改進的貨運量最優(yōu)變權(quán)組合預(yù)測模型*

譚司庭，史 峰

(1.中南大學(xué)物理科學(xué)與技術(shù)學(xué)院，湖南 長沙 410083;2.中南大學(xué)交通運輸工程學(xué)院，湖南 長沙 410075)

一個地區(qū)的貨運量，是最重要的經(jīng)濟指標(biāo)之一，直接表明了該地區(qū)的經(jīng)濟活躍程度。科學(xué)準(zhǔn)確地對貨運量進行預(yù)測，是運輸業(yè)持續(xù)健康發(fā)展的有效保障，是運輸各級決策部門制定發(fā)展戰(zhàn)略和規(guī)劃的重要依據(jù)。人們往往習(xí)慣用某個模型對貨運量進行預(yù)測［1－2］，但這些方法由于各自的局限性，常常預(yù)測精度不高。為了綜合利用現(xiàn)有的預(yù)測方法所提供的信息，盡可能地提高預(yù)測精度，許多人采用組合預(yù)測方法對貨運量進行預(yù)測［3－4］。J.M.Bates和C.W.J.Granger對組合預(yù)測進行了系統(tǒng)研究［5］。唐小我［6］等研究了基于定權(quán)組合預(yù)測問題，取得良好的效果。但它允許負權(quán)重因子的存在，物理意義不明顯。許多學(xué)者對非負權(quán)組合做了大量的研究［7－8］，主要集中變權(quán)組合的研究［9－11］，如何提高預(yù)測精度。

在實踐中發(fā)現(xiàn)，變權(quán)組合預(yù)測方法對1個計劃年度內(nèi)的短期預(yù)測有較好的預(yù)測精度，但對于5年以上的長期預(yù)測，其預(yù)測誤差非常大。因此，本文提出新的變權(quán)組合預(yù)測模型，在進行長期預(yù)測時，增加收斂條件，使變權(quán)的優(yōu)勢在長期預(yù)測中也能體現(xiàn)。根據(jù)實際數(shù)據(jù)進行計算表明，本方法在短期預(yù)測與長期預(yù)測中均能取得良好效果。

1 改進的變權(quán)組合預(yù)測模型

設(shè)n個時刻原始數(shù)據(jù)序列為x(t)，t=1，2，…，n。m個預(yù)測模型在t時刻預(yù)測值為fi(t)，i=1，2，..，m;t=1，2，..，n。在 t時刻變權(quán)的組合預(yù)測值為

式中，gi(t)為第i個模型在t時刻的權(quán)重，滿足:

式中，ei(t)為第i個預(yù)測模型的預(yù)測值在t時刻的誤差。

變權(quán)組合預(yù)測模型就是利用m個預(yù)測模型的預(yù)測值確定前n個時刻的權(quán)重值，再預(yù)測某個時刻的權(quán)重值gi(t)，從而得到該時刻的預(yù)測值。對gi(t)的預(yù)測，可以設(shè)定其函數(shù)形式，在此設(shè)為p次多項式形式:

式中，k表示預(yù)測到未來某個時刻，且k≥n。

對條件(2)，由于要任意t都成立，故:

最優(yōu)變權(quán)組合模型:滿足(10)和(11)式。

由于該模型有可能讓變權(quán)系數(shù)為負值，使權(quán)重因子的意義不明確，故非負權(quán)組合預(yù)測模型一般會增加 1 個條件［7－8］:

因此，最優(yōu)非負變權(quán)組合模型滿足(10)～(12)式。

但是，這種非負權(quán)組合由于在求解系數(shù)矩陣時，非線性方程組呈病態(tài)，故在長期預(yù)測時，由于積累誤差，計算會發(fā)散，預(yù)測誤差也非常大，特別是多項式階數(shù)p取3以上更明顯。使用多項式作為預(yù)測的權(quán)重函數(shù)，就是用多項式去逼近真實的函數(shù)。這種逼近的方法，必須滿足收斂的條件。可以新增條件:

使多項式在k的時間內(nèi)收斂。

因此，在進行長期預(yù)測時，增加公式(13)的收斂條件，會減少發(fā)散的危險，即由式(10)～(13)式構(gòu)成了帶收斂條件的最優(yōu)變權(quán)組合預(yù)測模型;在進行短期預(yù)測時，則由式(10)～(12)構(gòu)成最優(yōu)變權(quán)組合預(yù)測模型。

2 權(quán)重矩陣G的求解算法

利用拉格朗日求極值法，求解最優(yōu)變權(quán)組合模型:

為了求解帶收斂條件的最優(yōu)變權(quán)組合預(yù)測模型，將條件(13)寫成如下形式:

利用拉格朗日求極值法可以求出權(quán)重系數(shù)gi，j。令

對變量 gi0，φij，λi的偏導(dǎo)為零得到:

解上述非線性方程組即可得到權(quán)重矩陣G。事實上，上述非線性方程組是一個病態(tài)方程組，用一般的非線性方程組的方法無法求得正確解。

令ξ=EvG+Aλ。如果存在vG滿足ξ=0，方程(17)就能滿足，此時的解就是最優(yōu)變權(quán)組合的解。如果由于條件(13)的限制，不能滿足ξ=0，可令相應(yīng)項的 cosφij=0，sinφi，j= ± 1，gi，j= ± gi，j－1，則相應(yīng)Ci中的j+1行為零，如果存在vG滿足ξ中除gij對應(yīng)的分量ξi·m+j外，其他分量為零，方程(17)仍然能滿足;如果不能滿足繼續(xù)令相應(yīng)項的cosφij=0，直到滿足為止。

對于 gi，j= ± gi，j－1的正負號的取定也不是隨意的，它可能讓方程不滿足ATvG－B≠0;也有可能出現(xiàn)0=0的情況。為了順利解出方程，給出如下算法:

(1)給定定權(quán)的minJ和相應(yīng)的vG。

(3)如果ηij=0保持變量gij，否則將矩陣E的第(i－1)(p+1)+j行加上(i－1)(p+1)+j+1行與ηij的積，并將A做相應(yīng)的變換。再將矩陣E的第(i－1)(p+1)+j列加上(i－1)(p+1)+j+1列與ηij的積。并去掉相應(yīng)的第(i－1)(p+1)+j+1行、列以及相應(yīng)的變量 gij，這樣得到新的矩陣 E'，A'，v'G。

(6)改變η中非零項的正負號，嘗試下一個可能的η。如果所有可能的嘗試完畢，轉(zhuǎn)第7步;否則轉(zhuǎn)第3步。

(7)輸出相應(yīng)的vG。

3 實例分析

以長沙市的貨運量為例，對上面算法進行實例分析。從1990～2008年的全社會固定資產(chǎn)投資、GDP總額、貨運總量為長株潭原始數(shù)據(jù)。2009～2015年的全社會固定資產(chǎn)投資、GDP總額是通過指數(shù)外推得到的數(shù)據(jù)。通過這些原始數(shù)據(jù)對2015年長沙市的貨運量進行預(yù)測。

表1 原始數(shù)據(jù)及貨運量預(yù)測數(shù)據(jù)Table 1 Original data and forecast data of freight volumes

(1)多元線性回歸:以全社會固定資產(chǎn)投資(x1)、GDP總額(x2)為自變量，貨運總量(y)為因變量，得到回歸方程:

(2)二次指數(shù)平滑法:由于貨運量數(shù)據(jù)有較明顯的變動，因此取α =0.8。已知的數(shù)據(jù)個數(shù)n=19，故初值的選擇對以后預(yù)測的影響不大，故選擇第1期的數(shù)據(jù)作為初始值。

(3)灰色GM(1，1)模型預(yù)測:首先對貨運量數(shù)據(jù)累加，再進行預(yù)測，得到預(yù)測方程為:

最后再累減得到預(yù)測數(shù)據(jù)見表1。

(4)指數(shù)曲線外推:利用指數(shù)曲線耦合得到預(yù)測方程:

(5)組合預(yù)測模型:利用前面4種預(yù)測方法進行組合預(yù)測，組合方法有方差倒數(shù)法、最優(yōu)定權(quán)、最優(yōu)變權(quán)、帶收斂條件的最優(yōu)變權(quán)組合預(yù)測，這些組合預(yù)測方法得到預(yù)測權(quán)重矩陣數(shù)據(jù)如表2所示。

表2 組合預(yù)測的權(quán)重系數(shù)矩陣Table 2 Weight coefficient matrix of combined forecast

采用滾動的方式，進行短期預(yù)測測試，即每次用前面若干個數(shù)據(jù)記錄來預(yù)測下1個步長的數(shù)據(jù)，見表3。

表3顯示各種預(yù)測方法的短期預(yù)測的誤差。從表中可以看到，組合預(yù)測比單個預(yù)測誤差小，變權(quán)預(yù)測組合比定權(quán)預(yù)測的誤差小。在短期預(yù)測中，最優(yōu)變權(quán)的預(yù)測效果最好，且隨著預(yù)測函數(shù)的最高次數(shù)p的增加，預(yù)測精度逐步增加。

為了進行長期預(yù)測測試，利用1990年到2008年的數(shù)據(jù)，對2009－2015年的數(shù)據(jù)進行預(yù)測，預(yù)測結(jié)果如表4所示。

表3 短期預(yù)測誤差比較Table 3 Comparison of short term forecast errors

對于未來的2015年，由于無法知道真實的貨運量值，所以無法對其進行誤差比較。對于同一種預(yù)測方法，p取不同值，只是預(yù)測精度不同，因此通過自身方法的預(yù)測值，p取不同值進行比較，可以反映數(shù)據(jù)可靠程度。表5中的F2，F(xiàn)3分別表示p=2，3時的預(yù)測值，表5顯示了最優(yōu)變權(quán)組合、帶有收斂條件的最優(yōu)變權(quán)組合2種方法對2015的貨運量預(yù)測結(jié)果的比較，利用p取不同值的差別，比較2種方法的預(yù)測結(jié)果。收斂的最優(yōu)變權(quán)組合的相對偏差達295%，可以明顯看到最優(yōu)變權(quán)組合預(yù)測方法的不可信。它的預(yù)測值與其他方法預(yù)測值也相差很多。而具有收斂性的最優(yōu)變權(quán)模型，與其他方法并不大，自身比較也不大?？梢钥吹?，具有收斂性的最優(yōu)變權(quán)模型同樣適合長期預(yù)測，而最優(yōu)變權(quán)組合預(yù)測不適合長期預(yù)測。而在短期預(yù)測中也有明顯優(yōu)勢。

表4 2009～2015年的貨運量預(yù)測值Table 4 Freight volumes forecast of 2009～2015

事實上，最優(yōu)變權(quán)模型就是利用短期誤差平方和最小得到的結(jié)果，而在長期預(yù)測時，由于不滿足收斂條件，使數(shù)據(jù)發(fā)散，模型不再適用。具有收斂性的最優(yōu)變權(quán)模型正好彌補這一缺點。如果最優(yōu)變權(quán)模型滿足收斂條件時，最優(yōu)變權(quán)模型與具有收斂性的最優(yōu)變權(quán)模型結(jié)果是相同的。具有收斂性的最優(yōu)變權(quán)模型無論何時都保證數(shù)據(jù)收斂，因此對長期預(yù)測同樣適合。如果預(yù)測期加長，則限制更多，這樣短期預(yù)測誤差增大，但保證長期預(yù)測收斂，這樣做是值得的。

表5 2015年預(yù)測數(shù)據(jù)分析Table 5 Analysis of 2015 forecasts data

4 結(jié)論

(1)將具有多項式形式的變權(quán)函數(shù)的最優(yōu)變權(quán)組合模型應(yīng)用于長沙市的貨運量的預(yù)測。發(fā)現(xiàn)該模型對短期預(yù)測，提高精度效果非常明顯;在進行長期預(yù)測時，通過增加收斂條件，建立了帶有收斂條件的最優(yōu)變權(quán)模型。通過引入松弛函數(shù)，對求解過程做出理論分析，給出了具體算法。算法避免了病態(tài)非線性方程的計算。

(2)通過具有收斂性的最優(yōu)變權(quán)模型與最優(yōu)變權(quán)模型比較，發(fā)現(xiàn)帶有收斂條件的最優(yōu)變權(quán)模型在長期預(yù)測的效果非常理想，在短期預(yù)測時采用不帶收斂條件的最優(yōu)變權(quán)組合預(yù)測模型，利用這2個模型在不同條件下分別工作，取得不錯的效果。

［1］繆 巖.GM(1，2)模型在內(nèi)河貨運量預(yù)測中的應(yīng)用［J］.現(xiàn)代交通技術(shù)，2008，5(1):84 －86.MIU Yan.Application of GM(1，2)in the forecast of transport volume of inland river［J］.Modern Transportation Technology，2008，5(1):84 －86.

［2］趙衛(wèi)艷.線性回歸模型在貨運量預(yù)測中的應(yīng)用［J］.山西建筑，2007，33(9):248－249.ZHAO Wei-yan.The applying of line model in transportation forecast［J］.Shanxi Architecture，2007，33(9):248－249.

［3］吳曉玲，符 卓，王 璇，等.鐵路貨運量組合預(yù)測方法［J］.鐵道科學(xué)與工程學(xué)報，2009，16(5):89 －92.WU Xiao-ling，F(xiàn)U Zhuo，WANG Xuan，et al.Combine forecast method for railway freight volum［J］.Journal of Railway Science and Engineering，2009，16(5):89 －92.

［4］楊鵬程，龍建成，馬建軍.鐵路貨運量的組合預(yù)測方法研究［J］.物流科技，2006，29(11):66－68.YANG Peng-cheng，LONG Jian-cheng，MA Jian-jun.The study of combine－forecast method for railway freight volumes［J］.Logistics Sci－ Tech，2006，29(11):66 －68.

［5］王 景，劉良棟，王作義.組合預(yù)測方法的現(xiàn)狀和發(fā)展［J］.預(yù)測，1997(6):37 －38.WANG Jing，LIU Liang-dong，WANG Zuo-yi.The present status and developmentof combination forecasting method［J］.Forecasting，1997(6):37 －38.

［6］唐小我.最優(yōu)組合預(yù)測方法及其應(yīng)用［J］.數(shù)理統(tǒng)計與管理，1995，11(3):31 －35.TANG Xiao-wo.The optimal combination forecast method and its application［J］.Application of Statistics and Management，1995，11(3):31 －35.

［7］楊桂元，唐小我，馬永開.關(guān)于非負權(quán)組合預(yù)測的若干問題的探討［J］.電子科技大學(xué)學(xué)報，1996，25(2):210－215.YANG Gui-Yuan，TANG Xiao-wo，MA Yong － kai.Research on several problems for combined prediction of non－ negative weight［J］.Journal of UEST of China，1996，25(2):210－215.

［8］曾 勇，唐小我，曹長修.非負權(quán)重最優(yōu)組合預(yù)測方法研究［J］.管理工程學(xué)報，1995，9(3):153 －160.ZEN Yong，TANG Xiao-wo，CAO Chang-xiu.A study of optional combination forecasting methods of non－negative weights［J］.Journal of Industrial Engineering/Engineering Management，1995，9(3):153 － 160.

［9］周傳世，劉永清.變權(quán)重組合預(yù)測模型的研究［J］.預(yù)測，1995，14(4):47 －48.ZHOU Chuan-shi，LIU Yong-qing.A study of variable weighting combination forecast model［J］.Forecasting，1995，14(4):47 －48.

［10］曹長修，王 景，唐小我.一種模糊變權(quán)重組合預(yù)測方法 －FVW法的研究［J］.預(yù)測，1996(5):49－50.CAO Chang-xiu，WANG Jing，TANG Xiao-wo.A fuzzy variable weighting algorithm for combination forecastingresearch of FVW［J］.Forecasting，1996(5):49 －50.

［11］謝開貴，周家啟.變權(quán)組合預(yù)測模型研究［J］.系統(tǒng)工程理論與實踐，2000(7):36－40.XIE Kai-gui，ZHOU Jia-qi. Research of the weight changeable combination forecast model［J］.Systems Engineering Theory＆ Practice，2000(7):36－40.