劉艷^1*， 季俊成²

（1.深圳信息職業技術學院 財經學院，廣東深圳 518000，中國；2.澳門理工大學 應用科學院，澳門特別行政區 999078，中國）

摘要：［目的/意義］為了解決冷鏈物流需求預測在數字化轉型中存在特征提取不充分、數據非線性程度高和算法易陷入局部最優等問題，提出一種結合灰色關聯分析（Grey Relational Analysis， GRA）、野馬優化算法（Wild Horse Optimizer， WHO）和時序卷積網絡（Temporal Convolutional Networks， TCN）的組合預測模型，旨在解決需求預測精度不高的問題，以實現農產品供應鏈智能化管理。

［方法］首先運用GRA對農產品冷鏈物流相關指標進行關聯度篩選；其次采用TCN充分考慮農產品供應鏈中社會經濟數據及物流信息中的時序性特征，并使用WHO對TCN模型超參數進行尋優；最后運用優化的GRA-WHO-TCN模型對浙江省冷鏈物流需求進行預測。

［結果和討論］采用WHO的時序算法TCN模型能夠有效提取多維度數據的時序特征和空間特征，具備較好的擬合效果。與GRA-LSTM、GRA-TCN和GRA-WHO-LSTM模型相比，GRA-WHO-TCN冷鏈物流需求預測模型具有較低的均方根誤差值（11.3）和有效的相關系數（0.95），且預測2016—2020年浙江省農產品冷鏈物流需求量分別為2 980、3 046、2 487、2 645和2 799萬噸，能夠實現對冷鏈物流需求較高的預測精度。

［結論］提出的GRA-WHO-TCN模型具備良好的優化和預測能力，能夠為數字經濟背景下農產品供應鏈物資流、信息流發展提供科學預測依據和實際參考價值。

關鍵詞： 數字化轉型；農產品供應鏈；冷鏈物流；灰色關聯分析；野馬優化算法；時序卷積網絡

文章圖片

圖1 時序卷積神經網絡結構圖

Fig. 1 Structure of temporal convolutional networks

圖2 冷鏈物流需求量影響指標灰色關聯度

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

圖3 農產品冷鏈物流數據滑動窗口劃分

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

圖4 LSTM網絡和TCN參數優化結果

Fig 4 Optimization results of LSTM net and TCN parameters

圖5 GRA-WHO-LSTM和GRA-WHO-TCN模型適應度變化

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

通訊作者簡介

劉艷 博士

劉艷，哈爾濱工業大學管理科學與工程博士，深圳信息職業技術學院財經學院講師，目前受聘為區政協咨詢委員會咨詢委員，主要從事區域經濟與產業政策、供應鏈管理、金融科技等領域研究，有多年從事商業銀行產品研發業務的工作經驗，擁有行業相關國家發明專利和軟件著作權多項，先后發表多篇論文，承擔省市級及企業橫向委托研究課題多項。

濰柴雷沃智慧農業科技股份有限公司