考虑多影响因素的加油站销量预测研究

王若琳

（中石化（大连）石油化工研究院有限公司，辽宁大连 116045）

成品油二次物流是指油品从油库到加油站的运输组织过程，是成品油物流过程中的重要一环。实现加油站未来销量的准确预测，可以有效提高二次物流的运输调度精确性，帮助企业实现库存管理与配送计划编制，提升运行效率。然而，加油站的销量受多种因素影响，销量数值波动性较强且无显著规律。因此，实现加油站销量的准确预测有一定的难度。

由于销量预测任务的数据通常为时间序列形式，因此当前大多使用时间序列模型，主要方法包括线性回归、指数平滑[1]、整合移动平均自回归模型[2]、机器学习[3-5]、深度学习等。支持向量机[6]、决策树、迭代算法[7]等模型同样可用于预测任务，但在处理时间序列数据时，由于时间序列特性引起的高维度，存在消耗资源大、效率低等问题。随着深度学习的不断发展，研究者提出了循环神经网络及其衍生方法：长短期记忆网络（LSTM）[8]和门控循环单元[9]，2种衍生方法对于时间序列数据的处理和预测具有较好的效果[10-12]。部分学者将注意力机制[13-14]与深度网络结合，使网络更加关注重要的部分。然而，由于加油站销量的时间序列具有较强的非线性特征，现有的模型精度仍有待提升。

1 加油站销量影响因素分析

加油站销量受到多种因素的影响，存在较大的波动性。将加油站销量影响因素分为特殊日期因素和长短时因素两大类，通过对比不同加油站的实际销量数据，分析不同因素对加油站销量的影响程度。

1.1 特殊日期因素

加油站销量可能会受到某些特殊日期的影响，包括油价调整、节假日、特殊天气等。以某市一典型加油站全年真实数据为例进行分析。

1）油价调整

通过绘制加油站实际销量随时间的变化图（见图1），可以发现，当油价宣布即将上涨时，调价前的销量会有所上升，调价后的销量会有所下降；反之同理。销量的变化幅度与调价幅度有关。当油价调整幅度较大时，油品销量的变化也较为明显，反映出市场预期和价格信号机制在成品油市场发挥着一定作用。油价对销量的影响主要集中在油价调整日期的前后2 天内，影响的时间范围不会过长，反映出市场对价格的反应速度较快，成品油市场机制较为健全有效。

图1 油价对加油站销量的影响注：图中红点表示当日油价上调，绿点表示当日油价下调，单位为元/t

2）节假日

通过绘制加油站实际销量随时间的变化图，并在图中标出部分典型节假日节点（见图2），可以发现，节假日对于加油站销量的影响较为明显，表现为：节假日前1 ～2 天，加油站销量出现明显的上升，在节假日前1天或节假日当天达到峰值；节假日期间，销量呈现下降趋势；节假日后1 ～2天，销量逐渐上升至正常水平。其中，春节期间销量的激增与激降情况最为明显，反映出我国成品油消费体现着明显的节日效应。

图2 节假日对加油站销量的影响

3）特殊天气

通过绘制加油站实际销量随时间的变化图，并在图中标出特殊天气节点（见图3），可以发现，相较于其他因素，天气对加油站销量的影响较小。通过对数据的梳理，将天气情况分为3类。一是，晴、阴、多云、小雨、霾等一般天气：加油站销量基本不受天气影响，可以保持正常水平。二是，中雨、小雪、雨夹雪、中雪等恶劣天气：天气对加油站销量产生一定影响，部分加油站销量会出现小幅下降（但天气因素影响较小，遇国庆假期销量仍然上升）。三是，暴雨、大雨、大雪、暴雪等极端天气：天气对加油站销量会产生较为明显的影响，部分加油站销量会出现一定程度的下降，反映出成品油市场与不良天气因素的关联效应。

图3 天气对加油站销量的影响

1.2 长短时因素

加油站销量还可能与各类长短时因素有关，包括月份、星期、一天中的不同时间段等。选取某市A、B、C、D 4个典型加油站2022年真实销量数据进行分析。

1）月份

绘制2022 年4 个典型加油站月销量变化情况（见图4），可以看出，加油站销量与月份有一定的关联。1月和7月整体销量较高，2月和11月销量偏低。

图4 不同加油站月销量情况

2）星期

为消除季节等其他因素的影响，以周一为例，将全年所有周一的日销量求和作为当前的周一销量，并依此得到不同加油站一周7 天的销量变化情况（见图5），可以看出，不同加油站一周7 天的销量变化趋势相近，相对而言，周五的销量相对偏高，周末期间会有所下降。

图5 不同加油站一周销量变化情况

3）时间段

将2022年所有某时刻的销量求和作为该时刻总销量，绘制得到不同加油站一天24小时的销量变化情况（见图6），可以看出，加油站销量在凌晨期间普遍较低，早晚出行高峰期间会出现销量的急剧增加。

图6 不同加油站单日分时段销量变化情况

2 加油站销量预测方法

2.1 研究思路

将LSTM 模型引入加油站销量预测问题，模型的输入变量为前1 天或多天的加油站销量分布情况，即24×n 个小时的销量数据；输出变量为后1 天或多天的加油站销量分布，即加油站未来逐小时的销量需求情况。为进一步提升模型预测准确性，在LSTM模型基础上引入关键因素特征，与历史销量数据一同输入模型进行训练，帮助模型更好地学习加油站销量的变化特点，丰富模型的可学习内容。

2.2 模型特征数值量化

根据对销量影响因素的分析，利用特征数值量化的方法建立合理的关键因素特征，使模型输出的预测数据可以对相关因素作出有效反馈，提升模型的预测准确性。

2.2.1 特殊日期特征

特殊日期因素可以通过对历史销量数据的分析，获得较为明确的销量变化趋势，因此对其特征的量化公式设定为f＝A×10n的形式。其中A用于调整特征值的幅度，n 用于调整特征值的数量级，以保证特征数值与训练数据中的加油站销量处于同一数量级；f为特殊日期因素的特征量化表示。

1）油价特征

根据国家油品调价政策得到调价日期及调价幅度，油价特征的量化采用分段函数的形式。以油价上调为例，对于调价当天，油价调整一般于当日24时进行，在油价上涨前2天，消费者会进行储油准备，销量有所上升，此时油价特征为正值（A＝m＞0），且上涨幅度越大，特征值A越大；对于调价前1天，调价对于隔天销量的影响减弱，此时为油价特征赋较小的正值（A＝m/2）；对于调价后1天，此时价格已经上涨，销量会有所下降，此时为油价特征赋负值（A＝-m）；对于调价后2天油价调整影响减弱，此时为油价特征赋绝对值较小的负值（A＝ -m/2）。

2）节假日特征

相较于普通节假日，春节期间销量的波动程度更大，因此，将普通节假日与春节进行区分，春节期间的特征幅度A大于普通节假日。

节假日开始的前1天以及结束的后1天，销量呈上升趋势，特征值为正值；节假日期间，销量下降，特征为负值。

3）天气特征

天气对销量影响较小，特征幅度A小于其他特征。一般天气时，A＝0；恶劣天气时，A＝-0.5；极端天气时，A＝-1。

2.2.2 长短时因素特征

此类因素较难通过历史数据分析获得明确的销量变化趋势，因此其特征设定方式是将历史数据中，不同时间范围全年销量之和占全年总销量的比值作为特征值。即若为月份特征，则特征值为该月销量占全年总销量的比重；若为星期特征，则特征值为全年所有该星期日销量占全年总销量的比重；若为时间段特征，则特征值为全年所有天数该时刻的销量总和占全年总销量的比重。

3 实验结果分析

选择2018年12月至2023年6月某市多个典型加油站的历史销量数据作为模型数据集。数据反映为加油站各个油罐逐小时的液位情况。对数据进行处理后，得到模型的可用数据，将其按照7∶3的比例划分为训练集和测试集，并选择均方误差作为损失函数。

3.1 引入特征前后的预测效果对比

将基础模型与引入特征后的模型预测效果对比可知，LSTM 基础模型的预测情况与真实值之间存在较大误差。以某典型加油站为例，基础LSTM的预测误差约为21.1%；引入长短时因素特征后模型预测情况有所提升，预测曲线更接近真实值，模型预测误差降低至18.3%，但对于特殊情况（节假日、油品调价）销量的突然变化，预测效果依然不理想；最后引入特殊日期特征，模型对于油价调整、节假日期间销量的急剧波动，均可以做出较为正确的预测，模型预测准确性明显提升，预测误差降低至13.6%（见图7）。

图7 引入特殊因素特征后的预测效果

3.2 模型预测效果

将模型应用于不同加油站的不同油品，计算平均预测误差（见表1），可以看出，模型中引入影响因素特征对模型预测效果有较大提升；模型对于加油站的汽油销量预测结果平均误差小于15%，柴油预测结果平均误差小于18%，能够满足应用需求。模型具有较好的通用性和鲁棒性，在不同加油站中均有较好的预测表现。

表1 2 种模型对不同加油站汽、柴油的平均预测误差 %

4 结语

通过将预测模型与市场销售特点相结合，引入销量影响因素特征，为加油站销量预测提供了方法和思路，为成品油二次物流的运输调度提供准确依据，便于工作人员实现加油站油品的主动配送及库存管理，具有一定的实际借鉴意义。