物流公司作為一種重要的物流服務提供商，承擔著對國內外快遞、包裹和信件進行運輸、分揀和投遞的重任。隨著電子商務的興起和物流業(yè)務的增長，H公司正面臨著日益增長的物流需求。而需求預測作為物流領域備受關注的課題，更是迎來了諸多挑戰(zhàn)。該任務受到全球貿易量、經濟指標和季節(jié)變化等各種因素的動態(tài)影響而變得愈發(fā)復雜。為應對這一挑戰(zhàn)，需要創(chuàng)新方法，能夠捕捉貨運需求預測固有的復雜性和非線性[1]。
物流需求預測基于過去的銷售數據、運輸數據及其他相關因素，利用數學和統(tǒng)計方法預測未來一段時間的物流需求量。準確的需求預測可以幫助H公司優(yōu)化資源配置，減少運輸成本，提高客戶滿意度。
物流需求預測的目的是對物流資源進行合理配置，因此在物流系統(tǒng)規(guī)劃中占據著重要地位。目前的物流需求預測研究許多都集中于單一的預測方法，并取得了豐富的研究成果。然而面對需求預測數據機理的復雜性，以及物流需求相關影響因素的多樣性，若沿用傳統(tǒng)的單一預測方法，將難以保證預測的精準性。
隨著研究的深入，物流需求預測將涉及復雜和動態(tài)的性質、物流運作的不確定性，以及不精確的需求因素等問題，組合模型的優(yōu)勢將得以顯現。如黃建華等運用ARIMA和PCR的組合模型將自回歸移動平均法和主成分分析推廣到非線性序列中，提升了模型預測的靈活性；曹志強等通過遺傳算法優(yōu)化支持向量回歸機，采用最優(yōu)參數構造SVR模型，證明GA-SVR與灰色預測方法相比，預測效果更優(yōu)；黃敏珍等在灰色模型的基礎上應用馬爾科夫鏈，構建灰色-馬爾科夫鏈組合模型，以此確定系統(tǒng)狀態(tài)轉移概率矩陣，有效提高了預測精度；Gao等提出了一種集成PROPHET和SVR模型的方法來預測季節(jié)性的制造業(yè)需求，通過預測季節(jié)波動和SVR的輸入變量，提高組合模型的精確性；劉智琦等將k-均值、隨機森林和分位數回歸森林算法進行結合，提出了組合機器學習方法[2][3][4][5][6][7][8][9]。
本文根據物流公司貨運量的特點，綜合考慮貨運量的關鍵影響因素，建立組合預測算法模型。利用模糊認知圖算法分析物流公司貨運量各影響因素之間的關系權值和狀態(tài)量，借助LSTM神經網絡算法結合物流公司歷史貨運量數據來預測未來貨運量。
模糊認知圖具有神經網絡和模糊集理論的特點，適用于獲取目標概念的因果關系并對其進行表達。因此，據此構建的神經模糊系統(tǒng)可以用于解決決策問題。模糊認知圖作為帶有符號的模糊有向圖，由各概念及各概念之間的關系組成。而各概念之間的聯系存儲于概念之間的關系中。概念用節(jié)點來表示，各概念之間的有向弧反映概念之間的關系，有向弧上的數值大小代表概念之間的關系強弱，而數值的正負代表了概念之間的影響方向。
圖1的模糊認知圖具有四個節(jié)點：D1,D2,D3,D4，代表了四個概念。節(jié)點之間的關系由有向弧標志。D1和D4之間的w14和w41代表D1與D4之間有邏輯傳遞。模糊認知圖通過層層迭代，計算各個概念對彼此的影響。模糊認知圖的概念屬于非線性函數，概念節(jié)點采用模糊數值表示各自的狀態(tài)，每個路徑利用激活函數sigmoid和一個逐點乘法操作來實現過濾作用。sigmoid激活層負責決定哪些信息要更新，數值將轉換成[-1,1]或者[0,1]之間的一個值。這個數值將作為節(jié)點的輸入值。當概念節(jié)點的狀態(tài)發(fā)生改變時，就會影響到存在因果依賴的節(jié)點。模糊認知圖中的各個概念節(jié)點反復反饋循環(huán)，通過非線性的方式傳播，使模型最終達到一個穩(wěn)定的極限，從而得到各個概念節(jié)點之間關系權值的解。
模糊認知圖的迭代過程是隨時間進行逐步推理迭代的，每個節(jié)點的狀態(tài)值是由上一個節(jié)點的狀態(tài)值通過因果關系矩陣得出的。如圖2所示。
在模糊認知圖中，各個節(jié)點t時刻的狀態(tài)值可以表示為X(t)=[X1(t),X2(t),X3(t),...,Xn(t）]，同理，在t+1時刻，各個節(jié)點的狀態(tài)值可以表示為X(t+1)=[X1(t+1),X2(t+1),X3(t+1),...,Xn(t+1)][10]。因此，模糊認知圖的迭代機制由如下公式表示。
模糊認知圖用Wij代表概念Xi和Xj之間的權值，W={W11,W12,W13,...,Wnn}表示各個節(jié)點之間所有權值的矩陣集合。因此模糊認知圖的權值矩陣表示如下。
近年來，眾多學者對物流需求預測進行了廣泛的研究，涉及的方法和模型也日益多樣化。其中，一些傳統(tǒng)統(tǒng)計模型如回歸模型、時間序列模型等被廣泛應用于物流需求預測領域。這些方法通過分析歷史數據的趨勢和模式來預測未來的物流需求，具有一定的準確性。然而，傳統(tǒng)統(tǒng)計模型存在對數據分布和關系的假設限制，且無法處理非線性、非穩(wěn)定和非平穩(wěn)等問題。為了克服這些問題，近些年來，一些新興技術和方法被引入物流需求預測中，如邏輯回歸、人工神經網絡、隨機森林和梯度增強等方法[11]。
本文選擇將模糊認知圖與LSTM神經網絡相結合作為預測物流需求的方法，旨在提高模型預測的精準性和魯棒性。通過選擇對物流需求影響相關性較高的方面，形成概念節(jié)點，然后通過模糊認知圖迭代概念節(jié)點，得到各節(jié)點的狀態(tài)值。最后結合物流公司的歷史貨運量數據，利用LSTM神經網絡進行迭代選擇，得到最終結果。這種組合模型能夠有效處理高復雜性、高維度的物流需求數據，并且針對多種影響概念可以做到有效建模。
本文提出的FCG-LSTM模型包含兩層結構，首先對影響物流需求的相關節(jié)點及歷史物流數據進行迭代，得到各節(jié)點的狀態(tài)值。其次將得到的結果和歷史物流數據作為LSTM神經網絡的輸入數據進行預測。最后對預測結果進行評估分析，得到最終預測結果。
LSTM，即長短期記憶神經網絡算法（Long Short-Term Memory），該算法存在單元狀態(tài)和多種“門”。單元狀態(tài)能夠提供信息傳輸路徑，用于傳遞序列中的相關信息，即LSTM神經網絡的記憶。單元狀態(tài)通過傳輸序列中的相關信息，實現長短時記憶。sigmoid函數圖像如圖3所示。
sigmoid函數由上式表示，能夠幫助“門”對傳輸信息進行更新或遺忘，當“門”的輸出接近0時，表明傳遞的信息接近于遺忘，即丟失；同理，當“門”的輸出接近于1時，則表明傳遞的信息已被記住。LSTM神經網絡中存在三種“門”結構，即輸入門、遺忘門、輸出門。這些“門”決定著傳遞信息是否被存儲或遺忘。LSTM結構圖如圖4所示。
輸入門具有控制當前時刻的輸入并更新單元狀態(tài)的作用，輸入門將前一時期傳遞的隱藏狀態(tài)和當前的輸入傳輸到sigmoid函數中，得到的結果將決定更新哪些信息。此外，前一個時期傳遞的隱藏狀態(tài)和當前的輸入也會被傳到tanh函數中，產生新的候選值向量。最后，將兩個函數的輸出結果相乘，在相乘的過程中，sigmoid函數的輸出將決定哪些輸出值中的信息會被保留。
輸入門的計算公式為：
輸入狀態(tài)的計算公式為：
tanh的函數公式為：
當前的單元狀態(tài)是遺忘門的輸出向量與前一層的單元狀態(tài)點乘，并形成新的記憶。其計算公式為：
當單元狀態(tài)值接近于0時，新的單元狀態(tài)便會遺忘這些信息，同理，當單元狀態(tài)的值越來越接近于1時，傳輸的信息就越會被新單元狀態(tài)記住。此時，新的值與輸入門的值相加則可以得到下一個神經元的記憶[12]。
輸出門的主要作用是確定下一個單元的隱藏狀態(tài)。首先將前一個單元的隱藏狀態(tài)和當前的輸入傳輸到sigmoid函數中，得到新的單元狀態(tài)，隨后將其傳到tanh函數中。并將兩者的輸出相乘，得到下一單元的隱藏狀態(tài)所包含的數據信息，這時形成的隱藏狀態(tài)便是當前單元新的隱藏狀態(tài)，新的隱藏狀態(tài)和新的單元狀態(tài)共同傳到下一時期。輸出門的計算公式為：
輸出門輸出的結果之后再與新的記憶單元點乘計算后得到下一個階段的隱藏狀態(tài)：
本節(jié)將詳細介紹研究中使用的模型參數設置。模型參數的選擇和調整對于預測模型的性能和準確性至關重要。在進行模型參數設置之前，首先需要了解所使用的模型框架。本研究采用的是基于模糊認知圖和LSTM混合方法的物流需求預測模型。
首先，需要確定LSTM模型的各個參數，包括隱藏層的數量、每個隱藏層的神經元數量以及學習率等。這些參數的選擇需要根據實際問題和數據集加以調整。使用網格搜索方法在一系列可能的參數值中尋找最優(yōu)組合。具體而言，我們在隱藏層的數量中嘗試了1到5個隱藏層，并在每個隱藏層中嘗試了50～200個神經元。對于學習率，我們嘗試了0.001～0.1[13]。
其次，需要確定模糊認知圖模型的參數。模糊認知圖模型的參數包括隸屬度函數的選擇和模糊推理方法的確定。在本研究中，采用了較為常見的隸屬度函數，如三角隸屬度函數和高斯隸屬度函數。對于模糊推理方法，選用模糊推理的經典方法，如最大值法和平均值法。
再次，還需要確定模型的其他參數，如訓練輪數、批次大小等。本研究將訓練輪數設置為100，且每個批次包含32個樣本。
最后，在確定模型參數后，使用H公司的物流需求數據進行模型訓練和評估。將數據集分為訓練集和測試集，其中70%的數據用于訓練模型，30%的數據用于評估模型的性能。將方根誤差（RMSE）和平均絕對百分比誤差（MAPE）作為評估指標，以衡量模型預測的準確性。
在模型參數設置方面，還需要對LSTM模型的一些關鍵參數進行調整和優(yōu)化。這些參數包括隱藏層的大小、時間步的長度、學習率等[14]。
隱藏層的大小是一個重要參數，控制著模型的復雜度和表達能力。隱藏層較小可能會導致欠擬合的問題，隱藏層較大則可能導致過擬合問題。因此，我們需要通過交叉驗證等方法來確定最合適的隱藏層大小。
時間步的長度決定了模型對歷史信息的記憶能力。較短的時間步可能無法捕捉長期的依賴關系，而較長的時間步則可能導致信息混淆。因此，需要在一定的時間步長度范圍內進行嘗試和優(yōu)化，以尋找最合適的時間步長度。
學習率是控制模型在訓練過程中的參數更新速度。較低的學習率可能會導致訓練過程緩慢，較高的學習率則可能導致訓練不穩(wěn)定。因此需要通過實驗和反復調整，選擇一個適中的學習率，以保證模型的訓練效果和穩(wěn)定性。
數據集描述的主要目的是對所使用的數據集進行詳細的介紹和描述。本文將從數據來源、數據清洗與預處理以及特征選擇與工程化三個方面入手對數據集展開描述和分析。H公司物流需求預測研究的數據主要來源于湖北省郵政公司的內部數據和外部相關數據，數據內容如表1所示。內部數據主要指的是公司本身產生的各類物流數據，包括快遞運單信息、倉儲信息、配送信息等。外部相關數據則涵蓋了相關的宏觀經濟數據、物流市場數據以及天氣數據等。在對數據分析之前，對數據進行清洗和預處理必不可少。在數據清洗過程中，我們可以處理數據集中的缺失值、異常值和重復值。使用合適的統(tǒng)計方法和算法，能使我們更好地補全缺失值，剔除異常值，并削減重復值。此外，對數據格式進行轉換和歸一化處理也是數據清洗的一部分。
在數據預處理過程中，通過對數據進行分離、劃分和重組等操作，可以使數據更適用于后續(xù)的建模和分析。此外，還開展了特征選擇和特征工程的工作，從原始數據中提取具有代表性的特征，對其進行處理，以提高模型的準確性和魯棒性。
為了評估本文所提出的基于模糊認知圖和LSTM混合方法的物流需求預測模型的性能，使用以下指標對其進行評估。
均方根誤差（RMSE）：用于衡量預測值與真實值之間的差異程度。計算公式如下：
RMSE=sqrt(1/n*∑（y＿pred-y＿true)^2），其中n表示樣本數量，y＿pred表示預測值，y＿true表示真實值。
平均絕對百分比誤差（MAPE）：用于衡量相對誤差的大小。計算公式如下：
MAPE=1/n*∑（|（y＿pred-y＿true）/y＿true|*100%），其中n表示樣本數量，y＿pred表示預測值，y＿true表示真實值[15]。
針對H公司物流需求預測的問題，本文提出了基于模糊認知圖和LSTM混合方法的模型框架。該框架的主要思想是將模糊認知圖與LSTM相結合，利用LSTM模型對時間序列數據進行建模，同時引入模糊認知圖來處理不確定性和模糊性問題。
具體而言，我們首先構建了一個基于LSTM的時間序列預測模型，通過該模型可以捕捉到時間序列數據的長期依賴性。然后，引入模糊認知圖對預測結果進行修正和調整，以降低數據的模糊性和不確定性。
在模糊認知圖的構建過程中，我們需要考慮多個影響因素，并將它們表示為模糊集。然后，使用經驗法推導出與模糊集相關的模糊規(guī)則。最后，我們將這些模糊規(guī)則應用于LSTM模型的預測結果上，得到了修正后的最終預測結果。
在模型訓練與評估階段，我們首先將H公司的歷史物流需求數據作為訓練集，通過反向傳播算法來優(yōu)化模型參數。然后，我們使用一部分未知的數據作為測試集，通過計算預測結果與實際結果之間的誤差來評估模型的性能。
在訓練過程中，我們采用批量梯度下降法來更新模型的參數，并使用適當的損失函數來度量模型預測結果與實際結果的差異。通過迭代訓練和優(yōu)化，可以逐漸提高模型預測的準確性。
在評估過程中，我們計算了模型的均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）。這些指標可以有效評估模型對未知數據的預測能力和穩(wěn)定性。此外，還需要進行對比實驗，將我們的模型與其他常用物流需求預測方法進行比較。
在實驗中，我們將模型應用于H公司的物流需求預測任務，并評估其性能。表2顯示了本文所提出的模型在不同時段的預測結果及其性能評估指標（RMSE和MAPE）。
雖然本研究基于模糊認知圖和LSTM混合方法進行了H公司的物流需求預測，但仍存在一定的局限性。首先，預測研究的數據來源主要依賴于H公司的內部數據，雖然該數據具有一定的代表性，但可能無法完全覆蓋相關物流市場的整體情況。因此，研究結果可能會受到數據局限性的影響。其次，本研究所使用的模型框架設計和參數設置是基于當前的研究背景和數據條件進行的，還存在一定的改進空間。例如，可以嘗試使用其他深度學習算法或結合其他技術方法來提高物流需求預測的準確性和穩(wěn)定性。最后，本研究在特征選擇和工程化方面仍存在一些不足之處。雖然開展了一定的特征選擇和處理工作，但在特征的選取和處理方法上還存在一定的局限性。未來的研究需要進一步探索更有效的特征選擇和處理方法，以增強模型的預測性能。
滬公網安備 31011202008041號
