基于組合模型的二手汽車配件需求預(yù)測(cè)

方瑜 陳如瑤 肖康逸

摘要：隨著汽車保有量增長，汽車售后服務(wù)行業(yè)快速發(fā)展，售后服務(wù)成為二手汽車產(chǎn)業(yè)鏈中的主要獲利途徑。配件庫存直接影響著二手汽車售后服務(wù)質(zhì)量，文章針對(duì)二手汽車配件預(yù)測(cè)問題，使用ARIMA與BP神經(jīng)網(wǎng)絡(luò)的組合模型進(jìn)行配件需求預(yù)測(cè)。以鋁合金車輪為例進(jìn)行實(shí)證分析，組合模型進(jìn)行配件需求預(yù)測(cè)具有更高的預(yù)測(cè)精度。

關(guān)鍵詞：物流工程;熵權(quán)法;需求預(yù)測(cè)

汽車售后配件銷售業(yè)務(wù)因?yàn)樯婕捌洚a(chǎn)業(yè)鏈上下游的多家企業(yè)，配件需求預(yù)測(cè)顯得尤為重要。更好的售后服務(wù)就要求配件保有量相對(duì)增多，但不斷增加的配件保有量所帶來的后果就是成本增高，庫存過剩風(fēng)險(xiǎn)增大。解決這個(gè)問題則需要對(duì)配件的需求進(jìn)行準(zhǔn)確的預(yù)測(cè)。

汽車配件需求處于顯著的動(dòng)態(tài)變換環(huán)境中，單一模型預(yù)測(cè)具有局限性，本文采用ARIMA和BP神經(jīng)網(wǎng)絡(luò)的組合模型對(duì)中國某企業(yè)2017年1月至2019年7月某地鋁合金車輪物流需求進(jìn)行分析和預(yù)測(cè)。兩種模型從不同角度對(duì)數(shù)據(jù)信息的提取，ARIMA模型提取了線性部分，神經(jīng)網(wǎng)絡(luò)提取了非線性部分，組合模型充分利用兩種模型各自的優(yōu)勢(shì)，提高了預(yù)測(cè)的精確性。

一、基于熵權(quán)法的組合預(yù)測(cè)模型

本文利用并聯(lián)型組合模型，其基本思想就是根據(jù)各個(gè)單一模型的預(yù)測(cè)結(jié)果賦予各個(gè)模型不同的權(quán)重，確定組合預(yù)測(cè)模型的權(quán)數(shù)使最終的預(yù)測(cè)結(jié)果收斂在一個(gè)較窄的區(qū)間內(nèi)，提高模型的擬合能力。本文利用相對(duì)誤差的信息熵理論進(jìn)行組合預(yù)測(cè)模型的賦權(quán)研究，熵權(quán)法的基本步驟如下：

對(duì)各個(gè)指標(biāo)的相對(duì)誤差進(jìn)行絕對(duì)值處理

eit=|（yi-yit）/yi|（1）

其中，eit∈[0，1]，yi表示第i種單項(xiàng)預(yù)測(cè)模型的結(jié)果，yit表示第i種方法在t時(shí)刻的預(yù)測(cè)值，其中i∈（1，n），i∈[1，n]，t∈[1，N];

進(jìn)行歸一化處理：

dit=eit/eit（2）

其中，dit表示第i種方法在t時(shí)刻的相對(duì)誤差比重。

計(jì)算各預(yù)測(cè)方法的相對(duì)誤差熵值：

hi=-ditlndit（3）

計(jì)算變異程度系數(shù)：

pi=1-hi（4）

其中，hi∈[0，1]

各預(yù)測(cè)指標(biāo)的加權(quán)系數(shù)：

li=

1-（5）

li即為組合預(yù)測(cè)模型中各單項(xiàng)預(yù)測(cè)模型應(yīng)賦權(quán)數(shù)，因此，使用組合預(yù)測(cè)法所得在t時(shí)刻的預(yù)測(cè)值贈(zèng)贊t為：

贈(zèng)贊t=liyit（6）

因此，組合預(yù)測(cè)模型的實(shí)施步驟為：

第一步：進(jìn)行單項(xiàng)預(yù)測(cè)。分別根據(jù)原始數(shù)據(jù)進(jìn)行ARIMA預(yù)測(cè)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，得出相應(yīng)的預(yù)測(cè)結(jié)果和誤差。

第二步：計(jì)算權(quán)重。根據(jù)單項(xiàng)預(yù)測(cè)的誤差，利用熵權(quán)法確定權(quán)重。

第三步：根據(jù)式（6）得出結(jié)果。

二、實(shí)例分析

為使預(yù)測(cè)結(jié)果更加全面性，現(xiàn)進(jìn)行以ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型為單項(xiàng)預(yù)測(cè)模型的組合預(yù)測(cè)。

（一）設(shè)立組合預(yù)測(cè)模型

建立組合預(yù)測(cè)模型如下：

y=l1y1+l2y2（7）

其中，y為某地的鋁合金車輪需求量組合預(yù)測(cè)模型預(yù)測(cè)值。

y1、y2分別為ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值。

l1、l2分別為ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)重。

（二）確定權(quán)重

首先，已知兩種單項(xiàng)預(yù)測(cè)方法在不同時(shí)刻的預(yù)測(cè)值y1、y2：

由式（1）可計(jì)算出兩種單項(xiàng)預(yù)測(cè)模型的各個(gè)指標(biāo)的相對(duì)誤差絕對(duì)值，并根據(jù)式（2）對(duì)相對(duì)誤差序列進(jìn)行歸一化處理，見表2。

由式（3）、式（4）計(jì)算各預(yù)測(cè)模型的熵值h與變異程度系數(shù)p：

h1=-×d1tlnd1t=0.8947

h2=-×d2tlnd2t=0.9593

p1=1-0.8947=0.1053 p2=1-0.9593=0.0407

由式（5）計(jì)算兩種單項(xiàng)預(yù)測(cè)的加權(quán)系數(shù)l

l1=0.385;l2=0.615

l1=

1-=0.2788

l2=

1-=0.7212

由式（7）知，組合預(yù)測(cè)模型為：

y=0.2788y1+0.7212y2（8）

（三）組合模型的預(yù)測(cè)結(jié)果

由所建立的組合預(yù)測(cè)模型，結(jié)合2019年3月至7月年中國某企業(yè)某地鋁合金車輪預(yù)測(cè)值進(jìn)行計(jì)算，結(jié)合預(yù)測(cè)模型預(yù)測(cè)結(jié)果如表3所示。

由表3可知，組合預(yù)測(cè)的平均絕對(duì)百分比誤差為0.3550%，比ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的平均絕對(duì)誤差都小，說明模型精度較佳。

三、結(jié)語

本文基于ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型使用熵權(quán)法，給出了中國某企業(yè)某地鋁合金車輪的組合預(yù)測(cè)模型。組合模型充分利用了兩種單一模型的優(yōu)點(diǎn)，提高了預(yù)測(cè)精度，因此可以作為某地鋁合金車輪需求量的預(yù)測(cè)工具，預(yù)測(cè)結(jié)果具有參考意義。

參考文獻(xiàn)：

[1]金淳，曹迪，王聰，李文立.汽車零部件第三方物流倉儲(chǔ)需求量集成預(yù)測(cè)模型[J].系統(tǒng)管理學(xué)報(bào)，2018（08）：1157-1165.

[2]孫秀娟，陸新秀，劉法勝，任傳祥.基于熵權(quán)法的交通流組合預(yù)測(cè)模型研究[J].山東科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2018（04）：111-117.

[3]李浩，王鐵寧.基于組合預(yù)測(cè)的裝甲裝備器材需求確定[J].系統(tǒng)工程與電子技術(shù)，2018（10）：2277-2281.

*基金項(xiàng)目：湖南省教育廳科學(xué)研究項(xiàng)目“基于組合預(yù)測(cè)法的湖南省物流需求量分區(qū)預(yù)測(cè)研究”（編號(hào)： 17C0594）。

（作者單位：湖南交通工程學(xué)院）