基于多重“分解—集成”策略的物流货运量预测

交通运输系统工程与信息 ›› 2015, Vol. 15 ›› Issue (1): 150-158.

基于多重“分解—集成”策略的物流货运量预测

周程^*1, 李松²

1. 湖北经济学院物流与工程管理学院, 武汉430205；2. 武汉理工大学物流工程学院, 武汉430063

收稿日期:2014-07-18 修回日期:2014-09-27 出版日期:2015-02-25 发布日期:2016-02-25
作者简介:周程（1978-），女，湖北宜昌人，副教授，博士.
基金资助:
国家社会科学基金项目(14BJY139); 国家自然科学基金项目(51175394); 湖北省教育厅人文社科(2012Q099); 湖北物流发展研究中心资助项目(2014A03).

Logistics Freight Volume Forecasting Based on Multilevel Decompose-ensemble Method

ZHOU Cheng¹, LI Song²

1.School of Logistics and Engineering Management, Hubei University of Economics,Wuhan 430205, China; 2.School of Logistics Engineering,Wuhan University of Technology,Wuhan 430063, China

Received:2014-07-18 Revised:2014-09-27 Online:2015-02-25 Published:2016-02-25

摘要/Abstract

摘要：

货运量预测是制定物流政策和决定物流基础设施布局的重要依据.针对受多因素影响的货运量预测具备较强非线性和模糊性特征，提出一种基于趋势分解和小波变换的多重“分解—集成”预测方法.利用趋势分解将货运量分解为趋势项和非趋势项，通过小波分解将非趋势项进一步分解成低频项和高频项，分别建立预测模型，选用相加集成得到货运量预测值.实证表明，“分解—集成”的预测策略将非平稳货运量分解为相对平稳的子序列组合，降低了问题复杂度，有效提高了预测性能，与传统的趋势分解预测模型和小波分解预测模型相比，多重“分解—集成”预测模型精度更高.

关键词: 物流工程, 小波变换, 趋势分解, 分解&mdash, 集成, 物流货运量

Abstract:

Logistics freight volume forecasting is essential for forming logistics policy and determining the logistics infrastructure layout, which reflects strong- nonlinearity and ambiguity due to various affecting factors. A new forecasting approach based on multilevel decompose-ensemble is proposed for logistics freight volume. Original freight volume is firstly decomposed into trend component and non- trend component in accordance with trend decomposition. Then, non-trend component is further decomposed into a low frequency subseries and a several high frequency subseries by using of wavelet decomposition. With respect to their different features, trend component, low frequency non-trend component and high frequency non-trend component are respective forecasted. The prediction result of freight volume is the superimposition of these subseries predictions. Non-stationary time series is resolved into relatively stationary subsequences in accordance with trend decomposition and wavelet decomposition. The empirical test proves that the proposed forecasting method based on multilevel decompose-ensemble method is higher accuracy, which is compared with traditional decompose-ensemble forecasting method based on trend decomposition or wavelet decomposition.

Key words: logistics engineering, wavelet transform, trend decomposition, decompose-ensemble, logistics freight volume

中图分类号:

F542

周程, 李松. 基于多重“分解—集成”策略的物流货运量预测[J]. 交通运输系统工程与信息, 2015, 15(1): 150-158.

ZHOU Cheng, LI Song. Logistics Freight Volume Forecasting Based on Multilevel Decompose-ensemble Method[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(1): 150-158.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract18938.shtml

http://www.tseit.org.cn/CN/Y2015/V15/I1/150

参考文献

[1] 周程，张培林. 基于关联面积法的物流货运量组合预测模型[J]. 计算机应用, 2012, 32(9): 2628- 2630, 2642. [ZHOU C, ZHANG P L. Adaptive combination forecasting model for logistics freight volume based on area correlation method[J]. Journal of Computer Application，2012，32(9): 2628-2630, 2642.]

[2] 张凯锋, 滕贤亮, 王颖. 基于趋势分解的电力系统区域负荷建模与预测方法[C]// Proceedings of the 31st Chinese Control Conference, Hefei, 2012: 6963-6968. [ZHANG K F, TENG X L, WANG Y. A modeling and forecasting method of regional load of power systems based on trend decomposition[C]//Proceedings of the 31st Chinese Control Conference, Hefei, 2012: 6963- 6968.]

[3] 李聪, 杨德平, 孙海涛. 基于EMD与BP神经网络的中国股票指数期货价格预测[J]. 青岛大学学报(自然科学版), 2012, 25(2):73-76, 88. [LI C, YANG D P, YANG H T. Prediction of stock index future price based on EMD and BP neural network[J]. Journal of QingDao University (Natural Science Edition), 2012, 25(2):73- 76, 88.]

[4] Caetano M A L, Yoneyama T． Characterizing abrupt changes in the stock prices using a wavelet decomposition method[J]. Physica A，2007, 383(2): 519- 526．

[5] 丁恒, 郑小燕, 刘燕, 等. 基于小波分析的随机交通流组合预测方法研究[J]. 系统仿真学报, 2012, 24(2): 377-381. [DING H, ZHENG X Y, LIU Y, et al. Stochastic traffic series time combination forecasting based on wavelet analysis[J]. Journal of System Simulation, 2012, 24(2): 377-381.]

[6] 张华, 任若恩. 基于小波分解和残差GM(1,1)-AR 的非平稳时间序列预测[J]. 系统工程理论与实践, 2010, 30(6): 1016-1020. [ZHANG H, REN R E. Non-stationary time series prediction based on wavelet decomposition and remanet GM (1,1)-AR[J]. Systems Engineering–Theory & Practice, 2010, 30(6): 1016-1020. ]

[1]	张英贵, 姚璎华, 高全, 雷定猷. 铁路集装箱混合货物平衡装载布局优化模型与算法[J]. 交通运输系统工程与信息, 2022, 22(2): 214-222.
[2]	姜晓红, 陈莎, 张毅. 物流企业碳排放总量与效率测算方法[J]. 交通运输系统工程与信息, 2022, 22(2): 313-321.
[3]	周小祥, 黄承锋. 农村物流末端共配联盟演化博弈及稳定性研究[J]. 交通运输系统工程与信息, 2022, 22(1): 265-272.
[4]	王清斌, 于江宁, 郑建风. 甩挂运输模式下新增运输任务的干扰管理模型[J]. 交通运输系统工程与信息, 2021, 21(6): 160-166.
[5]	柳伍生, 李旺, 周清, 迭纤. “无人机-车辆”配送路径优化模型与算法[J]. 交通运输系统工程与信息, 2021, 21(6): 176-186.
[6]	珠兰, 马潇, 刘卓凡. 时间依赖型绿色车辆路径问题研究[J]. 交通运输系统工程与信息, 2021, 21(6): 187-194.
[7]	奇格奇, 张子贤, 卫振林, 李宝文. 基于语义挖掘的快递运输货品风险评价研究[J]. 交通运输系统工程与信息, 2021, 21(4): 248-255.
[8]	杨森炎，宁连举，商攀. 基于时空状态网络的电动物流车辆路径优化方法[J]. 交通运输系统工程与信息, 2021, 21(2): 196-204.
[9]	杨华龙，辛禹辰，高浩然. 随机扰动项呈离散分布的库存路径和定价问题的模型与算法[J]. 交通运输系统工程与信息, 2021, 21(2): 211-216.
[10]	袁方，杨轸，周雄峰. 双车道公路弯道半径及回旋线长度对转向行为的影响[J]. 交通运输系统工程与信息, 2021, 21(1): 116-123.
[11]	王春娟，陈超. 不定期船连续航次燃油补给与航速优化集成调度模型[J]. 交通运输系统工程与信息, 2020, 20(6): 233-239.
[12]	辛禹辰，施胜男，杨华龙. 基于订单拆分的线上到线下连锁门店配送优化模型[J]. 交通运输系统工程与信息, 2020, 20(5): 212-217.
[13]	于江霞，杜红亚，罗太波. 基于客户分类的即时配送路径优化研究[J]. 交通运输系统工程与信息, 2020, 20(4): 202-208.
[14]	田宇，周强，朱本飞 . 自动化集装箱码头双循环AGV与场桥的集成调度研究[J]. 交通运输系统工程与信息, 2020, 20(4): 216-223.
[15]	陆文琦，芮一康，冉斌，谷远利. 智能网联环境下基于混合深度学习的交通流预测模型[J]. 交通运输系统工程与信息, 2020, 20(3): 47-53.