基于WOA-BP的快遞需求預(yù)測(cè)研究

文/梁彤玥

文章將各種因素納入快遞需求預(yù)測(cè)指標(biāo)體系中，采用灰色關(guān)聯(lián)分析法確定關(guān)聯(lián)度顯著指標(biāo)，預(yù)測(cè)快遞需求量。提出了一種基于鯨魚(yú)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)組合模型（WOA-BP），并選取陜西省2003—2020年相關(guān)年度數(shù)據(jù)驗(yàn)證模型有效性。結(jié)果表明，WOA-BP模型比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有更好的預(yù)測(cè)效果。對(duì)快遞基礎(chǔ)設(shè)施配置、快遞市場(chǎng)調(diào)整具有指導(dǎo)作用。

0.引言

在快遞業(yè)的影響因素方面，張帆（2020）[1]等采用灰色關(guān)聯(lián)分析方法對(duì)影響快遞業(yè)務(wù)量的因素進(jìn)行了分析。王林珠（2020）[2]等采用協(xié)整檢驗(yàn)方法研究變量之間的長(zhǎng)期均衡關(guān)系。張文法（2019）[3]使用灰色關(guān)聯(lián)分析法對(duì)山東省電子商務(wù)的發(fā)展對(duì)物流業(yè)的影響做出研究。陳疇鏞（2022）[4]考慮到快遞需求受電子商務(wù)環(huán)境和季節(jié)性特征影響，采用灰色關(guān)聯(lián)分析法確定關(guān)聯(lián)度顯著指標(biāo)。在快遞預(yù)測(cè)方面，越來(lái)越多的學(xué)者開(kāi)始將支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法用于快遞業(yè)發(fā)展需求預(yù)測(cè)，預(yù)測(cè)效果也得到了驗(yàn)證。薛蓉娜等（2021）[5]根據(jù)GRU深度學(xué)習(xí)算法在不同日期的有效性對(duì)我國(guó)日均快遞業(yè)務(wù)量進(jìn)行預(yù)測(cè)。許榮斌（2018）[6]提出改進(jìn)慣性權(quán)重的粒子群優(yōu)化算法和反向傳播神經(jīng)網(wǎng)絡(luò)的組合模型（IPSO-BP）來(lái)預(yù)測(cè)物流公司日常快遞業(yè)務(wù)量。本文擬借助鯨魚(yú)優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)方法，在分析快遞需求影響因素的基礎(chǔ)上建立預(yù)測(cè)模型。

1.快遞需求影響因素分析

本文結(jié)合前人對(duì)快遞業(yè)發(fā)展影響因素的研究以及快遞業(yè)其他相關(guān)的研究，從經(jīng)濟(jì)整體發(fā)展水平、固定資產(chǎn)投資量、國(guó)內(nèi)外貿(mào)易、人口、產(chǎn)業(yè)結(jié)構(gòu)、物流因素六個(gè)方面對(duì)快遞業(yè)發(fā)展要素展開(kāi)分析。

表1 快遞需求預(yù)測(cè)指標(biāo)體系

2.鯨魚(yú)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

鯨魚(yú)優(yōu)化算法（WOA）是模擬海洋中群居鯨群的一種新的群體智能優(yōu)化算法。BP神經(jīng)網(wǎng)絡(luò)是一種多層的前向神經(jīng)網(wǎng)絡(luò)。WOA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的主要思路是：用WOA算法對(duì)BP網(wǎng)絡(luò)進(jìn)行初值和閾值進(jìn)行優(yōu)化，并將BP網(wǎng)絡(luò)的訓(xùn)練誤差作為其自適應(yīng)度，從而確定BP網(wǎng)絡(luò)的初始權(quán)重和閾值。具體流程如下：（1）BP神經(jīng)網(wǎng)絡(luò)的初始化；（2）WOA算法初始化；（3）計(jì)算個(gè)體適應(yīng)度；（4）將優(yōu)化得到的權(quán)值和閾值參數(shù)賦給BP神經(jīng)網(wǎng)絡(luò)；（5）根據(jù)位置更新策略更新個(gè)體位置；（6）設(shè)定終止策略；（7）優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試。

3.實(shí)證分析

3.1 數(shù)據(jù)來(lái)源。根據(jù)之前建立的初步的快遞需求預(yù)測(cè)指標(biāo)體系，選擇陜西省的相關(guān)因素指標(biāo)：選取2003年至2020年陜西省快遞業(yè)相關(guān)影響因素?cái)?shù)據(jù)，數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局網(wǎng)站以及陜西省統(tǒng)計(jì)年鑒。

3.2 基于灰色關(guān)聯(lián)分析的指標(biāo)關(guān)聯(lián)度排序。使用MATLAB2020a對(duì)數(shù)據(jù)序列進(jìn)行處理得到各指標(biāo)的灰色關(guān)聯(lián)度結(jié)果（圖1、表2）。從整體來(lái)看，1個(gè)指標(biāo)中有10個(gè)指標(biāo)序列與快遞業(yè)務(wù)量序列灰色關(guān)聯(lián)度均大于0.6，表明所選指標(biāo)與快遞需求存在較強(qiáng)的相關(guān)性，可有效預(yù)測(cè)快遞需求，但各指標(biāo)的關(guān)聯(lián)性并不均衡，波動(dòng)幅度較大。

圖1 相關(guān)性

表2 關(guān)聯(lián)度

3.3 WOA-BP預(yù)測(cè)分析。為了檢驗(yàn)該模型的有效性，將WOA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)。把灰色關(guān)聯(lián)度大于0.7的影響因子作為兩個(gè)試驗(yàn)的輸入，輸出該年度的快遞業(yè)務(wù)預(yù)測(cè)進(jìn)行比較。各模型誤差對(duì)比見(jiàn)表4

表4 模型誤差

圖3為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)與WOA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差率對(duì)比，圖4為WOA-BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型的適應(yīng)度。

圖3 預(yù)測(cè)誤差率對(duì)比

圖4 進(jìn)化曲線

從圖3中可以看到，WOA-BP神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)誤差率小，

從圖4中可以看出，隨著迭代次數(shù)的增加，適應(yīng)度值從2.7快速下降到0.2。

4.結(jié)論

快遞需求受多種因素影響。GDP、居民可支配收入、固定資產(chǎn)投資的灰色關(guān)聯(lián)度均大于0.8，說(shuō)明快遞需求與經(jīng)濟(jì)發(fā)展水平的關(guān)系很大。鯨魚(yú)算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對(duì)快遞需求預(yù)測(cè)結(jié)果明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)，更接近真實(shí)值，誤差也更小。