徐超毅 胡望敏

摘要：為預測廣東省水產(chǎn)預制菜冷鏈物流的市場需求，從區(qū)域經(jīng)濟發(fā)展水平、市場供需水平、交通運輸水平、冷鏈技術(shù)水平4個方面構(gòu)建水產(chǎn)預制菜冷鏈物流需求評價指標，采用灰色關(guān)聯(lián)分析法研究影響水產(chǎn)預制菜冷鏈物流需求變化的主要因素，分別采用灰色模型（grey model，GM）中的一階一元微分方程GM（1，1）與長短時記憶（long short-term memory，LSTM）神經(jīng)網(wǎng)絡對比分析2015—2021年廣東省水產(chǎn)預制菜冷鏈物流需求。結(jié)果表明：影響廣東省水產(chǎn)預制菜冷鏈物流需求發(fā)展的主要影響因素為貨物周轉(zhuǎn)量和冷鏈冷藏水平；GM（1，1）、LSTM神經(jīng)網(wǎng)絡預測結(jié)果的平均相對誤差分別為2.68%、0.22%，后者的預測準確度明顯優(yōu)于前者；采用LSTM神經(jīng)網(wǎng)絡預測2022—2024年廣東省水產(chǎn)預制菜冷鏈物流需求，廣東省水產(chǎn)預制菜需求呈上升趨勢，預計2024年將達到509.09 萬t。廣東省應立足冷鏈基礎設施建設，確保貯藏、運輸過程中水產(chǎn)預制菜溫度穩(wěn)定，加強水產(chǎn)預制菜食品監(jiān)督，保證食品質(zhì)量安全，不斷促進水產(chǎn)預制菜冷鏈產(chǎn)業(yè)的發(fā)展。

關(guān)鍵詞：水產(chǎn)預制菜；冷鏈物流需求；GM（1，1）；LSTM神經(jīng)網(wǎng)絡；灰色關(guān)聯(lián)分析

中圖分類號：U16;F326.4文獻標志碼：A文章編號：1672-0032（2024）02-0082-07

引用格式：徐超毅，胡望敏.廣東省水產(chǎn)預制菜冷鏈物流需求分析及預測［J］.山東交通學院學報，2024，32（2）：82-88.

XU Chaoyi， HU Wangmin. Analysis and forecast of cold chain logistics demand for aquatic pre-made dishes in Guangdong Province［J］.Journal of Shandong Jiaotong University，2024，32（2）：82-88.

0?引言

預制菜是指采用現(xiàn)代標準化流水作業(yè)，對菜品原料進行前期加工，經(jīng)衛(wèi)生、科學的封裝后售賣的半成品菜，消費者只需通過簡單加熱或蒸炒等方式可直接食用[1]。預制菜的主要原材料之一是水產(chǎn)品[2]。廣東省是全國水產(chǎn)養(yǎng)殖大省，海產(chǎn)品產(chǎn)量和水產(chǎn)品產(chǎn)量位居全國前列，廣東省制定了一系列保障預制菜產(chǎn)業(yè)高質(zhì)量發(fā)展的措施，積極推動預制菜市場發(fā)展[3]。消費者比較關(guān)注水產(chǎn)預制菜的新鮮度、口感及營養(yǎng)成分保留，但在運輸過程中需保鮮、防止腐變、管理技術(shù)密集等特點阻礙水產(chǎn)預制菜跨地域流通發(fā)展。因此，研究廣東省水產(chǎn)預制菜冷鏈物流需求及影響因素有重要的現(xiàn)實意義。

近年來，學者采用多種模型預測物流需求。朱夢琳[4]采用灰色模型（grey model，GM）中的一階一元微分方程GM（1，1）預測內(nèi)江市物流需求，預測結(jié)果的平滑性較好，可有效反映內(nèi)江市物流需求的整體變化趨勢；盧爾賽等[5]將GM（1，1）和自回歸移動平均（autoregressive integrated moving average，ARIMA）模型組合，預測浙江省砂石骨料的物流需求，預測結(jié)果表明組合預測模型的預測精度比單一GM（1，1）高；Xu等[6]采用有雙層結(jié)構(gòu)的新型灰色預測模型分析2021—2025年我國冷鏈物流需求的變化趨勢；Zeng等[7]采用有弱化緩沖算子的GM（1，1）預測廣東省農(nóng)村物流需求，匹配性和預測精度較好；黃永福[8]采用GM（1，N）預測廣東省貨運量，通過殘差檢驗及后驗差檢驗表明模型的預測精度為I級（優(yōu)）；陳一村等[9]提出基于灰色關(guān)聯(lián)理論、遺傳算法和反向傳播神經(jīng)網(wǎng)絡（grey relational analysis-genetic algorithm-back propagation，GRT-GA-BP）算法的貨運需求預測模型，識別影響城市地下物流系統(tǒng)貨運需求的關(guān)鍵因素，以北京市某新區(qū)為例進行仿真計算，為城市地下物流系統(tǒng)的規(guī)劃設計提供數(shù)據(jù)基礎；Ya[10]設計并應用基于系統(tǒng)序參量的多元回歸和自適應權(quán)重反向傳播神經(jīng)網(wǎng)絡（adaptive weight-back propagation，AW-BP）預測方法，最大限度地減少數(shù)據(jù)缺失對預測結(jié)果的負面影響；Liu等[11]建立二次指數(shù)平滑模型預測京津冀區(qū)域一體化下鮮活農(nóng)產(chǎn)品冷鏈物流需求；Ren等[12]分析冷鏈需求潛在因素與區(qū)域農(nóng)產(chǎn)品冷鏈物流需求的內(nèi)在關(guān)聯(lián)性，建立分數(shù)階累加GM（1，N），預測京津冀農(nóng)產(chǎn)品冷鏈物流需求，預測精度較高；李雋波等[13]采用多元線性回歸分析法預測我國水產(chǎn)品冷鏈物流需求；李敏杰等[14]采用徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡、反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡、多元線性回歸模型和GM（1，1）預測我國水產(chǎn)品冷鏈物流需求，結(jié)果表明RBF神經(jīng)網(wǎng)絡對水產(chǎn)品冷鏈物流需求的預測精度顯著優(yōu)于其他預測方法；王曉平等[15]通過遺傳BP神經(jīng)網(wǎng)絡預測北京城鎮(zhèn)農(nóng)產(chǎn)品冷鏈物流需求；李義華等[16]以冷鏈流通量作為度量指標，構(gòu)建滑動無偏灰色預測模型預測相關(guān)經(jīng)濟區(qū)域的冷鏈物流需求。已有研究多采用GM（1，1）預測農(nóng)產(chǎn)品或水產(chǎn)品的冷鏈物流需求，對目前冷鏈物流市場新興且需求量較大的預制菜需求預測較少。長短時記憶（long short-term memory，LSTM）神經(jīng)網(wǎng)絡是一種改進的循環(huán)神經(jīng)網(wǎng)絡（recurrent neural network，RNN），通過門控機制丟棄或增加信息，實現(xiàn)遺忘或記憶功能，能有效解決RNN的梯度爆炸和梯度消失問題，多用于計算機、工業(yè)信息等領域，在冷鏈物流需求預測中使用較少。

本文以廣東省水產(chǎn)預制菜冷鏈物流需求為研究對象，構(gòu)建水產(chǎn)預制菜冷鏈物流需求評價指標，通過灰色關(guān)聯(lián)度分析影響水產(chǎn)預制菜冷鏈物流需求的主要因素，分別采用GM（1，1）和LSTM神經(jīng)網(wǎng)絡預測廣東省水產(chǎn)預制菜冷鏈物流需求，為廣東省水產(chǎn)預制菜冷鏈物流發(fā)展提供數(shù)據(jù)支持。

1?水產(chǎn)預制菜冷鏈物流需求影響因素

1.1?評價指標選取

冷鏈物流需求受產(chǎn)品供給水平、區(qū)域經(jīng)濟環(huán)境、冷鏈物流發(fā)展水平、社會人文環(huán)境等多種因素影響[17]?？紤]評價指標的系統(tǒng)性、可操作性和重要性，選取區(qū)域經(jīng)濟發(fā)展水平、市場供需水平、交通運輸水平、冷鏈技術(shù)水平4個一級指標，在一級指標下細分14個二級指標建立廣東省水產(chǎn)預制菜冷鏈物流需求的評價指標[18]。水產(chǎn)預制菜冷鏈物流需求評價指標如圖1所示。

1.2?灰色關(guān)聯(lián)分析

根據(jù)系統(tǒng)中各要素間發(fā)展趨勢的類似程度，采用灰色關(guān)聯(lián)分析衡量各要素間的關(guān)聯(lián)度[19]。通過比較參考序列和比較序列的變化趨勢判定二者間的關(guān)系，二者變化形狀越相似，關(guān)聯(lián)度越大。

1）確定分析數(shù)列。反映系統(tǒng)行為特征的數(shù)據(jù)序列為參考數(shù)列

Y={y（k）|k=1，2，…，n}，

式中：y（k）為第k個參考數(shù)據(jù)，n為參考數(shù)據(jù)序列長度。

影響系統(tǒng)行為的因素數(shù)據(jù)序列為比較數(shù)列，第i個比較數(shù)列

Xi={xi（k）|k=1，2，…，n}，i=1，2，…，m，

式中：xi（k）為第i個評價指標序列中第k個比較數(shù)據(jù)，m為評價指標數(shù)。

2）數(shù)據(jù)無量綱化處理。系統(tǒng)中各因素的物理意義不同，數(shù)據(jù)的量綱不同，為方便進行分析和比較，需對原始數(shù)據(jù)進行無量綱化處理，xik無量綱化值

x′i（k）=［xi（k）－min xi（k）］/［max xi（k）－min xi（k）］。

3）計算關(guān)聯(lián)系數(shù)。計算比較數(shù)列與參考數(shù)列對應元素的關(guān)聯(lián)系數(shù)

ξi（k）=miniminky′（k）－x′i（k）+ρmaximaxky′（k）－x′i（k）y′（k）－x′i（k）+ρmaximaxky′（k）－x′i（k），

式中：y′（k）為y（k）的無量綱化值；ρ為分辨系數(shù)，一般ρ=0～1，本文取ρ=0.5。

4）計算關(guān)聯(lián)度。計算比較序列與參考序列的關(guān)聯(lián)度

ri=1n∑nk=1ξi（k）。

5）關(guān)聯(lián)度排序。根據(jù)關(guān)聯(lián)度，對比較序列進行排序，關(guān)聯(lián)度越大，說明比較序列與參考序列的關(guān)聯(lián)程度越高。

本文通過文獻[20]獲取2015—2021年14個二級指標的原始數(shù)據(jù)，將水產(chǎn)預制菜冷鏈物流需求設為參考數(shù)列，14個二級指標為比較數(shù)列。對二級指標原始數(shù)據(jù)進行無量綱化處理后，計算其灰色關(guān)聯(lián)度，結(jié)果如表1所示。二級指標的灰色關(guān)聯(lián)度越接近于1，與水產(chǎn)預制菜冷鏈物流需求的相關(guān)性越大。

由表1可知：C10和C12的灰色關(guān)聯(lián)度均大于0.800，二者對水產(chǎn)預制菜冷鏈物流需求的影響最大；C4、C2、C1、C8、C3、C9、C7等評價指標的灰色關(guān)聯(lián)度均大于0.700，表明區(qū)域經(jīng)濟發(fā)展水平及區(qū)域物流能力是冷鏈物流發(fā)展的重要影響因素；C13、C6、C5、C11、C14的灰色關(guān)聯(lián)度較小，對水產(chǎn)預制菜冷鏈物流需求的影響較小。

2?預測模型構(gòu)建

2.1?GM（1，1）預測模型

采用GM（1，1）對原始時間序列進行累加得到新的時間序列規(guī)律，并據(jù)此預測未來一段時間事物的發(fā)展趨勢。原始時間序列有明顯指數(shù)規(guī)律時，GM（1，1）的預測較準確[21-22]。

假設原始時間序列內(nèi)有n個原始值，原始序列

x（0）=x（0）（1），x（0）（2），…，x（0）（n），x（0）（k）≥0，k=1，2，…，n。

對x（0）進行一次累加求和生成一次累加數(shù)列

x（1）=x（1）（1），x（1）（2），…，x（1）（n），x（1）（k）=∑ki=1x（0）（i），k=1，2，…，n。

x（1）的緊鄰均值序列

z（1）=z（1）（2），z（1）（3），…，z（1）（n），z（1）（k）=12［x（1）（k）+x（1）（k－1）］，k=2，3，…，n。

建立GM（1，1）預測模型為：

x（0）（k）+αz（1）（k）=μ，

式中：α為預測模型發(fā)展系數(shù)，μ為灰作用量。

建立白微分方程

dx（1）dt+αx（1）=μ，

式中t為單位時間。

令（α?μ）T=A，采用最小二乘法對A進行估計求解，則

A=（BTB）－1BTY，

式中：B為設計矩陣，用于最小二乘法的參數(shù)估計，B=－12x（1）（2）+x（1）（1）1－12x（1）（3）+x（1）（2）1－12x（1）（n）+x（1）（n－1）1；Y為原始數(shù)據(jù)累加生成序列的向量形式，Y=（x（0）（2）x（0）（3）…x（0）（n））T。

將α、 μ代入微分方程，可得預測時間響應函數(shù)：

x^（1）（k+1）=x（0）（1）－μ/αexp（－αk）+μ/α，k=1，2，…，n。

經(jīng)過累減還原后計算x（0）的預測值

x^（0）（k+1）=x^（1）（k+1）－x^（1）（k）=x（0）（1）－μ/α（1－exp α）exp（-αk）。

2.2?LSTM神經(jīng)網(wǎng)絡

LSTM神經(jīng)網(wǎng)絡與RNN相比，增加了用于記錄前一時間步隱藏狀態(tài)ht-1、當前時間步隱藏狀態(tài)ht和下一時間步隱藏狀態(tài)ht+1的狀態(tài)通道，可解決長序列訓練過程中的梯度消失和梯度爆炸問題，適用于捕捉時間序列數(shù)據(jù)中的非線性關(guān)系；LSTM增加了輸入門、輸出門和遺忘門3個門控機制，可在每個時間節(jié)點上更新信息，能適應不同的數(shù)據(jù)和任務[23]。

輸入門主要控制是否將當前時間步的數(shù)據(jù)并入單元狀態(tài)，輸入門輸出

it=σ（Wi（ht－1xt）+bi），

式中：σ為激活函數(shù)，通常是sigmoid函數(shù)；Wi和bi分別為輸入門的權(quán)重和偏置；xt為當前時間步的輸入。

同一信息在不同時刻的重要程度不同，部分信息可能會隨時間流逝而“過時”，需遺忘門過濾這類信息，減少對結(jié)果的影響。遺忘門將前一時間步數(shù)據(jù)和當前時間步數(shù)據(jù)共同輸入到sigmoid函數(shù)，輸出為0～1，表示信息的記憶程度，越接近0表示越應該被忘記，越接近1表示越應該記住。遺忘門輸出

ft=σ（Wf（ht－1xt）+bf），

式中Wf和bf分別為遺忘門的權(quán)重和偏置。

臨時記憶單元更新后的有效信息

Ct=tanh（WC（ht－1xt）+bC），

式中WC和bC分別為臨時記憶單元的權(quán)重和偏置。

輸出門用來衡量隱藏狀態(tài)應包含的當前單元狀態(tài)的信息，輸出門輸出

Ot=σ（WO（ht－1xt）+bO），

式中WO和bO分別為輸出門的權(quán)重和偏置。

當前時間步的單元狀態(tài)Ct通過遺忘門和輸入門的輸出加權(quán)求和更新，即

Ct=ftCt－1+itCt，

式中Ct-1為前一時間步的單元狀態(tài)。

當前時間步的隱藏狀態(tài)

ht=Ottanh Ct 。

LSTM神經(jīng)網(wǎng)絡模型如圖2所示。

注：xt－1、xt+1分別為前一時間步和下一時間步的輸入。

3?實證分析

3.1?冷鏈物流需求

冷鏈物流流通率

R=（Tp+Tf）/（Qa+Qf），（1）

式中：Tp為水產(chǎn)品加工總量，Tf為冷凍水產(chǎn)品總量，Qa海水養(yǎng)殖產(chǎn)量，Qf為海洋捕撈產(chǎn)量。

水產(chǎn)預制菜冷鏈物流需求

D=QR，

式中Q為水產(chǎn)品產(chǎn)量。

通過文獻[20，24]獲取2015—2021年廣東省的水產(chǎn)品加工總量、冷凍水產(chǎn)品總量、海水養(yǎng)殖量、海洋捕撈量，根據(jù)式（1）計算2015—2021年廣東省水產(chǎn)冷鏈物流流通率，結(jié)合2015—2021年廣東省水產(chǎn)品產(chǎn)量，計算2015—2021年廣東省水產(chǎn)預制菜冷鏈物流需求，結(jié)果如表2所示。

3.2?模型預測

采用GM（1，1）進行預測時，首先對數(shù)據(jù)建模進行可行性分析，經(jīng)檢驗2015—2021年廣東省水產(chǎn)預制菜冷鏈物流需求序列的級比檢驗均在標準范圍[0.779，1.284]內(nèi)，模型發(fā)展系數(shù)|α|=0.012<0.300，模型適合中長期預測。建立廣東省水產(chǎn)預制菜冷鏈物流需求的GM（1，1）預測模型，求解水產(chǎn)預制菜冷鏈物流需求預測時間響應函數(shù)為：

x^（1）（k+1）=37 240.136 31exp（0.012 360 792k）－36 822.206 31。

設定LSTM神經(jīng)網(wǎng)絡有10個輸入層，32個隱藏層，1個模型輸出，學習率為0.001，丟棄率為0.05。模型以概率1%將某些神經(jīng)元（節(jié)點）置0，即臨時關(guān)閉某些神經(jīng)元連接，防止過擬合。通過0～200次迭代對比損失可知，0～40次迭代損失不斷減小，40次后損失趨于穩(wěn)定，波動變化小。

注：δ=（D^-D）/D×100%。

分別采用GM（1，1）和LSTM神經(jīng)網(wǎng)絡預測2016—2021年廣東省水產(chǎn)預制菜冷鏈物流需求，模型預測結(jié)果及相對誤差如表3所示。

由表3可知：GM（1，1）預測結(jié)果的平均相對誤差為2.68%，2017、2019年模型預測冷鏈物流需求與原始冷鏈物流需求的相對誤差較大；LSTM神經(jīng)網(wǎng)絡預測結(jié)果的平均相對誤差為0.22%，原始冷鏈物流需求與預測冷鏈物流需求較吻合，預測結(jié)果準確性明顯優(yōu)于GM（1，1）。

采用LSTM神經(jīng)網(wǎng)絡預測2022—2024年廣東省水產(chǎn)預制菜冷鏈物流需求量分別為498.15、505.65、509.09萬t，呈上升趨勢。水產(chǎn)預制菜需求不斷擴大給廣東省冷鏈物流帶來一定挑戰(zhàn)，廣東省應立足冷鏈基礎設施建設，包括冷庫、運輸設備和溫度監(jiān)測系統(tǒng)，確保水產(chǎn)預制菜溫度穩(wěn)定；加強水產(chǎn)預制菜食品監(jiān)督，建立緊急響應機制應對突發(fā)事件，如天氣災害或供應鏈中斷，減少運輸中的食品損失，確保供應鏈的連續(xù)性。

4?結(jié)束語

基于區(qū)域經(jīng)濟發(fā)展水平、市場供需水平、交通運輸水平、冷鏈技術(shù)水平建立水產(chǎn)預制菜冷鏈物流需求評價指標，通過計算評價指標的灰色關(guān)聯(lián)度分析水產(chǎn)預制菜冷鏈物流需求的主要影響因素。分別采用GM（1，1）和LSTM神經(jīng)網(wǎng)絡預測2016—2021年廣東省水產(chǎn)預制菜冷鏈物流需求，對比結(jié)果可知，LSTM神經(jīng)網(wǎng)絡預測結(jié)果的準確性明顯優(yōu)于GM（1，1）。采用LSTM神經(jīng)網(wǎng)絡預測2022—2024年廣東省水產(chǎn)預制菜冷鏈物流需求，結(jié)果表明，廣東省水產(chǎn)預制菜冷鏈物流需求呈上升趨勢，預計2024年將達到509.09 萬t。

LSTM神經(jīng)網(wǎng)絡能較好地預測廣東省水產(chǎn)預制菜冷鏈物流需求，但存在一些不足：冷鏈物流需求的數(shù)據(jù)相對匱乏，通過水產(chǎn)品冷鏈物流流通率計算水產(chǎn)預制菜冷鏈物流需求與實際需求存在一定誤差；冷鏈物流需求受多種復雜因素影響，單一模型難以準確預測，下一步可將LSTM神經(jīng)網(wǎng)絡與其他模型組合，克服模型本身的局限性，提升模型預測準確度。

參考文獻：

[1]?看鑒社，周天翔.預制菜行業(yè)：布局起點，贏在終點[J].人力資源，2022（5）：32-35.

[2]?預制菜給水產(chǎn)行業(yè)帶來的影響[J].農(nóng)村新技術(shù)，2022（6）：50-51.

[3]?田叢.廣東省發(fā)展水產(chǎn)品冷鏈物流的對策研究[D].湛江：廣東海洋大學，2016.

[4]?朱夢琳.基于GM（1，1）模型的內(nèi)江市區(qū)域物流需求預測[J].物流工程與管理，2022，44（12）：15-17.

[5]?盧爾賽，張改平，趙良，等.基于灰色ARIMA組合模型的砂石骨料物流需求預測：以浙江省為例[J].交通運輸研究，2022，8（5）：84-90.

[6]?XU N， WANG T Y， QIN Q H. Novel grey forecasting model with bilevel structure for application to logistic demand[J].Expert Systems With Applications，2024，235：121181.

[7]?ZENG M L， LIU R M， GAO M， et al .Demand forecasting for rural e-commerce logistics：a gray prediction model based on weakening buffer operator[J].Mobile Information Systems，2022，2022：3395757.

[8]?黃永福.高質(zhì)量發(fā)展視角下廣東省“十四五”物流需求量預測研究：基于GM（1，N）灰色模型[J].經(jīng)營與管理，2022（10）：174-179.

[9]?陳一村，郭東軍，陶西貴，等.城市地下物流系統(tǒng)貨運需求量預測分析[J].地下空間與工程學報，2021，17（6）：1687-1694.

[10]?YA B. Study of food cold chain logistics demand forecast basedon multiple regression and AW-BP forecasting methodon system order parameters[J].Journal of Computational and Theoretical Nanoscience，2016，13：4019-4024.

[11]?LIU T J， LI S M， WEI S B. Forecast and opportunity analysis of cold chain logistics demand of fresh agricultural products under the integration of Beijing， Tianjin and Hebei[J].Open Journal of Social Sciences，2017，5：63-73.

[12]?REN X Y， TAN J ， QIAO Q M， et al. Demand forecast and influential factors of cold chain logistics based on a grey model[J].Mathematical Biosciences and Engineering，2022，19（8）：7669-7686.

[13]?李雋波，孫麗娜.基于多元線性回歸分析的冷鏈物流需求預測[J].安徽農(nóng)業(yè)科學，2011，39（11）：6519-6520.

[14]?李敏杰，王健.基于RBF神經(jīng)網(wǎng)絡的水產(chǎn)品冷鏈物流需求預測研究[J].中國農(nóng)業(yè)資源與區(qū)劃，2020，41（6）：100-109.

[15]?王曉平，閆飛.基于GA-BP模型的北京城鎮(zhèn)農(nóng)產(chǎn)品冷鏈物流需求預測[J].數(shù)學的實踐與認識，2019，49（21）：17-27.

[16]?李義華，王沖，文哲，等.基于滑動無偏灰色模型的湖南省農(nóng)產(chǎn)品冷鏈物流需求預測[J].中南林業(yè)科技大學學報，2021，41（8）：161-168.

[17]?岳偉，袁媛.基于Shapley組合模型的冷鏈物流需求預測研究[J].赤峰學院學報（自然科學版），2023，39（8）：27-33.

[18]?袁學國，鄒平，朱軍，等.我國冷鏈物流業(yè)發(fā)展態(tài)勢、問題與對策[J].中國農(nóng)業(yè)科技導報，2015，17（1）：7-14.

[19]?戎陸慶，黃佩華.基于灰色理論的廣西果蔬冷鏈物流需求及其影響因素預測研究[J].中國農(nóng)業(yè)資源與區(qū)劃，2017，38（12）：227-234.

[20]?廣東省統(tǒng)計局，國家統(tǒng)計局廣東調(diào)查總隊.廣東統(tǒng)計年鑒（2016-2022）[M].北京：中國統(tǒng)計出版社，2016-2022.

[21]?張宇超.基于GM（1，1）模型的內(nèi)蒙古自治區(qū)區(qū)域物流需求預測[J].內(nèi)蒙古統(tǒng)計，2023（3）：32-35.

[22]?高華昆，陶月贊，楊杰.基于改進GM（1，1）模型的生活用水量預測[J].合肥工業(yè)大學學報（自然科學版），2024，47（3）：387-391.

[23]?王冬霞，張偉，于玲，等.基于BLSTM神經(jīng)網(wǎng)絡的回聲和噪聲抑制算法[J].信號處理，2020，36（6）：991-1000.

[24]?農(nóng)業(yè)農(nóng)村部漁業(yè)漁政管理局，全國水產(chǎn)技術(shù)推廣總站，中國水產(chǎn)學會.中國漁業(yè)統(tǒng)計年鑒（2016-2022）[M].北京：中國農(nóng)業(yè)出版社， 2016-2022.

Analysis and forecast of cold chain logistics demand for

aquatic pre-made dishes in Guangdong Province

XU Chaoyi， HU Wangmin

School of Economics and Management， Anhui University of Science and Technology， Anhui 232001，China

Abstract：In order to predict the market demand for aquatic pre-made dishes in Guangdong Province， an evaluation?index of cold chain logistics demand for aquatic pre-made dishes is constructed from four aspects： regional economic development level， market supply and demand level， transportation level， and cold chain technology level. The main factors affecting the change of cold chain logistics demand for aquatic pre-made dishes are studied by gray correlation analysis method. The first-order unitary differential equation GM（1，1） in the gray model （GM） and long short-term memory （LSTM） neural network are used to compare and analyze the cold chain logistics demand for aquatic pre-made dishes in Guangdong Province from 2015 to 2021. The results showed that the main influencing factors affecting the development of cold chain logistics demand for aquatic pre-made dishes in Guangdong Province are cargo turnover and cold chain refrigeration level. The average relative errors of GM（1，1） and LSTM neural network are 2.68% and 0.22%， respectively， and the prediction accuracy of the latter is significantly better than that of the former. Using LSTM neural network to predict the cold chain logistics demand forcargo in Guangdong Province from 2022 to 2024， the demand for cargo in Guangdong Province is on the rise， and it is expected to reach 509.09 million tons in 2024. Guangdong Province should focus on cold chain infrastructure building， ensure stable temperature of aquatic pre-made dishes during storage and transportation， strengthen food supervision of aquatic pre-made dishes， ensure food quality and safety， and continuously promote the development of the aquatic pre-made dishes cold chain industry.

Keywords：aquatic pre-made dish; cold chain logistics demand; GM （1，1）; LSTM neural network; grey relational analysis

（責任編輯：趙玉真）

收稿日期：2023-10-17

基金項目：國家自然科學基金項目（71973001）；安徽理工大學研究生創(chuàng)新基金項目（2023CX2171）

第一作者簡介：徐超毅（1980—），男，河南駐馬店人，副教授，管理學博士，主要研究方向為綠色物流、能源與環(huán)境評價，E-mail：3910379@qq.com。

DOI：10.3969/j.issn.1672-0032.2024.02.012