基于农产品冷链物流需求的物流节点布局优化方法及系统

摘要

本发明公开了基于农产品冷链物流需求的物流节点布局优化方法及系统，包括：对获取的待预测区域的历史时间范围内农产品冷链物流基础数据进行变量筛选，筛选出若干个变量；对每一个变量进行预测，得到所有变量预测值；基于所有变量预测值和多元线性回归模型，得到第一农产品冷链物流需求预测值；基于所有变量预测值和预先训练好的BP神经网络，得到第二农产品冷链物流需求预测值；对第一农产品冷链物流需求预测值和第二农产品冷链物流需求预测值，进行加权求和，得到最终的农产品冷链物流需求预测值；基于待预测区域最终的农产品冷链物流需求预测值、已有物流节点的规模、和已有物流节点与待预测区域的距离，得到物流节点的规模优化方案。

说明书

技术领域

本申请涉及物流需求预测技术领域，特别是涉及基于农产品冷链物流需求的物流节点布局优化方法及系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

在如今的二十一世纪，人们观念的改变与繁荣的市场经济逐渐推动出新兴的农产品流通体系，一个注重农产品的高质量、高效率的农产品运输、良性规模经济的农产品市场已经逐渐形成。传统的农产品运输、流通等环节已经无法满足现代化的农产品市场，也无法满足人民对农产品质量的追求。

冷链物流的快速发展投合了人们对蛋、奶、生鲜、果蔬等产品日益增长的需求，但是，据发明人了解，现有的冷链物流需求预测缺乏合理的预测方法，预测结果不准确，不能够有效指导物流行业的生产和发展，尤其是不能科学合理的解决农产品冷链物流的物流节点选址问题和已有物流节点的规模优化问题。

发明内容

为了解决现有技术的不足，本申请提供了基于农产品冷链物流需求的物流节点布局优化方法及系统；

第一方面，本申请提供了基于农产品冷链物流需求的物流节点布局优化方法；

基于农产品冷链物流需求的物流节点布局优化方法，包括：

对获取的待预测区域的历史时间范围内农产品冷链物流基础数据进行变量筛选，筛选出若干个变量；

对每一个变量进行预测，得到所有变量预测值；

基于所有变量预测值和多元线性回归模型，得到第一农产品冷链物流需求预测值；基于所有变量预测值和预先训练好的BP神经网络，得到第二农产品冷链物流需求预测值；

对第一农产品冷链物流需求预测值和第二农产品冷链物流需求预测值，进行加权求和，得到最终的农产品冷链物流需求预测值；

基于待预测区域最终的农产品冷链物流需求预测值、已有物流节点的规模、和已有物流节点与待预测区域的距离，得到物流节点的规模优化方案。

第二方面，本申请提供了基于农产品冷链物流需求的物流节点布局优化系统；

基于农产品冷链物流需求的物流节点布局优化系统，包括：

变量筛选模块，其被配置为：对获取的待预测区域的历史时间范围内农产品冷链物流基础数据进行变量筛选，筛选出若干个变量；

变量预测模块，其被配置为：对每一个变量进行预测，得到所有变量预测值；

需求预测模块，其被配置为：基于所有变量预测值和多元线性回归模型，得到第一农产品冷链物流需求预测值；基于所有变量预测值和预先训练好的BP神经网络，得到第二农产品冷链物流需求预测值；

加权模块，其被配置为：对第一农产品冷链物流需求预测值和第二农产品冷链物流需求预测值，进行加权求和，得到最终的农产品冷链物流需求预测值；

输出模块，其被配置为：基于待预测区域最终的农产品冷链物流需求预测值、已有物流节点的规模、和已有物流节点与待预测区域的距离，得到物流节点的规模优化方案。

第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。

第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。

与现有技术相比，本申请的有益效果是：

利用主成分分析对各类指标进行降维并使用时间序列预测出各主成得分，在主成分分析的基础上构造多元线性回归模型与神经网络模型对某省农产品冷链物流需求进行预测，并对其组合预测模型进行比较，一定程度上能为农产品冷链物流产业发展提供部分参考与决策依据；能科学合理的解决物流节点选址问题和已有物流节点的规模优化问题。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为第一个实施例的方法流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例提供了基于农产品冷链物流需求的物流节点布局优化方法；

如图1所示，基于农产品冷链物流需求的物流节点布局优化方法，包括：

S101：对获取的待预测区域的历史时间范围内农产品冷链物流基础数据进行变量筛选，筛选出若干个变量；

S102：对每一个变量进行预测，得到所有变量预测值；

S103：基于所有变量预测值和多元线性回归模型，得到第一农产品冷链物流需求预测值；

基于所有变量预测值和预先训练好的BP神经网络，得到第二农产品冷链物流需求预测值；

S104：对第一农产品冷链物流需求预测值和第二农产品冷链物流需求预测值，进行加权求和，得到待预测区域最终的农产品冷链物流需求预测值；

S105：基于待预测区域最终的农产品冷链物流需求预测值、已有物流节点的规模、和已有物流节点与待预测区域的距离，得到物流节点的规模优化方案。

作为一个或多个实施例，所述S101：对获取的待预测区域的历史时间范围内农产品冷链物流基础数据进行主成分分析，筛选出若干个关键主成分；步骤之前还包括：

S100：获取待预测区域的历史时间范围内农产品冷链物流基础数据；

对获取的农产品冷链物流基础数据进行预处理；所述预处理，包括：去噪处理和缺失值补全处理。

进一步地，所述农产品冷链物流基础数据，包括：待预测区域年末常住人口、社会消费品零售总额、农产品生产价格指数、果蔬产量、待预测区域的年货运量和待预测区域的年周转量。

进一步地，所述去噪处理，是指：计算平均值，将超出平均值设定范围的数据视为噪声数据，予以剔除。

进一步地，所述缺失值补全处理，是指：将平均值填充到缺失值数据位置中。

作为一个或多个实施例，所述S101：对获取的待预测区域的历史时间范围内农产品冷链物流基础数据进行变量筛选，筛选出若干个变量；具体包括：

对获取的待预测区域的历史时间范围内农产品冷链物流基础数据，采用主成分分析算法进行变量筛选，筛选出若干个变量。

应理解的，主成分分析是一种降维算法，它能将多个指标转化为少数几个主成分，这些主成分是原始指标的线性组合，主成分分析用较少的变量代替较多的变量，这使得数据更易使用，降低了算法的计算复杂度，去除了部分噪声数据，也使得结果更易理解。

选取的影响待预测区域农产品冷链物流预测的指标较多，且各指标之间具有较强的相关性，因此可以使用主成分分析对数量较多的指标进行简化，便于接下来的模型构建。借助SPSS软件中的因子分析功能，对十个影响指标进行标准化与主成分分析，达到降维的效果。

表1总方差解释

如图可视，特征值大于1的主成分有两个，其累计贡献率达到86.17％，这说明其涵盖了85％以上的原始变量信息，效果较好。进一步结合碎石图可知，提取两个主成分较为合理。

表2成分得分系数矩阵

由成分得分系数矩阵可以看出主成分与个各影响因素之间的关系，用F

在SPSS中利用成分得分系数反算出两个主成分的标准化得分：

表3主成分得分

作为一个或多个实施例，所述S102：对每一个变量进行预测，得到所有变量预测值；具体步骤包括：

基于时间序列预测，对每一个变量进行预测，得到所有变量的预测值。

时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。

使用SPSS中的专家建模器建立时间序列模型，对2003至2019年间的主成分数据进行预测，专家建模器会自动查找每个相依序列的最佳拟合模型，专家建模器考虑指数平滑模型与ARIMA模型，结果如下：

表4时间序列模型

专家建模器分别选取了ARIMA(0,1,0)与ARIMA(1.0,0)为时间序列预测模型，ARIMA模型将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。SPSS对两个主成分的预测结果如下：

表5时间序列预测结果

作为一个或多个实施例，所述S103：基于所有变量预测值和多元线性回归模型，得到第一农产品冷链物流需求预测值；具体步骤包括：

将所有变量预测值，输入到多元线性回归模型，得到第一农产品冷链物流需求预测值。

多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。借助SPSS软件建立待预测区域农产品冷链物流需求总额Y与主成分F

表6线性回归系数

由上述求解结果得到的主成分回归方程如下：

标准化方程：Y＝0.983F

非标准化方程：Y＝132.141F

借助往年数据对常数c估计得c＝4167.757

表7线性回归误差

进一步分析多元回归模型输出表，模型的拟合优度R2为0.987，调整后R2为0.985>0.9，模型拟合较好。

将时间序列预测求得的主成分预测值代入多元回归方程中，可以得到未来三年的待预测区域农产品冷链需求预测值：

表8回归预测值

作为一个或多个实施例，所述S103：基于所有变量预测值和预先训练好的BP神经网络，得到第二农产品冷链物流需求预测值；具体步骤包括：

将所有变量预测值，输入到预先训练好的BP神经网络，得到第二农产品冷链物流需求预测值。

进一步地，所述预先训练好的BP神经网络的训练步骤包括：

构建BP神经网络；构建训练集；所述训练集为已知物流需求量的农产品冷链物流基础数据；

将训练集输入到BP神经网络中，对BP神经网络进行训练，得到训练好的BP神经网络。

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

由于农产品冷链物流需求受到的影响因素较多且相互之间的关系复杂，并不是单纯的线性系统，为使待预测区域农产品冷链物流需求预测模型结果更为科学、准确，在主成分分析的基础上，本申请建立了BP神经网络预测模型。

神经网络模型的输入层为二，即主成分分析后提取的两个主成分，输出层为一，神经元为十个。

为保证BP神经网络模型的准确性，提高神经网络效率，将数据分为训练集、验证集和测试集。训练集用于模型拟合的数据样本，验证集是模型训练过程中单独留出的样本集，测试集用来评估模最终模型的泛化能力。训练集、验证集和测试集的比例分别为70％、15％和15％。

经过多次训练，迭代次数为357次，误差较小，神经网络模型的训练效果较好。利用Matlab求得待预测区域农产品冷链物流需求预测值如下：

表9神经网络预测结果

作为一个或多个实施例，所述S104：对第一农产品冷链物流需求预测值和第二农产品冷链物流需求预测值，进行加权求和，得到最终的农产品冷链物流需求预测值；具体步骤包括：

对第一农产品冷链物流需求预测值和第二农产品冷链物流需求预测值，采用方差倒数法获取到的权重，进行加权求和，得到最终的农产品冷链物流需求预测值。

作为一个或多个实施例，所述S105：基于待预测区域最终的农产品冷链物流需求预测值、已有物流节点的规模、和已有物流节点与待预测区域的距离，得到物流节点的规模优化方案；具体步骤包括：

基于待预测区域最终的农产品冷链物流需求预测值、已有物流节点的规模、和已有物流节点与待预测区域的距离，采用优化算法得到物流节点的规模优化方案。

所述采用优化算法得到物流节点的规模优化方案，例如是指：

基于待预测区域最终的农产品冷链物流需求预测值建立对应的目标函数；

基于已有物流节点的规模、和已有物流节点与待预测区域的距离建立约束条件；

利用蚁群算法或遗传算法，求解目标函数和约束条件，获取已有物流节点扩增面积最优值或求解候选物流节点位置最优值。

主成分分析作为常见的降维方法，能够对众多指标数据进行降维，转换为数量较少的主成分，有利于接下来的数据预测。基于主成分指标与农产品冷链物流需求数据构建起多元线性回归模型与神经网络模型，而两者组合而成的组合预测模型既考虑到线性回归的科学简便又兼顾神经网络的精确可靠。而时间序列预测的运用也使得主成分的预测更加准确，进而达到使用主成分进行预测的目的。

使用待预测区域常住人口数量*人均农产品消费量作为待预测区域农产品冷链物流的需求量，其中人均农产品消费量主要包括水果、蔬菜、肉类、禽蛋、水产品和奶类等主要农产品的需求量之和。

组合预测模型可以通过一定的组合策略或者方法将多个单一的预测模型进行组合，一定程度上弥补单一模型预测在某些方面存在的不足，通过科学合理的组合方式提高组合模型的预测能力。现实中的农产品冷链物流系统比较复杂，影响其需求的因素较多，单纯的利用某种单一的预测模型进行预测往往具有一定的片面性，因此本申请利用多元回归与神经网络的组合预测模型来综合考虑农产品冷链物流的影响因素，降低单一预测模型的片面性，以期取得更好的预测效果。

基于多元线性回归与BP神经网络的组合预测模型更加科学合理，一方面借助多元线性回归模型计算简单、科学合理的特点；另一方面结合BP神经网络预测准确，误差较小的优势，既可实现多元线性回归模型构建简单方便、科学合理的特点，又可以借助BP神经网络模型深入拟合，提升了模型的可靠性、准确性，有助于组合模型预测的准确合理。

确定组合模型权重的方法有很多，其中较为简单且应用广泛的有：算数平均法、方差倒数法、均方误差倒数法、简单加权平均法等。算数平均法也被称为等权平均法，其原理是将所有单项预测模型同等看待，使得各方法的权系数都相等；方差倒数法是依据预测误差平方和来计算权系数，其数值越大，表明该项预测模型的预测精度就越低，赋予该项预测模型的权重系数越小，反之，赋予的权重系数越大；均方误差倒数方法也是依据单项预测模型的误差平方和的数值越大，其加权系数就应该越小的原理；简单加权平均法是先把各单项模型预测误差的平方和进行排序，排序越靠前面的单项预测模型，在组合预测中的加权系数就应越小。

表10组合模型比较

由上表可以看出，使用不同方法确定权重的的组合预测模型各有差距，从其平均绝对误差和误差平方和来看，误差最小的是方差倒数法，其次是均方误差倒数法和简单加权平均法，因此组合模型使用方差倒数法的效果最好。

本申请利用Spss与Matlab等软件，将主成分分析与时间序列预测相结合，在此基础上运用多元线性回归与神经网络更加科学准确的对待预测区域农产品冷链物流需求进行预测。本申请在数据指标的选取上结合研究与实际，考虑到影响待预测区域农产品冷链物流的众多因素后，从各个角度建立起需求预测指标体系，主成分分析作为常见的降维方法，将类别较多的数据指标转换为数量较少的主成分，有利于多元线性回归与神经网络的预测。多元线性回归与神经网络的组合模型既考虑到线性回归的科学简便又兼顾神经网络的精确可靠。各类预测模型的结果表明待预测区域2020-2022年期间农产品的冷链需求呈现出明显的上升趋势，预示着待预测区域在农产品冷链物流领域将会迎来发展的重要机遇，农产品冷链物流的发展具备强劲的动力。

实施例二

本实施例提供了基于农产品冷链物流需求的物流节点布局优化系统；

基于农产品冷链物流需求的物流节点布局优化系统，包括：

变量筛选模块，其被配置为：对获取的待预测区域的历史时间范围内农产品冷链物流基础数据进行变量筛选，筛选出若干个变量；

变量预测模块，其被配置为：对每一个变量进行预测，得到所有变量预测值；

需求预测模块，其被配置为：基于所有变量预测值和多元线性回归模型，得到第一农产品冷链物流需求预测值；基于所有变量预测值和预先训练好的BP神经网络，得到第二农产品冷链物流需求预测值；

加权模块，其被配置为：对第一农产品冷链物流需求预测值和第二农产品冷链物流需求预测值，进行加权求和，得到最终的农产品冷链物流需求预测值；

输出模块，其被配置为：基于待预测区域最终的农产品冷链物流需求预测值、已有物流节点的规模、和已有物流节点与待预测区域的距离，得到物流节点的规模优化方案。

此处需要说明的是，上述变量筛选模块、变量预测模块、需求预测模块、加权模块和输出模块对应于实施例一中的步骤S101至S105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。

所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。

实施例三

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

实施例四

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。