基于機器學習的區域快遞包裝需求預測優化研究

劉戰豫，張宇飛

基于機器學習的區域快遞包裝需求預測優化研究

劉戰豫1,2，張宇飛1

（1.河南理工大學 工商管理學院能源經濟研究中心，河南 焦作 454000； 2.太行發展研究院，河南 焦作 454000）

快遞包裝需求預測精準程度是智慧物流體系化建設的重要基礎，本文主要通過對不同機器學習方法、不同特征選擇方法、不同參數尋優方法的比較，選取快遞包裝需求預測更加精準的方法，分析主要特征對快遞包裝需求的影響，優化區域快遞包裝需求的研究。首先通過不同的機器學習方法進行比較；然后通過不同的特征選擇方法進行比較，通過不同參數尋優方法比較確定遺傳算法對優化隨機森林模型參數的效果；最后為了更好地解釋模型，引入SHAP分析的方法，對不同特征的重要性進行分析。改進的隨機森林預測模型效果最好，MAE值、MAPE值、RMSE值、2分別為2 783、5.1%、4 343、0.99。女性人口和第三產業值是影響快遞包裝需求最為關鍵的因素。所提出的預測方法有更好的準確性及可解釋性，能為快遞包裝需求預測提供有力的決策支持。

快遞包裝；隨機森林；需求預測

隨著全球經濟發展和時代科技的進步，物流發展的機遇與挑戰并存，區域快遞包裝需求因受不確定性因素影響較大，常呈現出隨機性、非平穩性等特點，不能準確預測快遞包裝需求態勢，會制約物流企業快遞業務高質量增長。針對此問題，根據快遞包裝需求的不同層次和不同時間緯度的變化，構建準確高效的需求預測模型，通過信息和算法實現供需高、效率準確的匹配研究，將有助于智慧物流體系建設，促進數字化包裝管理，使物流企業決策更加科學合理，有利于物流業高質量發展[1]。

在需求預測研究中，部分學者們采用傳統的數理統計方法對數據進行預測分析，如灰色預測模型[2]、ARIMA模型[3]、SARIMA和多元回歸相結合[4]。然而隨著大數據時代的到來，對數據的處理難度呈幾何倍增，高維度、高容量的數據難以通過傳統數理統計方法來處理，機器學習在處理此類問題時的優勢日趨明顯。

隨著機器學習和數據挖掘的快速發展，機器學習逐漸應用于需求預測領域，在電力需求[5]、產品需求[6]、能源需求[7]等領域已有成熟運用。馮易等[8]指出相比于單一學習器，如隨機森林等集成學習器更具優勢。Feng等[9]利用RBF神經網絡對我國能源需求進行預測。李國祥等[10]利用LSTM模型對區域物流進行預測。孫俊軍等[11]利用XGBoost模型對紙包裝行業的訂單量進行預測。Zhang等[12]利用BP神經網絡進行預測，均取得較好效果。同時，也有學者為更好提高預測精度，提升模型運算效率，利用組合模型來進行預測，如將灰色預測模型和BP神經網絡相結合[13]，利用蟻群算法優化支持向量機[14]，利用主成分分析結合神經網絡模型進行預測[15]。

在包裝領域，學者們較多關注貨架期預測[16-18]和包裝工程、包裝材料等相關領域預測[19-20]，鮮有利用機器學習對區域快遞包裝需求進行預測分析的研究。因此本文通過將不同預測模型引入區域快遞包裝需求中，通過對比選取最優模型，并對最優模型進一步優化以提升預測精度。

1 研究對象

本文以河南省快遞包裝需求為例，相關快遞包裝需求影響因素數據來源于對國家統計局和歷年《河南統計年鑒》的整理。快遞包裝數據按照行業公布數據進行計算，并采用物流業相關數據進行修正[21-22]。

1.1 研究對象描述

河南作為中原人口大省，2022年常住人口已達到9 872萬人，消費市場規模化增長顯著。快遞量在2022年達到44.53億件，2023年前8個月河南快遞業務量為36.19億件，居全國第6，同比增長了24.5%。河南消費市場規模化增長帶來快遞需求量激增，快遞需求激增的同時對快遞包裝產生了巨大影響。快遞包裝量的準確評估與預測對物流業高質量發展具有積極促進作用。鑒于此，亟須對河南省快遞包裝量預測進行優化提升，為快遞包裝產業科學規劃奠定基礎。

1.2 影響因素分析

區域性快遞包裝需求有著地區性特點，受當地社會和經濟因素影響，同時快遞包裝作為快遞產業鏈上重要一環，依賴于地區物流業發展水平。本文從地區經濟現狀出發，通過借鑒其他文獻資料[22,23,24]，結合實際性、科學性以及可獲取性原則，將影響快遞包裝需求量的因素歸結為區域物流、經濟發展、消費水平、人口規模四大類。

1）區域物流。快遞需求趨勢和快遞包裝需求趨勢一致。快遞包裝作為快遞產業鏈上的重要一環，與快遞產業的發展和快遞量的需求密不可分。當快遞行業低迷，快遞使用量少時，快遞包裝的需求也會隨之下降，反之，當快遞需求提升，與之密切相關的快遞包裝需求也隨之提升。本文通過貨運量、郵政業務總量等來體現快遞的發展和需求。

2）經濟發展。快遞包裝需求受當地整體經濟趨勢影響，當地經濟呈現下行趨勢時，地區產業負擔重，訂單少，對外快遞運輸量少，快遞包裝需求也會隨之下降，反之，則會上升。本文通過地區生產總值和第一、二、三產業產值等來體現當地經濟情況。

3）消費水平。居民消費水平與快遞需求呈正相關，消費者的消費能力強，快遞購買量大，快遞包裝的需求就高。同時，考慮到互聯網的應用促進了電商的發展，帶來快遞需求量的不斷提升，故將互聯網普及也作為影響因素納入指標之中。

4）人口規模。人口基數對快遞包裝需求有間接的影響。在其他條件一定的情況下，人口基數越大，快遞使用頻率越高，快遞包裝的需求量越大。為更好地分析不同性別對快遞包裝需求的影響，將人口分為男性人口和女性人口作為輸入特征，方便進行模型可解釋分析。

1.3 指標體系構建

根據四大類變量指標，按照物流業相關文獻[24-25]和物流業統計年鑒，提出相應的觀測指標。第1類采用貨運量、貨物周轉量、進出口總額、郵政業務總量、基礎設施投資增速等指標；第2類采用地區生產總值、第一、二、三產業產值、商品零售價格指數、社會消費品零售總額等指標；第3類采用互聯網用戶數、居民消費價格指數、人均消費支出、人均可支配收入等指標；第4類采用男性人口和女性人口等指標。具體如表1所示。

表1 影響因素選取

Tab.1 Selection of influencing factors

2 研究設計

2.1 預測方法優化

隨機森林算法（RF）是由Breiman（2001）所提出的一種集成學習算法，該算法利用自助聚集策略提取多個樣本，為每個樣本構建一個子樹，結合所有子樹的預測結果得到最終預測值，因此隨機森林算法具備更顯著的泛化性和準確性。隨機森林算法的基本內核是多個弱學習器組成一個強學習器來提高全局準確性，因此該模型具備較強的魯棒性。與此同時，隨機森林算法模型中的參數會影響模型整體性能，如max_depth反映了樹的復雜程度。雖然更高的深度有利于學習樣本之間的邏輯關系，但過高的深度又容易造成模型擬合過高，因此選擇正確的參數集合，對模型性能提升具有重要意義[26-27]。本文通過遺傳算法對模型參數采用迭代尋優的方式得到最佳參數，同時鑒于冗雜的樣本特征會產生噪聲，對模型學習能力產生負向影響，因此使用Boruta算法對特征進行選取。預測流程如下，具體流程如圖1所示。

1）通過分析初步選擇模型特征。

圖1 預測模型流程

2）使用Boruta算法對模型特征進行選取，其通過迭代構造原始特征和陰影特征的重要性（Z-score），并以Z-score為評價指標進行對比。只有原始特征重要性高于最好陰影特征重要性的原始特征才被判定為重要特征。

3）將“快遞包裝需求預測”作為預測目標，劃分訓練集和測試集，并進行初步預測分析。

4）初始化種群，將實際值和預測值之間的誤差作為適應度函數不斷進行迭代，利用遺傳算法自適應調整隨機森林模型參數。

為確定模型預測能力，本文選擇常見的平均絕對誤差（Mean Absolute Error, MAE），平均絕對百分比誤差（Mean Absolute Percentage Error, MAPE），均方根誤差（Root Mean Square Error, RMSE）和擬合優度2作為評價指標對模型預測效果進行評價。同時鑒于BP神經網絡、隨機森林等算法模型在相同參數下所得結果略有差異，為更好檢驗模型性能，本文選擇重復實驗的方法，驗證所得結果[10]。

2.2 優化過程分析

2.2.1 不同機器學習方法比較

為更好地顯示模型性能，方便進一步分析，本文通過與其他預測模型進行比較，展現不同模型對數據處理和算法學習的能力。采用未進行處理的特征進行輸入，同時除PSO-BP模型外均采用默認參數進行預測，以選取最優模型進行進一步優化。具體結果如表2所示。

通過試驗結果可以看出隨機森林模型在各評價指標的表現上均優于其他模型。綜合來看，盡管如PSO-BP模型經過算法調參，但相對隨機森林表現來說，其性能還是有所欠缺。而其他模型如GBDT，雖在2中與隨機森林持平，但在其他指標中則落后于隨機森林模型。本文為更好地挖掘隨機森林模型潛力，對輸入特征和模型參數進行進一步處理。

表2 不同機器學習方法實驗結果

Tab.2 Experimental results of different machine learning methods

2.2.2 不同特征選擇方法比較

特征選擇可以提高模型的泛化能力，減小冗余數據對模型性能的影響。對于特征選擇，本文選擇使用過濾式特征選擇法、封裝式特征選擇法、嵌入式特征選擇法[28]。Boruta算法在已有研究中已被證明在特征選擇實踐中具有良好效果[29-30]，因此引入Boruta算法進行特征選擇，并與其他方法進行比較。考慮到部分研究在模型構建中未進行特征選擇，因此將不進行特征選擇的方法也納入比較范圍。

通過表3可以看出，根據MAE值從大到小排名為Boruta、嵌入式特征選擇方法、無特征選擇、封裝式特征選擇方法、過濾式特征選擇方法；根據MAPE值從大到小排名則是Boruta、嵌入式特征選擇方法、封裝式特征選擇方法、無特征選擇、過濾式特征選擇方法；根據RMSE值從大到小排名則是Boruta、嵌入式特征選擇方法、無特征選擇、封裝式特征選擇方法、過濾式特征選擇方法；根據2從大到小排名則是Boruta、嵌入式特征選擇方法=無特征選擇、封裝式特征選擇方法、過濾式特征選擇方法。綜合來說Boruta算法表現最優，相對于其他特征選擇方法，其MAE值、MAPE值、RMSE值、2均為優異。傳統的特征選擇方法所選特征子集具有較差的穩定性，而Boruta算法能夠在不降低預測準確率和精確率的情況下，有效移除冗雜數據，減少數據的噪聲和擾動。

表3 不同特征選擇方法實驗結果

Tab.3 Experimental results of different feature selection methods

2.2.3 不同參數尋優方法比較

最好玩的就是iPad了。令人走火入魔的游戲，大快人心的漫畫，搞笑的視頻段子，都是我的最愛。還等什么？上手就玩“吃雞”。不過我很有自覺性，只有老媽看不到，才能想玩多久就玩多久。再好吃的雞，也有吃撐的時候，這會兒我已頭暈目眩，站不起身。

隨機森林模型包含框架參數和決策樹參數2種，通過算法自動尋找到各參數之間的平衡，能夠控制模型的復雜程度和擬合程度，防止過擬合現象的發生，有利于充分調動模型性能，挖掘模型潛能。將經過特征選取的指標作為輸入變量，通過參數尋優方法對模型進行調參，促使模型達到相對最優性能。模型參數具體調參范圍如表4所示，評價結果如表5所示。

表4 參數搜索范圍

Tab.4 Specific parameter settings

據表5所示，根據MAE值從大到小排名為遺傳算法、貝葉斯優化、網格搜索、網格隨機搜索、默認參數；根據MAPE值從大到小排名為遺傳算法、默認參數、貝葉斯優化、網格搜索、網格隨機搜索；根據RMSE值從大到小排名為遺傳算法、貝葉斯優化、網格搜索、網格隨機搜索、默認參數；根據2從大到小排名為遺傳算法=貝葉斯優化=網格搜索、網格隨機搜索=默認參數。網格搜索和網格隨機搜索方法相對貝葉斯優化和遺傳算法來說，存在難以處理多優化組合的缺點。當待優化組合較多，數量級超過上萬個組合時，對網絡搜索方法和網格隨機搜索方法的處理能力帶來極大挑戰。網格搜索方法是遍歷所有組合，使用窮舉法去尋找最優組合，網格隨機搜索方法是采用隨機搜索的方法尋找最優，雖然降低了大量數據所造成的臃腫現象，但是其隨機因素導致尋優結果易出現較大波動。貝葉斯優化雖然經過對目標函數的不斷學習，使得到的信息不斷更新目標函數先驗分布，進而優化全局結果預測參數，但是相對遺傳算法來說，其初始化存在隨機性，進而導致結果存在波動。遺傳算法在經過多輪迭代之后具備魯棒性，預測結果相對更加準確和穩定。綜合來看，經過Boruta算法進行特征選取，使用遺傳算法優化后的隨機森林模型（Bor-GA-RF）進行預測，所達到的效果為最優，預測對比圖如圖2所示，評價指標MAE值、MAPE值、RMSE值、2分別為2 783、5.1%、4 343、0.99。

2.3 重要特征分析

SHAP特征重要性指各個特征在模型預測中，對提高模型整體預測性能的貢獻程度的大小，使用各特征對目標變量影響程度的絕對值來表現[31]。它能夠更加直接地顯示出不同特征指標對模型的影響程度，重要性程度越高，該特征變量對快遞包裝需求預測的影響就越大。通過SHAP分析可以更好地了解不同特征對快遞包裝需求預測的影響。

表5 不同參數選擇方法實驗結果

Tab.5 Experimental results of different parameter selection methods

圖2 預測值和實際值對比

為更全面了解不同特征對快遞包裝需求預測的影響，對Boruta算法特征選擇過的數據進行進一步分析，如圖3所示。影響快遞包裝需求預測的重要程度按從大到小排序是女性人口（X11）、第三產業值（X4）、男性人口（X10）、郵政業務總量（X15）、第二產業值（X3）、人均可支配收入（X14）、互聯網用戶（X17）。女性人口對快遞包裝需求預測的影響程度高于其他特征。

圖3 特征重要程度排序

從圖3可以看出，女性人口和第三產業值是影響快遞包裝需求最為關鍵的因素。第三產業對快遞包裝需求的影響遠高于其他產業經濟，這是快遞包裝需求與快遞行業發展密切相關的體現，郵政業務總量的影響力也佐證了這一點。同時“她經濟”的到來，女性消費者在網絡購物之中相對于男性更容易成癮，也更具沖動性[32]，這導致了女性消費者對快遞的需求更強，對快遞包裝需求的影響遠高于男性。

3 結語

通過總結可以得出以下結論：相對于其他預測方法，隨機森林預測模型具有較好的預測精度；Boruta特征選擇方法在該模型實踐中優于其他特征選擇方法；經過遺傳算法調參所得到的最終預測組合模型（Bor-GA-RF）的性能優于其他調參方法所優化的預測模型的性能，Bor-GA-RF組合模型在區域快遞包裝需求預測中精度更高；通過模型可解釋分析的探索，能夠可視化地看出經過Boruta算法篩選后的特征在模型預測中對模型的影響，如女性人口對快遞包裝需求的影響高于男性人口，究其原因是女性消費者在網絡購物之中相對于男性更容易成癮。

本研究仍存在許多不足需要改進，在未來的研究中，可以考慮引入更詳細的數據，以提升預測模型的學習能力，從而達到更好的預測效果。同時在未來還可以考慮使用更好的機器學習方法和更好的優化算法來解決問題。

[1] 冉茂亮, 陳彥如, 楊新彪. 基于EEMD-LMD- LSTM-LEC深度學習模型的短時物流需求預測[J]. 控制與決策, 2022, 37(10): 2513-2523.

RAN M L, CHEN Y R, YANG X B. Short-Term Logistics Demand Forecasting Based on EEMD-LMD- LSTM-LEC Deep Learning Model[J]. Control and Decision, 2022, 37(10): 2513-2523.

[2] HU Y C. Constructing Grey Prediction Models Using Grey Relational Analysis and Neural Networks for Magnesium Material Demand Forecasting[J]. Applied Soft Computing, 2020, 93: 106398.

[3] DEY B, ROY B, DATTA S, et al. Forecasting Ethanol Demand in India to Meet Future Blending Targets: A Comparison of ARIMA and Various Regression Models[J]. Energy Reports, 2023, 9: 411-418.

[4] FANG T T, LAHDELMA R. Evaluation of a Multiple Linear Regression Model and SARIMA Model in Forecasting Heat Demand for District Heating System[J]. Applied Energy, 2016, 179: 544-552.

[5] JNR E O N, ZIGGAH Y Y. Electricity Demand Forecasting Based on Feature Extraction and Optimized Backpropagation Neural Network[J]. e-Prime-Advances in Electrical Engineering, Electronics and Energy, 2023, 6: 100293.

[6] KIM S. Innovating Knowledge and Information for a Firm-Level Automobile Demand Forecast System: A Machine Learning Perspective[J]. Journal of Innovation & Knowledge, 2023, 8(2): 100355.

[7] EMAMI J M, GHADERI S F. Energy Demand Forecasting in Seven Sectors by an Optimization Model Based on Machine Learning Algorithms[J]. Sustainable Cities and Society, 2023, 95: 104623.

[8] 馮易, 王杜娟, 胡知能, 等. 基于改進LightGBM集成模型的胃癌存活性預測方法[J]. 中國管理科學, 2023, 31(10): 234-244.

FENG Y, WANG D J, HU Z N, et al. Prediction Method for Gastric Cancer Survivability Based on an Improved LightGBM Ensemble Model[J]. Chinese Journal of Management Science, 2023, 31(10): 234-244.

[9] FENG X, BAO W, HA B. Prediction on China Energy Demand Based on RBF Neural Network Model[J]. Advanced Materials Research, 2013, 805/806: 1421-1424.

[10] 李國祥, 馬文斌, 夏國恩. 基于深度學習的物流需求預測模型研究[J]. 系統科學學報, 2021, 29(2): 85-89.

LI G X, MA W B, XIA G E. Research on Logistics Demand Forecast Mode Based on Deep Learning[J]. Chinese Journal of Systems Science, 2021, 29(2): 85-89.

[11] 孫俊軍, 張偉, 張一等. 面向紙包裝行業的訂單預測模型構建與應用研究[J]. 包裝工程, 2023, 44(S2): 132-139.

SUN J J, ZHANG W, ZHANG Y, et al. Research on the Construction and Application of Order Prediction Model for the Paper Packaging Industry[J]. Packaging Engineering, 2023, 44(S2): 132-139.

[12] ZHANG D H, LOU S. The Application Research of Neural Network and BP Algorithm in Stock Price Pattern Classification and Prediction[J]. Future Generation Computer Systems, 2021, 115(aug.): 872-879.

[13] HUANG L J, XIE G J, ZHAO W D, et al. Regional Logistics Demand Forecasting: A BP Neural Network Approach[J]. Complex & Intelligent Systems, 2023, 9(3): 2297-2312.

[14] YU N, XU W, YU K L. Research on Regional Logistics Demand Forecast Based on Improved Support Vector Machine: A Case Study of Qingdao City under the New Free Trade Zone Strategy[J]. IEEE Access, 2020, 99: 1.

[15] CHEN Y, WU Q M, SHAO L J. Urban Cold-Chain Logistics Demand Predicting Model Based on Improved Neural Network Model[J]. International Journal of Metrology and Quality Engineering, 2020, 11: 5.

[16] AN Y Q, LIU N, XIONG J, et al. Quality Changes and Shelf-Life Prediction of Pre-Processed Snakehead Fish Fillet Seasoned by Yeast Extract: Affected by Packaging Method and Storage Temperature[J]. Food Chemistry Advances, 2023, 3(3): 100418.

[17] MOHI-ALDEN K, OMID M, RAJABIPOUR A, et al. Quality and Shelf-Life Prediction of Cauliflower under Modified Atmosphere Packaging by Using Artificial Neural Networks and Image Processing[J]. Computers and Electronics in Agriculture, 2019, 163(7): 104861.

[18] 蔡佳昂, 盧立新, 盧莉璟, 等. 全脂奶粉包裝內外水分傳質及其防潮包裝貨架期預測[J]. 包裝工程, 2022, 43(17): 42-48.

CAI J A, LU L X, LU L J, et al. Moisture Mass Transfer Inside and Outside Whole Milk Powder Packaging and Shelf Life Prediction of Moisture-Proof Packaging[J]. Packaging Engineering, 2022, 43(17): 42-48.

[19] KROELL N, CHEN X Z, MAGHMOUMI A, et al. Sensor-Based Particle Mass Prediction of Lightweight Packaging Waste Using Machine Learning Algorithms[J]. Waste Management, 2021, 136: 253-265.

[20] 陳雅, 姜凱譯, 李耀翔, 等. 基于近紅外的PE包裝藍莓新鮮度無損檢測[J]. 包裝工程, 2022, 43(7): 1-10.

CHEN Y, JIANG K Y, LI Y X, et al. Nondestructive Detection of Freshness of PE Packaged Blueberries Based on NIR[J]. Packaging Engineering, 2022, 43(7): 1-10.

[21] 夏文匯, 張蘭蕤, 夏乾尹, 等. 基于 “一帶一路” 的重慶物流灰色模型預測及包裝管理研究[J]. 重慶理工大學學報(社會科學版), 2020, 34(5): 58-66.

[22] 張道順. S企業物料需求預測與配送路徑優化研究[D]. 濟南: 山東財經大學, 2022.

ZHANG D S. Research on Material Demand Forecast and Distribution Path Optimization of S Enterprise[D]. Jinan: Shandong University of Finance and Economics, 2022.

[23] 冀琴, 朱敏, 劉睿. 重慶市中心城區快遞自提點空間格局及影響因素研究——基于POI數據[J]. 重慶師范大學學報(自然科學版), 2021, 38(3): 121-128.

JI Q, ZHU M, LIU R. The Spatial Pattern and Relation of the Pickup Points Based on POI in Chongqing[J]. Journal of Chongqing Normal University (Natural Science), 2021, 38(3): 121-128.

[24] 徐曉燕, 楊慧敏, 呂修凱, 等. 基于山東省不同模型的物流需求預測比較研究[J]. 包裝工程, 2022, 43(23): 207-215.

XU X Y, YANG H M, LYU X K, et al. Comparative Research on Forecast of Logistics Demand in Shandong Province Based on Different Models[J]. Packaging Engineering, 2022, 43(23): 207-215.

[25] 李林漢, 岳一飛, 田衛民. 基于PCA與Markov殘差灰色模型的京津冀物流能力評價和預測[J]. 北京交通大學學報(社會科學版), 2019, 18(2): 129-142.

LI L H, YUE Y F, TIAN W M. Principal Component Analysis and Markov Residual Grey Based Evaluation and Prediction of Logistics Capabilities of Beij ing, Tianj in and Hebei[J]. Journal of Beijing Jiaotong University (Social Sciences Edition), 2019, 18(2): 129-142.

[26] 朱昶勝, 李歲寒. 基于改進果蠅優化算法的隨機森林回歸模型及其在風速預測中的應用[J]. 蘭州理工大學學報, 2021, 47(4): 83-90.

ZHU C S, LI S H. Random Forest Regression Model Based on Improved Fruit Fly Optimization Algorithm and Its Application in Wind Speed Forecasting[J]. Journal of Lanzhou University of Technology, 2021, 47(4): 83-90.

[27] PROBST P, WRIGHT M, BOULESTEIX A L. Hyperparameters and Tuning Strategies for Random Forest[J]. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2018, 9(3): 1-18.

[28] 郭海湘, 黃媛玥, 顧明赟, 等. 基于自適應多分類器系統的甲狀腺疾病診斷方法研究[J]. 系統工程理論與實踐, 2018, 38(8): 2123-2134.

GUO H X, HUANG Y Y, GU M Y, et al. Thyroid Disease Diagnosis Method Research Based on Adaptive Multiple Classifier System[J]. Systems Engineering-Theory & Practice, 2018, 38(8): 2123-2134.

[29] HABIBI A, DELAVAR M, SADEGHIAN M, et al. A Hybrid of Ensemble Machine Learning Models with RFE and Boruta Wrapper-Based Algorithms for Flash Flood Susceptibility Assessment[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 122(122): 103401.

[30] GHOSH I, DATTA CHAUDHURI T, ALFARO-CORTS E, et al. A Hybrid Approach to Forecasting Futures Prices with Simultaneous Consideration of Optimality in Ensemble Feature Selection and Advanced Artificial Intelligence[J]. Technological Forecasting and Social Change, 2022, 181: 121757.

[31] PARSA A B, MOVAHEDI A, TAGHIPOUR H, et al. Toward Safer Highways, Application of XGBoost and SHAP for Real-Time Accident Detection and Feature Analysis[J]. Accident; Analysis and Prevention, 2020, 136: 105405.

[32] 金祖旭. 電子商務市場中 “她經濟” 模式精準營銷策略[J]. 商業經濟研究, 2017(23): 59-61.

JIN Z X. Precision Marketing Strategy of "other Economy" Model in E-Commerce Market[J]. Journal of Commercial Economics, 2017(23): 59-61.

Optimization of Regional Express Packaging Demand Prediction Based on Machine Learning

LIU Zhanyu1,2,ZHANG Yufei1

(1. Energy Economics Research Center of the School of Business Administration, Henan Polytechnic University, Henan Jiaozuo 454000, China; 2. Taihang Development Research Institute, Henan Jiaozuo 454000, China)

The degree of accuracy of express packaging demand prediction is an important foundation for the construction of intelligent logistics systemization. The work aims to compare different machine learning methods, different feature selection methods, and different parameter optimization methods, to select a more accurate method of express packaging demand prediction, analyze the impact of the main features on demands of express packaging, and optimize the study of regional express packaging demand. Firstly, through comparison with different machine learning methods, different feature selection methods, and different parameter optimization methods, the effect of genetic algorithm on optimizing parameters of the random forest (RF) model was determined. Finally, in order to better explain the model, the method of SHAP analysis was introduced to analyze the importance of different features. The results showed that the improved random forest prediction model was the most effective with MAE value, MAPE value, RMSE value and2of 2 783, 5.1%, 4 343 and 0.99 respectively, and that female population and tertiary industry value were the most critical factors affecting the demand for express packaging. The results show that the proposed prediction method has better accuracy and interpretability, and can provide powerful decision support for express packaging demand prediction.

express packaging; RF; demand prediction

TB114

A

1001-3563(2024)01-0246-08

10.19554/j.cnki.1001-3563.2024.01.029

2023-08-06

2023年度河南省政府決策研究招標課題（2023JC031）；河南省高等學校重點科研項目軟科學計劃（24A630014）