刘艳^1*， 季俊成²

（1.深圳信息职业技术学院 财经学院，广东深圳 518000，中国；2.澳门理工大学 应用科学院，澳门特别行政区 999078，中国）

摘要：［目的/意义］为了解决冷链物流需求预测在数字化转型中存在特征提取不充分、数据非线性程度高和算法易陷入局部最优等问题，提出一种结合灰色关联分析（Grey Relational Analysis， GRA）、野马优化算法（Wild Horse Optimizer， WHO）和时序卷积网络（Temporal Convolutional Networks， TCN）的组合预测模型，旨在解决需求预测精度不高的问题，以实现农产品供应链智能化管理。

［方法］首先运用GRA对农产品冷链物流相关指标进行关联度筛选；其次采用TCN充分考虑农产品供应链中社会经济数据及物流信息中的时序性特征，并使用WHO对TCN模型超参数进行寻优；最后运用优化的GRA-WHO-TCN模型对浙江省冷链物流需求进行预测。

［结果和讨论］采用WHO的时序算法TCN模型能够有效提取多维度数据的时序特征和空间特征，具备较好的拟合效果。与GRA-LSTM、GRA-TCN和GRA-WHO-LSTM模型相比，GRA-WHO-TCN冷链物流需求预测模型具有较低的均方根误差值（11.3）和有效的相关系数（0.95），且预测2016—2020年浙江省农产品冷链物流需求量分别为2 980、3 046、2 487、2 645和2 799万吨，能够实现对冷链物流需求较高的预测精度。

［结论］提出的GRA-WHO-TCN模型具备良好的优化和预测能力，能够为数字经济背景下农产品供应链物资流、信息流发展提供科学预测依据和实际参考价值。

关键词： 数字化转型；农产品供应链；冷链物流；灰色关联分析；野马优化算法；时序卷积网络

文章图片

图1 时序卷积神经网络结构图

Fig. 1 Structure of temporal convolutional networks

图2 冷链物流需求量影响指标灰色关联度

Fig. 2 Grey correlation degree of impact indicators on cold chain logistics demand

图3 农产品冷链物流数据滑动窗口划分

Fig. 3 Sliding window division of agricultural products cold chain logistics data

图4 LSTM网络和TCN参数优化结果

Fig 4 Optimization results of LSTM net and TCN parameters

图5 GRA-WHO-LSTM和GRA-WHO-TCN模型适应度变化

Fig. 5 Changes in fitness of GRA-WHO-LSTM and GRA-WHO-TCN models

通讯作者简介

刘艳 博士

刘艳，哈尔滨工业大学管理科学与工程博士，深圳信息职业技术学院财经学院讲师，目前受聘为区政协咨询委员会咨询委员，主要从事区域经济与产业政策、供应链管理、金融科技等领域研究，有多年从事商业银行产品研发业务的工作经验，拥有行业相关国家发明专利和软件著作权多项，先后发表多篇论文，承担省市级及企业横向委托研究课题多项。

潍柴雷沃智慧农业科技股份有限公司