基于机器学习的天河机场物流预测研究_彭婷.pdf

物流科技 2023 年第 5 期 3 月上收稿日期：2022-08-08作者简介：彭婷（1999），女，湖北孝感人，武汉科技大学恒大管理学院硕士研究生，研究方向：物流与供应链管理；邓旭东（1964），男，湖北云梦人，武汉科技大学恒大管理学院，教授，硕士，研究方向：管理优化与决策、物流与供应链管理。引文格式：彭婷，邓旭东.基于机器学习的天河机场物流预测研究J.物流科技，2023,46(5)：97-100,108.交通运输文章编号：1002-3100（2023）05-0097-05Logistics Sci-Tech March,2023（the first half）物流科技 2023 年第 5 期 3 月上摘要：全球经济快速增长的形势下，八大区域性枢纽之一的武汉天河机场的物流需求也在攀升。文章针对天河机场的货邮吞吐量，运用机器学习中的线性回归模型通过 Python 对其进行需求预测，并用二次指数平滑法与之对比，在平均绝对百分误差比较下得出机器学习对预测具有更好精准度。关键词：物流预测；机器学习；线性回归；航空物流中图分类号：F560文献标志码：ADOI：10.13714/ki.1002-3100.2023.05.023Abstract:With the rapid growth of global economy,logistics demand of Wuhan Tianhe Airport,one of the eight regional hubs,isalso rising.Based on the cargo throughput of Tianhe Airport,this paper uses the linear regression model of machine learning topredict its demand through Python,and compares it with quadratic exponential smoothing method.Under the comparison of average absolute percentage error,it is found that machine learning has better accuracy for prediction.Key words:logistics forecast;machine learning;linear regression;aviation logistics0引言武汉是九省通衢的湖北省省会，是华中地区的对外贸易港口，其航空更是长江领域的发展中心，武汉的航空枢纽网络以及航空物流运输系统一直备受当地政府和企业关注。武汉天河机场被定位为八大区域性枢纽机场之一，是华中地区第一门户机场和首个 4F 机场。截至 2020 年末，武汉天河机场通航城市航线有 200 条，国际航线 63 条。2019 年，可满足货物的吞吐量为 24万吨、飞机起降 20 万架次的需要；2020 年末，可满足年货邮吞吐量 44 万吨、飞机起降 40 万架次的需要。面对货邮量的快速增长，加之因疫情影响下暴露的诸如航空货运效率问题以及航空物流运输体系不完善等问题，研究航空物流对物流服务的供求平衡以及满足人民生活的需求有着重要意义。物流需求预测是一个经久不衰的话题，不同的学者对此做的研究也是不尽相同。Baisariyev M 等人1用 Bootstrap 方法对航空备件物流预测，有助于航空备件物资管理；郑文儒等人2运用博弈论和三次指数平滑法对厦泉两港联盟进行探讨及集装箱吞吐量的预测；潘正桐3运用机器学习时间序列对中国货物运输量进行了预测研究；胡小建等人4通过构建物流需求多元非线性组合回归预测模型，优化了方法。这些预测方法最后都有较好的实际运用效果。本文采取机器学习的线性回归模型对武汉天河机场 20012020 的物流数据及武汉市的地方生产总值进行拟合分析，并与二次指数平滑模型的预测结果进行平均绝对百分误差 MAP()E 对比，得到机器学习具有更好的预测精准度，从而预测了未来的天河机场货邮吞吐量，可为相关企业制定规划方案及对未来的发展趋势提供一定参考。1建模与预测1.1模型建立1.1.1机器学习模型建模过程机器学习是当前发展最热的人工智能的重心，学习是人类发展进步的源泉，机器学习指通过一定程序使得计算机可以像人类一样进行学习，它模拟并实现人类的学习行为5，使得计算机可以在已有的知识结构与思维深度上不断学习新的知识与技能，实现更多对应问题的解决方案，自身的性能不断优化。机器学习的学习算法多种多样，现有研究将其分为两种算法监督学习和无监督学习；从字面上理解，监督学习即指计算机是在教导和引领下完成相应的任务，而无监督学习是指让计算机自主学习。本文的线性回归模型则属于机器学习中的监督学习，具体建模过程将在本节阐述。通过寻求两个或多个变量之间的相互联系依存关系，并运用数学统计学中的回归分析，这种方法称为线性回归（LinearRegression)，即是使用类似 y=ax+b 的拟合方式对输入变量和输出变量之间的关系进行映射，这种方法可以对一个及多个自变因基于机器学习的天河机场物流预测研究Research on Logistics Prediction of Tianhe Airport Based on Machine Learning彭婷，邓旭东（武汉科技大学，湖北 武汉 430065）PENG Ting,DENG Xudong（Wuhan University of Science and Technology,Wuhan 430065,China）97物流科技 2023 年第 5 期 3 月上基于机器学习的天河机场物流预测研究素与因变因素之间的相互关系进行建模处理，最小平方函数指由单个或多个回归系数中的模型参数组成的线性组合，这种线性回归利用由特定的线性回归方程的最小平方函数来实现。线性回归的拟合处理映射如图 1 所示。机器学习中的这种线性回归模型问题是对于每一个输入的数据都有一个对应的输出值，这也是它被称为监督学习的原因。对于“回归”的解释是指通过对以往数据的拟合分析，可以得一个关于这组数据确切的预测值。对于本文的研究问题来说输出值就是航空货邮的吞吐量。地区生产总值 GDP函数机场货邮吞吐量学习算法训练集图 2监督学习算法工作模式20406080100302010图 1线性回归的拟合处理映射图 2 展示的工作模式属于机器学习中两种主流算法之一的监督学习算法，通过这样一种学习算法的工作，把武汉市的地区生产总值 GD()P 作为输入变量，通过训练集里实际的货邮吞吐量，学习算法会在此次程序运行中输出一个函数，该函数用 h 表示，h 即为 hypothesis。在本文中，这是一个单变量线性回归问题，本文的变量为武汉市的地区生产总值 GD()P，对于要预测的货邮吞吐量的值，需要在函数 h 中输入地区生产总值的数据（即为 x），从而得到货邮吞吐量的预测值（即为 y），函数 h 会根据输入的 x 值来输出对应的 y 值。所以，这可以解释从 x 到 y 的映射是为函数 h。函数 h 表达式如下：h()x=0+1x（1）式（1）中对于模型参数（parameters）0、1的选取非常重要，在本文案例中该参数就是直线的斜率和在 y 轴上的截距。同时，在线性回归中还存在一个训练集，训练样本的个数用 m 表示。对于参数的选择决定了对训练集预测的准确度，所预测处理的数值与训练集中实际数值的参差称为建模误差。所以，目标就是使得建模误差最小，缩小预测值与实际值的距离。将建模误差表示为代价函数 J 0,1()=12mi=1mhx()i()-y()i()2，对于代价函数 J 0,1()最小化的求解可用梯度下降算法，表示如下：j:=j-jJ()（2）式（2）表示的意思是通过对 赋值得到局部范围的最小值，这样 J()的下降方向就等同于梯度下降最快的方向。式（2）中，意味着学习率，它表示代价函数随着梯度下降最快方向的步伐，也可以理解为下降速度。所以，要将梯度下降和代价函数的结合应用于本文案例中，进行具体数值的拟合分析研究。由上分析，模型 hypothesis：h()x=0+1x（3）模型参数 parameters：0、1（4）代价函数 cost function：J 0,1()=12mi=1mhx()i()-y()i()2（5）目标 goal：minimize0,1J 0,1()（6）1.1.2二次指数平滑模型建模过程一次指数平滑以第 t 期的实际值与预测值的加之平滑系数 的线性组合，所求解的值为第 t+1 期的预测值，这样预测方法的缺陷是当数据存在趋势时，一次指数平滑预测会出现滞后现象。二次指数平滑是在一次基础上的优化，纠正了一次预测的不确定性与预测的滞后性，因为二次预测的方法可以在一次的基础上给出趋势的修正，所以也谓之趋势调整指数平滑法。先用一次指数平滑法得到基数预测值，随后通过对数据趋势变化的计算进行预测修正。其公式如下：DFt=SFt+Tt（7）SFt=At-1+1-()SFt-1（8）Tt=SFt-SFt-1()+1-()Tt-1（9）其中：DFt代表第 t 期的二次指数平滑预测值，SFt代表第 t 期的一次预测值，T0初始值事先给定，为趋势平滑系数。预测步骤是，第一步，计算第 t 期的一次指数平滑预测值 SFt；第二步，用 Tt=SFt-SFt-1()+1-()Tt-1计算趋势；第三步，在趋势调整的基础上得到二次指数平滑预测值 DFt=SFt+Tt。98物流科技 2023 年第 5 期 3 月上由上建模过程的分析可得，预测值与平滑系数 的确立息息相关，值的选取是非常重要的。平滑系数 值的选取越小，则意味着对现阶段数据的权重较小，对远期数据的权重较大，这样使得最终结果的预测稳定性较好，但当现阶段数据出现较大波动时，则预测不准确；平滑系数 值的选取越大，代表较为看重现阶段数据，这样预测出来的结果是代表响应性较好。当应用到具体案例中时，还需根据数据的特点，来进行平滑系数 的选择。1.2武汉天河机场货邮吞吐量预测1.2.1机器学习的线性回归模型预测对机场货邮吞吐量的预测可以使得航空公司的货运配送路线及配送时间规划得更加精准，对内可以整体上提升航空公司在物流方面的筹划，对外可以优化物流服务水平，而机场的货邮吞吐量和地区经济水平息息相关。因此，选取 20012021 的地区生产总值 GD()P 的统计数据作为输入变量，航空货邮吞吐量的统计数据作为输出变量，原始数据如表 1 所示，构建线性回归模型。表 1武汉市 GDP 与机场货邮吞吐量年份武汉市 GDP（万亿元）机场货邮吞吐量实际值（万吨）年份武汉市 GDP（万亿元）机场货邮吞吐量实际值（万吨）20010.134.450 720120.7812.820 020020.155.188 120130.8712.945 020030.165.502 220141.0014.303 020040.196.137 820151.0515.466 020050.236.401 720161.1517.530 020060.277.377 020171.3118.502 020070.328.959 620181.4922.158 020080.418.985 320191.6224.319 020090.4710.187 020201.5618.936 020100.5511.019 020211.7731.560 020110.6612.276 0在程序运行中，第一步，先计算代价函数 h()x=T*x，x 是矩阵；T 表示转置，np.power A,()B 表示对 A 求 B 次方：def computecost x,y,thet()a：inner=np.powerx*theta.()T-()y,()2return np.sum inne()r/2*len()x()data.insert 0,Ones,()1第二步