基于DAPSO—UGM（1，1）模型的物流需求预测
为提高物流需求的预测精度，文章利用动态自适应粒子群优化算法（DAPSO）优化无偏灰色预测模型[UGM（1，1）]参数，构建DAPSO—UGM（1，1）模型预测物流需求。
以我国物流需求为例，证明了DAPSO—UGM（1，1）模型的有效性，并预测了未来我国的物流需求，为物流需求预测提供了新的方法。
[关键词]动态自适应粒子群算法；无偏灰色预测模型；物流需求预测 [DOI]1013939/jcnkizgsc201610010 随着经济的发展，物流需求在交通网络规划、物流设施投资和物流规划等方面扮演着越来越重要的角色，因此准确的物流需求预测对我国的经济发展具有重要的意义。
现有的预测模型中较为常用的是时间序列、回归分析和灰色预测模型，由于时间序列和回归分析预测模型在实际应用中考虑的相关因素较少，因此预测误差相对较大，而灰色预测模型在预测时需要的数据较少，预测精度较高且适用于中长期的预测，所以不少学者开始将灰色预测（GM（1，1））模型引入物流需求预测[1，2]中，而在物流需求预测中GM（1，1）模型[3]是最常用的。
在GM（1，1）模型的基础上，又出现了预测性能优于GM（1，1）模型的无偏灰色预测（UGM（1，1））模型[4]，但该模型随着发展系数的变大，性能有变差的趋势，进而导致物流需求的预测精度下降。
粒子群优化（PSO）算法是一种群智能优化算法[5]，在参数优化方面得到广泛应用。
作为PSO算法的改进算法，动态自适应粒子群优化（DAPSO）算法[6]根据粒子早熟收敛程度和个体适应度值动态地调整惯性权重，提高了算法的收敛速度和精度。
本文利用DAPSO算法优化UGM（1，1）模型的参数，以进一步提高物流需求预测的精度。
1 无偏灰色预测模型 GM（1，1）模型是以部分信息已知，部分信息未知的小样本贫信息的不确定性系统为研究对象，由已知的部分信息预测未知信息的一种模型。
而无偏灰色预测（UGM（1，1））模型则对GM（1，1）模型做了进一步改进，消除了传统GM（1，1）模型存在的固有偏差。
UGM（1，1）模型的建模步骤如下： 2 动态自适应粒子群优化算法 PSO算法是最近几年内出现的迭代优化算法，首先给定一组初始值，然后根据已知函数确定适应值（fitness value）并且不断地进行迭代优化，即模拟粒子在空间内按照一定的约束，进行相应的搜索，从而使得粒子找到本身的最优值，包括个体极值（pbest）和群体极值（gbest）。
4 模型应用 4.1 数据选取 以货运量作为物流需求的量化指标，选取20062013年我国货运量数据，检验DAPSO—UGM（1，1）模型的预测效果。
所用数据来源于《中国统计年鉴2014》。
表1给出20062013年我国货运量数据。
由表1可知，我国20062013年货运量基本呈指数增长趋势，因而采用DAPSO—UGM（1，1）模型进行分析和预测是合理的。
4.2 模型检验 DAPSO—UGM（1，1）模型中，DAPSO算法自身参数设置如下：N=50，Wmax=1.0，Wmin=0.2，c1=2.8，c2=1.2。
DAPSO算法优化选择参数和时，为减少随机性影响，DAPSO算法连续优化10次，选择最优的*和*构建UGM（1，1）模型。
DAPSO—UGM（1，1）模型预测货运量时，选取前6个数据为历史数据进行下一步预测。
同时利用GM（1，1）模型、UGM（1，1）模型和PSO—UGM（1，1）模型预测同时段货运量，其中，PSO的自身参数设置为：N=50，w=0.5，c1=2.8，c2=1.2。
将三模型预测结果与DAPSO—UGM（1，1）模型进行比较，结果如表2所示。
由表2可知，DAPSO—UGM（1，1）模型的最大、最小相对误差为3.39%和0.02%，分别小于GM（1，1）模型、UGM（1，1）模型和PSO—UGM（1，1）模型的对应值，同时其平均相对误差也明显小于其他三模型，这有力证明了DAPSO—UGM（1，1）模型的预测精度优于其他三模型。
因此，基于DAPSO算法优化的UGM（1，1）是一种有效的物流需求预测方法。
4.3 外推预测 将DAPSO—UGM（1，1）模型应用于未来物流需求预测中，利用DAPSO—UGM（1，1）模型预测20142020年的物流需求，预测结果如表3所示。
从表3可以看出，未来7年物流需求将呈现出先增后减的变化趋势。
5 结 论 本文结合DAPSO算法与UGM（1，1）模型，构建DAPSO—UGM（1，1）物流需求预测模型，利用DAPSO算法优化UGM（1，1）模型参数。
通过对我国物流需求的实例分析，验证了DAPSO—UGM（1，1）模型是一种有效的物流需求预测方法，并利用该模型预测了未来我国的物流需求。
参考文献： [1]张潜.物流需求回收预测及其实证分析[J].哈尔滨工业大学学报：社会科学版，2010，12（1）： 84—89. [2]王小丽.基于多因素灰色模型的物流需求量预测[J].统计与决策，2013（14）： 86—87. [3]刘思峰.灰色系统理论及其应用[M].北京：科学出版社，2014. [4]刘鹄，吉培莱，邹红波.无偏灰色预测模型在边坡变形预测中的应用[J].三峡大学学报：自然科学版，2007，29（1）： 43—45. [5]张芳芳，王建军，张勇.少控参数的分层式骨干粒子群优化算法[J].系统工程理论与实践，2015，35（12）： 3217—3224.