这篇文档属于类型a，即报告单一原创研究的学术论文。以下是针对该研究的学术报告：

基于VMD-GWO-LSTM深度学习模型的区域物流需求预测研究

作者及发表信息
本研究由董萍（1. 三门峡职业技术学院信息传媒学院；2. 河南科技大学应用工程学院）和邵舒羽（北京物资学院物流学院）合作完成，发表于《北京服装学院学报（自然科学版）》（Journal of Beijing Institute of Fashion Technology (Natural Science Edition)）2025年第45卷第3期，DOI编号为10.16454/j.cnki.issn.1001-0564.2025.03.010。

学术背景
物流需求预测是区域物流规划与政策制定的基础，但传统预测方法（如统计模型、时间序列分析等）在处理非线性、非平稳性数据时存在复杂度高、精度不足的问题。近年来，深度学习技术（如LSTM长短期记忆神经网络）因其强大的非线性建模能力被引入该领域，但单一模型仍面临局部突变数据预测误差大的挑战。为此，本研究提出一种结合变分模态分解（Variational Mode Decomposition, VMD）、灰狼优化算法（Grey Wolf Optimization, GWO）和LSTM的混合模型（VMD-GWO-LSTM），旨在通过多模态数据分解与参数优化提升预测精度。

研究流程与方法
1. 数据准备与预处理
- 研究对象：选取北京市1981—2024年物流货运量数据，划分为训练集（1981—2015年，35年数据）和测试集（2016—2024年，9年数据）。
- 输入输出设计：采用前4年数据预测第5年需求，构建四维输入、一维输出的模型结构。

1. 变分模态分解（VMD）

   • 功能：将原始时间序列分解为多个固有模态函数（Intrinsic Mode Function, IMF）分量及残差序列，降低非平稳性。
     
   • 参数设置：分解模态数k=5，中心频率离散化以增强特征多样性。
     

2. 灰狼优化算法（GWO）

   • 目标：优化LSTM超参数（如隐藏层神经元数量、时滞参数）。
     
   • 参数设置：狼群规模40，最大迭代500次，输出最优参数（c, g）= [0.001, 1000]。
     

3. LSTM模型构建与训练

   • 模型结构：输入层、隐含层（23个单元）、循环层、输出层，迭代次数250，学习率0.005。
     
   • 门控机制：通过输入门、遗忘门、输出门动态更新状态，避免梯度消失。
     

4. 预测与结果整合

   • 对各IMF分量单独预测后叠加，获得最终物流需求预测值。
     

主要结果
1. 模型性能对比
- VMD-GWO-LSTM在测试集上的预测误差显著低于对比模型：
- 均方根误差（RMSE）为500.5374，较LSTM（3174.4133）和VMD-LSTM（2689.3408）分别降低84.2%和81.4%。
- 平均绝对百分比误差（MAPE）为1.36%，而LSTM和VMD-LSTM分别为11.10%和7.97%。

1. 分解效果验证

   • VMD分解后的IMF分量振幅稳定（图2），高频分量异常值少，提升了LSTM对各子序列规律的捕捉能力。
     

2. 横向对比实验

   • 与BP神经网络、随机森林等模型相比，VMD-GWO-LSTM在2016—2024年的平均预测准确率达94.60%，显著高于其他模型（如径向基神经网络的90.99%）。
     

结论与价值
1. 方法创新性
- 通过VMD-GWO-LSTM的三阶段协同（分解-优化-预测），解决了单一模型在非线性数据中的局限性，为复杂时序预测提供了新范式。

1. 应用价值

   • 高精度预测（如MAPE 1.36%）可辅助政府规划物流基础设施，企业优化供应链韧性，尤其在应对突发事件（如疫情、自然灾害）时具有决策支持潜力。
     

2. 政策建议

   • 建议整合经济指标、消费模式等多维度数据，构建更全面的预测指标体系；同时需考虑动态事件的影响，开发自适应更新模型。
     

研究亮点
1. 技术融合创新
- 首次将VMD的频域分解能力与GWO的参数全局寻优特性结合，显著提升LSTM的鲁棒性。
2. 实证效果突出
- 在北京物流数据中的预测精度达国际领先水平（MAPE %），为区域物流研究树立了新基准。
3. 可扩展性
- 模型框架可迁移至冷链物流、应急物资调配等场景，具有广泛适用性。

其他价值
本文开源了模型参数设置细节（如GWO种群规模、LSTM学习率），为后续研究提供了可复现的技术路径。此外，作者建议未来研究探索实时数据驱动的动态预测，以进一步提升模型的时效性。