基于组合模型的某农场电商生鲜农产品需求预测研究

马佳玉，孙宗军 MA Jiayu, SUN Zongjun

（1. 西安汽车职业大学，陕西 临潼 710038；2. 山东科技大学，山东 青岛 266590）

0 引 言

随着国民经济的迅猛发展，生鲜农产品市场规模也日益扩大，数据资料[1]显示肉类、水产品、水果、奶类及蛋禽类总产量由2007 年的4 065.9 万t 增加到2018 年的47 075.8 万t，蔬菜产量由2007 年的15 615 千hm增加到2018 年的20 439 千hm。面对日益复杂的生鲜农产品的供需现状，如何准确把握生鲜农产品的发展方向与增长趋势，已经成为困扰农产品经营企业发展的难题。

现有的人工神经网络、径向基神经网络、趋势外推法、多元线性回归模型、灰色模型、时间序列模型、支持向量机[等单一预测模型都难以消除自身的缺陷，应用于需求量短期精准预测时往往误差较大。将多个单一预测模型进行科学组合，可以有效克服单一预测方法局限，因而组合预测模型在需求预测中预测结果精度更高。曹霜通过建立小波分析下的SVMARIMA 组合模型，并提取4 个影响变化趋势的影响因素对农产品价格进行了预测；黄凯提出了基于GM 模型、BP 神经网络和RBF 神经网络的生鲜农产品冷链物流需求组合预测模型，对我国2018～2022 年的生鲜农产品冷链物流需求量进行了预测；崔毅充分发挥灰色理论和马尔科夫链的自身优势，构建了灰色马尔科夫预测模型，预测了青岛市2018～2024 年的冷链物流需求，为青岛未来冷链物流的发展提供参考。

本文基于Sharply 值权重分配法构建了ARIMA-SVM 组合预测模型，应用于青岛某农场生鲜农产品的需求量预测，并采用RMSE、MAE 和MAPE 对ARIMA 模型、SVM 模型及ARIMA-SVM 组合模型的预测精度准确进行评判，预测模型及结果可为农产品经营企业生鲜农产品生产规划提供理论指导。

1 相关模型

1.1 ARIMA 模型。ARIMA 模型即为差分自回归移动平均模型，是一种可以用于时间序列数据的预测方法，ARIMA 模型的控制主要通过自回归系数p、移动平均项数q 及平稳序列差分次数d 实现。ARIMAp,q,d )表达式如式（1） 所示。

式中：y^为组合预测值；λ为ARIMA 模型在组合预测模型中占比；λ为SVM 模型在组合预测模型中占比；y^为ARIMA模型的预测值；y^为SVM 模型的预测值。

2 农场电商生鲜农产品需求量预测指标体系

从青岛市某农场电商生鲜农产品的供给状况、社会经济环境、人文因素、载运情况、线上影响5 个角度选取影响因素。对选取影响指标进行收集整理，得到物流需求量指标体系如表1 所示：

表1 生鲜农产品需求量指标体系表

3 某农场生鲜农产品需求预测分析

3.1 组合模型参数确定。本文选取了ARIMA 模型以及SVM 模型进行Sharply 值组合，两种模型的权重分别在1/2 附近，为保证组合预测模型预测效果的准确性，需要进行统计学分析，结果如表2 所示：

表2 单一预测模型权重分配统计结果

图1 多种模型预测生鲜农产品需求量拟合效果

选择RMSE、MAE 以及MAPE 对三种预测模型的准确性进行评判，其中：RMSE 为均方根误差，用来表征预测结果的离散程度，在进行非线性拟合时RMSE 越小越好；MAE 为平均绝对误差，对预测偏差直接计算平均，MAE 值越小则预测模型精确度越好；MAPE 为平均绝对百分误差，MAPE 为0%是完美模型，MAPE 大于100%是劣质模型。三种模型预测结果误差分析如表3 所示。

表3 多种模型预测结果误差表

对比三种预测模型的RMSE，组合预测模型预测精度最高，ARIMA 模型预测精度次之，SVM 模型预测结果存在局部较大偏差；对比三种预测模型的MAE，组合预测模型的预测结果更优；对比三种预测模型的RMSE，组合模型、ARIMA 模型预测值较实际值分别偏离0.4%、0.9%，预测模型的预测结果可靠，SVM 模型预测值较实际值偏离2.1%，预测精度稍逊。因此，ARIMA 模型与SVM 模型在需求量预测整体趋势上表现出良好的拟合优度，但在部分区间内需求量预测结果欠佳；Sharply 值组合预测模型兼顾ARIMA 模型与SVM 模型的优势，能够完整、可靠地进行生鲜农产品需求量的预测。

提取农场生鲜农产品销售数据，选用ARIMA 模型、SVM 模型以及Sharply 值组合模型分别进行2019 年第4 季度需求量预测，如表4 所示。结果表明，Sharply 值组合模型在短期预测中可以达到较好的预测效果，预测结果有较强的实际应用价值和指导意义。

表4 2019 年第4 季度生鲜农产品需求量预测

4 结 论

本文通过Sharply 值法构建了ARIMA-SVM 组合模型，并基于ARIMA 模型、SVM 模型以及Sharply 值组合模型进行了某农场电商生鲜农产品的需求量预测，主要得出以下结论：（1） 在统计学分析的基础上，确定了Sharply 值的ARIMA-SVM 组合模型为y^=0.5717y^+0.4282y^。（2） 需求量误差分析结果显示，ARIMA 模型与SVM 模型在需求量整体趋势预测表现良好，但部分区间预测结果欠佳；Sharply 值组合预测模型显著提高了预测精度，能够完整、可靠地进行生鲜农产品需求量的预测。（3）Sharply 值的组合模型对该农场2019 年第4 季度需求量预测效果较为可靠，预测结果可以为农场生鲜农产品产销提供理论指导。