基于组合模型的二手汽车配件需求预测

　　摘要：随着汽车保有量增长，汽车售后服务行业快速发展，售后服务成为二手汽车产业链中的主要获利途径。配件库存直接影响着二手汽车售后服务质量，文章针对二手汽车配件预测问题，使用ARIMA与BP神经网络的组合模型进行配件需求预测。以铝合金车轮为例进行实证分析，组合模型进行配件需求预测具有更高的预测精度。

　　关键词：物流工程；熵权法；需求预测

　　汽车售后配件销售业务因为涉及其产业链上下游的多家企业，配件需求预测显得尤为重要。更好的售后服务就要求配件保有量相对增多，但不断增加的配件保有量所带来的后果就是成本增高，库存过剩风险增大。解决这个问题则需要对配件的需求进行准确的预测。

　　汽车配件需求处于显著的动态变换环境中，单一模型预测具有局限性，本文采用ARIMA和BP神经网络的组合模型对中国某企业2017年1月至2019年7月某地铝合金车轮物流需求进行分析和预测。两种模型从不同角度对数据信息的提取，ARIMA模型提取了线性部分，神经网络提取了非线性部分，组合模型充分利用两种模型各自的优势，提高了预测的精确性。

　　一、基于熵权法的组合预测模型

　　本文利用并联型组合模型，其基本思想就是根据各个单一模型的预测结果赋予各个模型不同的权重，确定组合预测模型的权数使最终的预测结果收敛在一个较窄的区间内，提高模型的拟合能力。本文利用相对误差的信息熵理论进行组合预测模型的赋权研究，熵权法的基本步骤如下：

　　对各个指标的相对误差进行绝对值处理

　　eit=|（yi-yit）/yi|（1）

　　其中，eit∈[0，1]，yi表示第i种单项预测模型的结果，yit表示第i种方法在t时刻的预测值，其中i∈（1，n），i∈[1，n]，t∈[1，N]；

　　进行归一化处理：

　　dit=eit/eit（2）

　　其中，dit表示第i种方法在t时刻的相对误差比重。

　　计算各预测方法的相对误差熵值：

　　hi=-ditlndit（3）

　　计算变异程度系数：

　　pi=1-hi（4）

　　其中，hi∈[0，1]

　　各预测指标的加权系数：

　　li=

　　1-（5）

　　li即为组合预测模型中各单项预测模型应赋权数，因此，使用组合预测法所得在t时刻的预测值赠赞t为：

　　赠赞t=liyit（6）

　　因此，组合预测模型的实施步骤为：

　　第一步：进行单项预测。分别根据原始数据进行ARIMA预测和BP神经网络预测，得出相应的预测结果和误差。

　　第二步：计算权重。根据单项预测的误差，利用熵权法确定权重。

　　第三步：根据式（6）得出结果。

　　二、实例分析

　　为使预测结果更加全面性，现进行以ARIMA模型和BP神经网络模型为单项预测模型的组合预测。

　　（一）设立组合预测模型

　　建立组合预测模型如下：

　　y=l1y1+l2y2（7）

　　其中，y为某地的铝合金车轮需求量组合预测模型预测值。

　　y1、y2分别为ARIMA模型和BP神经网络模型预测值。

　　l1、l2分别为ARIMA模型和BP神经网络模型的权重。

　　（二）确定权重

　　首先，已知两种单项预测方法在不同时刻的预测值y1、y2：

　　由式（1）可计算出两种单项预测模型的各个指标的相对误差绝对值，并根据式（2）对相对误差序列进行归一化处理，见表2。

　　由式（3）、式（4）计算各预测模型的熵值h与变异程度系数p：

　　h1=-×d1tlnd1t=0.8947

　　h2=-×d2tlnd2t=0.9593

　　p1=1-0.8947=0.1053p2=1-0.9593=0.0407

　　由式（5）计算两种单项预测的加权系数l

　　l1=0.385；l2=0.615

　　l1=

　　1-=0.2788

　　l2=

　　1-=0.7212

　　由式（7）知，组合预测模型为：

　　y=0.2788y1+0.7212y2（8）

　　（三）组合模型的预测结果

　　由所建立的组合预测模型，结合2019年3月至7月年中国某企业某地铝合金车轮预测值进行计算，结合预测模型预测结果如表3所示。

　　由表3可知，组合预测的平均绝对百分比误差为0.3550%，比ARIMA模型和BP神经网络预测的平均绝对误差都小，说明模型精度较佳。

　　三、结语

　　本文基于ARIMA模型和BP神经网络模型使用熵权法，给出了中国某企业某地铝合金车轮的组合预测模型。组合模型充分利用了两种单一模型的优点，提高了预测精度，因此可以作为某地铝合金车轮需求量的预测工具，预测结果具有参考意义。