基于多源信息融合的冷链农产品需求预测模型研究综述

王晓平　闫飞

摘要：以冷链农产品需求预测模型的技术提升和预测误差的不断改进为线索，梳理了国内冷链农产品需求预测的相关理论和模型特征。以各类需求预测模型为参考，发现需求预测模型有三大类：单一模型、多源模型组合与智能信息融合；对各类模型的特点和存在的问题做了详细评述，同时结合已有的冷链农产品需求预测的相关文献，对未来非线性、变权技术以及多源信息融合的智能模型在冷链农产品需求预测方面的应用做出了进一步展望。

关键词：冷链农产品；需求预测模型；单一模型；多源模型组合；智能信息融合

中图分类号：F304.3；O141.41 文献标识码：A

文章编号：0439-8114（2018）15-0016-05

DOI：10.14088/j.cnki.issn0439-8114.2018.15.003 开放科学（资源服务）标识码（OSID）：

Review on Demand Forecasting Model of Cold Chain Agricultural Products Based on Multi-source Information Fusion

WANG Xiao-ping，YAN Fei

（School of Logistics， Beijing Wuzi University，Beijing 101149，China）

Abstract： With the technical improvement of the cold chain agricultural product demand forecasting model and the continuous betterment of prediction error as clues， combed the relevant theoretical and model characteristics of domestic cold chain agricultural product demand prediction were reviewed. Based on various demand forecasting models as an reference， it was found that there were three types of demand forecasting models： the single model，multi-source model combination and intelligent information fusion. The characteristics and existing problems of various models were commented in detail， meanwhile， combined with the existing related literature of cold-chain agricultural demand forecast， a further prospect was made for the future nonlinear， variable weight technology and multi-source information fusion intelligent model in the cold chain agricultural demand forecast application.

Key words： cold-chain agricultural products； demand forecasting model； single model； multi-source model combination； intelligent information fusion

準确预测冷链农产品需求变动趋势有助于规避农产品冷链的供给风险，减小两者的供需缺口，进而促进冷链农产品经济健康、持续发展。中国是一个食品消费大国，随着生活水平的提高，食品的安全和质量保障对人民生活的影响日益增强，因此，科学预测冷链农产品需求能为合理制定相关冷链农产品发展战略提供定量依据。近年来，虽然中国冷链行业得到快速扩展，冷链农产品发展的地位得到全行业的高度重视，但是学者们对冷链农产品需求预测的研究较少，已有的少数文献需求预测方法也存在模型缺少依据、信息源不全面等问题，因此预测结果出现较大误差。鉴于此，本研究以各类需求预测模型为参考，对其相关预测领域的文献进行系统分析和评述，并类比冷链农产品需求预测，在此基础上提出构建多源信息的冷链农产品需求预测模型分析框架，希望改善现有冷链农产品需求预测模型的预测精度，并提高该类模型的应用价值。

1 基于信息单一化的需求预测模型

信息单一化指使用单一模型来预测研究对象。单一预测模型根据分析方法的假设不同大致可以分为两类：一类是基于单一变量自相关时间序列的预测模型，另一类是多因素相关关系预测模型。

基于单一自相关时间序列预测模型，假定影响需求变化的所有要素都包含在需求变量中，并且这些要素不会发生突变，因此可以通过历史数据的拟合推测未来需求。灰色模型[1]、马尔科夫链模型[2]、ARMA模型[3]和BASS模型[4]就是典型的代表。

多因素相关关系预测模型考虑整个供应链系统所有影响因素，并对其进行预测，基本假设是预测值不局限在自身滞后对它的影响，还包括其他相关影响因素的作用。该类模型主要包括线性回归模型[5]、系统动力学模型[6]、支持向量机模型[7]、DEA模型[8]、粒子群优化算法[9]、人工神经网络[10]等。2013—2017年各类模型的应用情况见表1。

从单一模型的两种主要类型——自相关时间序列模型和多因素关系模型比较来看，自相关时间序列模型是基于需求预测系统本身对研究对象进行预测，并假定所有要素都反映在需求变量中。这类模型能够消除序列的波动问题，数据的线性拟合趋势较强，但不能够反映研究对象需求受多种要素影响的复杂关系。考虑多因素的关系模型是基于供应链系统进行的需求预测，其中的相关关系法可以分析出在影响需求预测的复杂系统中多种因素与研究对象之间的相关关系。总体来讲，单一模型相对易于操作，但缺乏对预测对象需求规律的全面认识，模型的特点决定了信息来源单一，预测精度有待改善。

每类单一模型根据其数学理论的不同有不同的适用情况和不同的应用优势，但是也有相应的不足，不能一概而论。各类单一模型的适用情况及优点、缺点的归纳梳理见表2。

2 基于信息多源化的冷链农产品需求预测模型

2.1 多源模型组合

Bates等[11]较早提出基于多源模型的组合预测理论，认为不同的单一预测模型可以有不同的结合方法，应该根据实际情况和数据特征的特点进行组合。组合模型有效结合了各种数据样本信息及不同模型有用的信息，能够降低单一模型中随机因素的影响[12]，从而提高预测精度和可信度。

组合模型的优势体现在以下三方面：一是模型优势互补。组合预测根据每种方法的优缺点，通过互补方法进行组合，优化模型预测性能。二是预测精度提高。研究对象的复杂环境和数据特征很难用单一的需求预测模型来解决，而组合方法就合理地融合了这些模型，而且组合模型的预测精度往往高于单一模型。三是可信度提高。通过将不同单一模型组合，可以有效挖掘更多信息，这些信息将会涵盖更多事物特征，更加全面、系统地反映事物的本质和实际情况，从而提高预测模型的精度和可信度。据2013—2017年的文献统计，研究需求预测组合模型的文献主要包括表3所示的几类情况。

1）线性组合与非线性组合。多源信息组合模型按照赋权方式不同，分为两种：线性组合模型和非线性组合模型；不变权组合模型和变权组合模型。

鑒于冷链需求预测的特征，大量文献证明，非线性组合预测比线性组合预测有更好的预测效果，线性预测在解决非线性问题时，局限性较大、效果较差。两者的预测效果产生差异的原因主要有以下两点：①从理论和模型特征来看，线性组合预测结果不仅依赖单一模型的预测值，又依赖相应的权重分配值，不易找出权重分配的最佳确定方式。如果线性组合模型权重的确定方式采用数学规划问题模型，则求解比较繁琐，且不同的假设条件采用不同的机理，进一步限制了组合预测的应用范围。线性组合模型的结构如图1所示。非线性加权方法以神经网络为代表，设定误差目标，并在模型训练时直接从样本数据中发现规则和特征，在网络动态学习中给出权值，从而方便权重系数的确定。非线性组合模型更为凸显的优势在于，其权重对组合预测结果的影响是非线性的，遇到复杂情况时，如果指标间的相关因素较高，数据呈非线性变化或数据不完整时依旧可以得到比较满意的结果，因此更能适应冷链农产品预测系统的非线性特点。非线性组合模型的结构如图2所示。②从个体样本误差对预测整体结果的影响来看，加权线性组合预测方法中出现的个别样本误差会对整个预测模型产生较大影响。非线性神经网络通常有无后效性的特点，一个样本的误差不会向后传递，造成累积效应，同时由于非线性组合模型丰富的网络结构，即使个别数据产生误差，在模型整体的运行过程中也能够起到缓冲作用。

2）不变权组合和变权组合。不变权组合预测模型通过最优化规划或数学方法，计算单一预测方法在组合预测模型中的权系数。它的权系数只和预测方法有关，和时间无关。然而在实际情况中，各种预测方法在不同的时间内有不同的预测能力。例如，有的方法对瞬态变化比较敏感，有的模型善于模拟数据的长期趋势，因而如果把不同时间组合的权系数设定为常数值，就无法表现不同预测模型的优势。由于在预测的实践中，不同的预测方法在不同的时间段有不同的预测精度[13，14]，因此，变权组合预测模型更符合实际，具有较高的预测精度和稳定性。以灰色神经网络的变权组合预测模型为代表，将神经网络需求预测系统中的影响因素和灰色预测结果作为输入变量，重新规划系统预测值，将权重的求解分为两部分，即观测期权重求解和预测期权重求解，并不断更新迭代权重值，重新计算组合预测值[15]。从而避免了灰色模型预测误差对神经网络训练中权值的修正与影响，从而实现预测值与实际值的最佳拟合。

2.2 智能信息融合

随着计算机技术的日益完善和人工智能模型的不断成熟，智能信息技术在需求预测领域开拓出一片新天地。据统计数据显示，在近5年的26篇组合预测模型的文献中，有16篇文献研究将人工智能模型和需求预测模型结合，并得到了更高的预测精度。按照预测模型优化方式的不同可以分为两类，一是优化预测模型的参数和函数，二是修正预测模型的误差。

1）优化参数。已有的用于优化参数的人工智能模型主要有人工鱼群算法、动态粒子群算法、神经网络算法、遗传优化算法等。黄勤等[16]将粒子群算法用于求解组合预测模型中的权重，对粒子群算法的参数惯性权重和加速度因子进行改进，构造出基于改进粒子群算法的组合预测模型。彭新育等[17]提出一种基于PSO-GA的混合优化算法，通过粒子群算法优化迭代次数，保留粒子数目最小的粒子进行遗传较交叉和变异。王坚提出用模糊反馈法来改进熵值法以确定组合模型的加权系数，建立组合神经网络模型[18]。孙志刚[19]提出用蚁群算法优化最小二乘支持向量机的预测模型，通过蚁群算法优化选择最小二乘支持向量机参数。以上研究结果表明，智能信息融合的组合需求预测模型不仅能够改进模型的运行精度和运行速度，而且操作简单，能针对研究对象及数据的实际特征对模型参数作出及时调整，使预测数据更有可信度。

2）修正误差。据近5年需求预测模型的统计，仅有少数几篇文献是基于修正模型预测误差的研究。梁昌勇等[20]根据预测数据的特征，使用SVR模型对需求进行非线性原始数据预测，进而再对SVR模型预测产生的线性误差用ARMA模型预测，在此基础上将两部分预测值几何相加，得出最终预测值。李健等[21]通过混沌遗传算法得出具体的预测模型，进而研究了预测模型的误差，最后通过数据变换技术对误差建立GM（1，1）预测模型，从而对误差进行校正。张国玲等[22]采用自回归移动差分模型对需求量进行预测，然后利用BP神经网络对需求量的非线性和随机变化规律进行预测，最后利用BP神经网络的预测结果对自回归移动差分模型的预测进行误差修正。根据已有的研究结果可知，优化参数和修正误差两种形式的智能信息融合模型得到了非常好的预测效果。智能模型的引入在需求预测研究领域是一步非常重大的跨越，它使预测结果更为精确，更具有可信度。

3 冷链农产品需求预测现状

在冷链农产品需求预测方面，周宾[23]运用系统动力学方法对猕猴桃冷链物流需求进行SD建模与模拟，并预测了2020年猕猴桃的年需求量。兰洪杰等[24]首次将BP神经网络方法应用到北京奥运会的食品冷链物流需求预测中，首先按照冷链物流需求主体和需求客体对冷链物流需求进行分类，得出影响需求预测的主要因素，然后分别对需求主体进行预测，其中主要分析了对运动员人数的预测，采用了BP神经网络算法，并得到较高预测精度，在此基础上分别对需求客体进行预测，并以猪肉和羊肉需求总量来预测冷链食品的需求总量。在此过程中，根据运动人数呈非线性、随机性特点，并受复杂的外界因素影响，因而对其进行非线性神经网络预测，结合需求主体预测进行需求客体预测，得出最终预测结果。

由目前国内关于冷链农产品需求预测的文献可知，此方面的研究远远不足。冷链农产品需求预测模型的选取没有考虑到冷链农产品的产品特性、复杂的影响因素及数据特征。因此根据冷链农产品的经济属性、社会属性和相关数据的特征，研究出关于冷链农产品的最佳预测模型，将会是下一步的研究重点。

4 研究展望

1）构建基于非线性变权重的冷链农产品需求预测模型。从文献总结中可以看出，目前国内关于冷链农产品需求的预测模型主要有：BP人工神经网络、灰色马尔科夫模型、灰色模型和系统动力学模型，主要以单一预测模型为主。从已有的需求预测文献可知，组合预测模型的预测精度高于单一模型的预测，非线性组合预测模型的预测精度普遍优于线性组合预测模型。冷链农产品需求预测会受社会、经济、人文、物流等众多复杂因素影响，且相关冷链数据的统计有很多缺失，由此推测非线性变权重组合预测模型非常适合冷链农产品需求预测的特征。非线性可变权模型比较复杂，因此研究成果不多见，未来有进一步的研究空间，因此会成为冷链农产品需求预测考虑的重要研究方法。

2）构建基于多源信息融合的冷链农产品智能需求预测模型。在智能信息融合的基础上，有效聚集各种数据样本的信息和不同模型的有用信息，建立基于多源信息融合的智能冷链农产品需求预测模型，从而减少单个模型中一些随机因素的影响。通过使用智能算法模型来优化需求预测模型的参数、修正需求预测模型的误差，便于分析计算冷链农产品的复杂影响因素，简化计算步骤，使预测模型动态化运行，从而保证预测结果更加符合研究对象。目前采用多源信息融合的冷链农产品智能需求预测组合模型的文献比较少见，应该会成为未来预测冷链农产品智能需求的研究热点。

参考文献：

[1] 张熙凤，曹 飞.中国城市建设用地需求预测的比较与应用[J].西安石油大学学报，2013，5（7）：7-13.

[2] 傅守强，汪 莹.基于市场的中长期电力消费需求预测[J].电网与清洁能源，2015，31（7）：75-80.

[3] 朱发根.基于改进X-12-ARIMA的电煤需求预测模型与实证研究[J].中国电力，2014，47（2）：140-145.

[4] 谢建中，杨 育.基于改进BASS模型的短生命周期产品需求预测模型[J].计算机集成制造系统，2015，21（1）：48-56.

[5] 江登英，张骁腾.高等教育投资需求预测模型构建与统计检验[J].统计与决策，2016（11）：38-41.

[6] 吕 涛，张美珍，雷 强.基于系统动力学的印度能源及煤炭需求情景预测[J].资源科学，2015，37（6）：1119-1206.

[7] 徐 琪，刘 峥.基于SVM的短生命周期产品供应链双渠道需求预测模型[J].系统管理学报，2014，23（2）：254-262.

[8] 黄金碧，冯长春.基于DEA模型优化的城镇建设用地需求预测研究[J].城市发展研究，2013，20（11）：75-80.

[9] 陈卫东，朱红杰.基于粒子群优化算法的中国能源需求预测[J].中国人口.资源与环境，2013，23（3）：39-43.

[10] 贾 鹏，刘瑞菊，孙瑞萍，等.基于BP神经网络的游轮旅游需求预测[J].科研管理，2013，34（6）：78-83.

[11] BATES J M，GRANGER C W.The combinnation of forecasts[J].Journal of Operational Research Society，1996，20（4）：1114-1118.

[12] 汪同三，张 涛.组合预测：理论、方法及应用[M].北京：社会科学文献出版社，2008.

[13] 胡 彦，李秀美，陈华友.基于LOWA算子的税收组合预测模型[J].统计与决策，2009（10）：43-48.

[14] 周礼刚，陈华友，等.基于Tbeil不等系数的LOWA算子组合预测模型[J].安徽大学学报，2010（1）：73-77.

[15] 李晓利，王泽江.基于改进的灰色神经网络煤炭物流需求预测模型[J].统计与决策，2015（18）：82-85.

[16] 黄 勤，赵海茹，陈 玲.基于改进PSO的组合预测模型研究[J].计算机工程与应用，2015，51（14）：258-263.

[17] 彭新育，王桂敏.基于改進的PSO-GA混合算法的中国能源需求预测[J].科技管理研究，2014（17）：211-215.

[18] 王 坚.基于改进组合神经网络的水资源预测研究[J].计算机科学，2016，43（6A）：516-518.

[19] 孙志刚.蚁群优化支持向量机的物流需求预测[J].计算机系统应用，2013，22（5）：107-110.

[20] 梁昌勇，马银超，陈 荣，等.基于SVR-ARMA组合模型的日旅游需求预测模型[J].管理工程学报，2015，29（1）：122-127.

[21] 李 健，虞亚平.基于误差校正的二次非线性能源需求预测[J].干旱区资源与环境，2016，30（11）：13-18.

[22] 张国玲，徐学红.一种基于ARIMA-BPNN的物流需求预测模型[J].控制工程，2017，24（5）：958-962.

[23] 周 宾.陕西果品现代冷链物流需求的SD分析与对策[J].安徽农业科学，2012，40（21）：11056-11058.

[24] 兰洪杰，汝宜红.2008北京奥运食品冷链物流需求预测分析[J].中国流通经济，2008（2）：19-22.