水产物是冷链物流运输首要对象之一。跟着居平易近对水产物需求量的增添，也给水产物冷链物风行业带来了诸多挑战。今朝水产物冷链物流成长面临着通顺率低，运输途中耗损高[1]等问题，为了加速水产物冷链物流的成长和保证水产品行业的供需平衡，对水产物冷链物流需求猜想尤其首要。今朝用于水产物冷链物流需求猜想编制有灰色猜想、BP神经汇集等[2][3]。但水产物冷链物流系统是一个复杂的非线性系统，水产物冷链物流的需求量经常受多重成分的影响。过往研究只用单一的猜想模子进行研究，不能够充实挖掘原始数据之间的暗藏纪律，存在必定的局限性，并未针对单一模子的猜想优短处错误进行组合立异，而组合模子在其他规模已默示出较好的优胜性[4][5]。
今朝的需求猜想编制上可以除夜致分为传统的统计模子和机械进修模子两除夜类[6]。传统的统计模子结构简单，没法挖掘数据之间的暗藏纪律，而机械进修刚好能够填补以往编制的不足。是以基于过往研究的启发，采纳一种残差优化的BP-SVR组合模子对水产物冷链物流的需求量进行猜想，首先BP神经汇集能够经由过程强除夜的进修能力挖掘非线性数据之间的纪律，再操作SVR模子对重构的残差序列进行措置[7]。
灰色联系关系度编制是用来分化系统内各个要素之间相关水平的编制。其根底思惟是经由过程猜想指标数列与其他影响成分数列之间曲线的近似水平，用联系关系度来剖断各个要素之间关系是不是慎密慎密亲密，其计较公式以下：
其中：Y(k)为猜想指标序列，Xi为影响成分序列，分说系数ρ的取值规模在[0,1]，一般取ρ=0.5，最后计较猜想指标序列和影响成分序列之间的联系关系度，计较公式以下：
其中：相关连数的取值区间为[0,1]之间，并按相关水平排序，其值越除夜，代表二者之间的相关性越强。
BP神经汇集是一种基于误差进行反向传递的多层前馈神经汇集模子，由输入、潜匿和输出三层汇集结构组成[8]。它的根底思惟是经由过程反向传布算法不竭批改多层毗连权值和阈值，使汇集的现实输出值和期望输出值的误差平方和最小。BP神经汇集作为机械进修规模中斗劲首要算法，其优势在于经由过程误差进行前向反馈，使猜想值不竭接近真实值。同时BP神经汇集模子清楚，合用于多特点输入的数据类型。其事理如图1所示。
其中：Pt为输入值，Wt为输入层到潜匿层的毗连权值，Vj为潜匿层到输出层的毗连权值，Q是输出值。
SVR模子作为机械进修中斗劲风行的据守算法。它遵循结构风险最小化原则，可以识别输入和输出变量之间的任何联系，经常操作于分化数据的猜想和分类[9]。SVR因为能较好地解决小样本、非线性、局部极小值等问题，在物流需求猜想中获得成功操作[10]。经常操作的径向基高斯函数表达式以下：
最后添加非负废弛因子和拉格朗日乘子ai*和ai，并经由响应改变后，回归函数为：
其中：
本文拔取湖北省2002到2021年相关数据来进行水产物冷链物流需求猜想。遵循供需关系，猜想指标拔取湖北省居平易近水产物的消费量（水产物的消费量Y=城镇常住人丁*城镇水产物人均消费量+农村常住人丁*农村水产物人均消费量）[11]，影响需求量成分首要划分为4类：区域经济成分、供给成分、冷链物流手艺成分和社会成分，具体如表1所示：
本文数据汇集均来历于湖北省统计年鉴、中国渔业年鉴和中国互联汇集信息中心。其中互联网普及率部门年份数据缺失踪踪以年平均增添率的编制进行填补，城镇水产物人均消费量部门年份数据的缺失踪踪采纳其与城镇人丁进行最小二乘法拟合的编制进行填补，经考验拟合误差为0.22，下场精采，各指标统计数据如表2所示。
因为各个指标之间的计量单元和数目级不合，为了减小误差，采纳最除夜最小值化编制对数据进行预措置，把各项数据转化到0,[1]之间，转化公式为：
对数据进行预措置后，用灰色联系关系度法分化猜想指标和各个影响成分的相关性，分化功能如表3所示。功能显示水产物需求量与10个影响成分的相关连数均除夜于0.8，剖断具有强相关性。
组合猜想思惟是让每个单一模子充实阐扬各自优势，以提高猜想精度[12]。今朝操作较多的组合编制是批改单一模子的猜想功能[13]，此外组合模子的下场吵嘴也由数据的类型和样本巨细来抉择的。因为水产物冷链物流需求量具有随机性和时变性的特点，本文将BP神经汇集和SVR两种机械进修模子进行组合，以阐扬组合模子的优势。BP神经汇集在对原始数据进行猜想时，在操练时现实值与猜想值二者之间会发生必定的误差[7]，针对发生的误差值，再采纳SVR模子对残差序列进行操练，操作SVR模子对BP神经汇集发生的误差进行批改，猜想的下场会更好，图2是BP-SVR模子建模流程图。
基于BP-SVR组合猜想建模流程：
法度楷模1：将2002—2021的数据集作为原始序列
法度楷模2：用BP神经汇集模子对前15年的数据进行操练和猜想，获得猜想值
法度楷模3：令操练集真实值和其猜想值做差，获得残差序列：Rt=Yt-Yi。
法度楷模4：用SVR模子对残差序列Rt进行操练，再操作SVR模子进行建模，获得残差序列的猜想功能。
法度楷模5：将BP模子对未来的猜想值和SVR猜想的误差Rt*相加，事实下场获得组合模子的猜想功能。
本文共选用两种不合的模子机能评价指标，搜罗MAE（平均绝对误差）、MSE（均方误差），其表达式以下：
其中：yt和
经由过程操作Python软件，挪用Sklearn模子库中的BP神经汇集模子进行操练，在不竭调试后选择relu作为激活函数，操练精度为0.001。因为水产物冷链物流需求受10个成分的影响，是以输入层结点为10，输出层节点数为1，经调试，隐含层神经元为8个时，操练下场最好。数据集一般遵循7∶3的比例进行划分，本文选前15年的数据作为操练集，后5年作为是验证集。经由几回再三的操练模子，当操练次数达到100时，误差几近下降到最小。将后5年的数据输入操练好的BP神经汇集模子中，获得2017—2021年4年水产物需求量的猜想值，从验证集的拟合曲线可以看到二者改变趋向一致，但猜想值老是小于真实值，存在必定的滞后性。
一样仍是操作Python软件，首先挪用Sklearn模子库中的SVR猜想模子，用SVR模子对重构的残差序列进行操练寻优，核函数为高斯径向基函数，必定SVR模子中的最悠桑因子和容忍因子，图5为测试样本的误差改变曲线。
经由过程上述SVR模子对误差进行操练后，把误差值加到真实值进行残差批改，获得BP-SVR猜想功能，图6是BP-SVR组合模子拟合图，可以看到经由过程SVR模子进行误差批改后[15]，二者改变的趋向不单连结一致，且猜想功能加倍接近真实值。
为了验证模子的有用性，将GM模子、BP和SVR模子作为对比组进行模子评价。其中GM模子操作SPSSPRO软件进行猜想，从表4中4项指标中，在单一模子猜想中，当然GM的模子优于BP模子，但GM模子只能猜想相关影响成分未来改变趋向，不能挖掘相关成分和需求量之间的纪律。事实下场，经由过程考试考试证实，BP-SVR模子的4项误差评价指标均小于其他对比组的模子，其中平均绝对误差下降了0.56～0.61。这是因为在操练主体部门的残差时，针对这一非线性且无纪律样本时，发现SVR模子的猜想下场要优于其他模子，且BP神经汇集模子能够把需求量的影响成分考虑进去，所以BP-SVR这一组合模子更合适水产物需求量的猜想。
操作构建好的BP-SVR组合模子对湖北省未来5年水产物需求量进行猜想，首先要猜想其影响成分的数据作为输入变量。在这里采纳两阶段猜想，第一阶段先用GM模子对其影响成分进行趋向猜想，第二阶段将前20年的历史数据放入操练好的BP-SVR模子进行猜想，可获得未来5年的水产物需求量。功能如表5所示，可以看到在经济连结相对不变的前提下，湖北省未来几年的水产物冷链需求量仍会继续增添，为了连结水产物冷链健康有序成长，需要加除夜当地冷库等根底步履法子的培育汲引[15]，进一步优化和整合冷链物流现有的成本，削减运输途中水产物的通顺耗损，以实现物风行业降本增效的方针。
水产物冷链物流需求量猜想是受外界多种成分影响的系统，对其需求量进行有用猜想，不单可感受相关企业、政府拟定成长策略供给有用的数据按照，且对当地重除夜冷链物风步履法子关头和铁路冷藏运输进行合理的结构和兼顾筹算供给靠得住性的数据。本文在BP神经汇集模子根底上应用灰色联系关系度拔取对需求量影响较除夜的成分作为输入变量，构建SVR模子对BP神经汇集模子进行误差批改，遵循误差机能指标功能可知，BP-SVR模子的精度均比单一模子精度高。是以BP-SVR组合模子可有用用于水产物的需求猜想中，后续研究可以经由过程增添新的影响成分指标和此外模子对比来切磋新编制。
沪公网安备 31011202008041号
