracy of each model

3.4 預(yù)測(cè)結(jié)果

利用構(gòu)建好的GA-ACO-BP預(yù)測(cè)模型對(duì)2020—2022年的日用消費(fèi)品物流需求進(jìn)行預(yù)測(cè)?？紤]在實(shí)際預(yù)測(cè)中數(shù)據(jù)量級(jí)較大,對(duì)比實(shí)際值與預(yù)測(cè)值之間的差異不夠直觀,而相對(duì)誤差能夠很直觀地幫助比較預(yù)測(cè)值的精度,本文選擇計(jì)算并比較3種模型預(yù)測(cè)結(jié)果與實(shí)際值之間的相對(duì)誤差,并通過(guò)計(jì)算預(yù)測(cè)結(jié)果的平均相對(duì)誤差以對(duì)比3種模型的綜合預(yù)測(cè)效果。輸入數(shù)據(jù)見(jiàn)表3中2020—2022年的數(shù)據(jù),模型預(yù)測(cè)結(jié)果如表6所示。由表6可知,3種預(yù)測(cè)模型的平均相對(duì)誤差分別為19.17%、11.16%、2.03%,GA-ACO-BP預(yù)測(cè)模型的預(yù)測(cè)誤差明顯更小。該模型在日用消費(fèi)品物流需求預(yù)測(cè)中能夠達(dá)到更好的預(yù)測(cè)效果,且與真實(shí)值保持著較高的擬合度,對(duì)于日用消費(fèi)品物流需求的預(yù)測(cè)研究具有一定可參考價(jià)值。

表6 不同模型測(cè)試結(jié)果對(duì)比Table 6 Comparison of test results for different models

4 結(jié)束語(yǔ)

本文從日用消費(fèi)品的需求端考慮物流需求,以全國(guó)網(wǎng)上實(shí)物零售總額作為日用消費(fèi)品物流需求量,分析了供需兩端的影響因素,采用灰色關(guān)聯(lián)度分析對(duì)影響因素進(jìn)行篩選,并通過(guò)GA-ACO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)日用消費(fèi)品物流需求進(jìn)行預(yù)測(cè),并對(duì)比了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP預(yù)測(cè)模型的預(yù)測(cè)效果及精度,實(shí)證得出GA-ACO-BP預(yù)測(cè)模型對(duì)日用消費(fèi)品物流需求預(yù)測(cè)的有效性,為日用消費(fèi)品物流需求預(yù)測(cè)提供了一種較為精確的預(yù)測(cè)方法,也為其他領(lǐng)域的需求預(yù)測(cè)研究提供參考。