0引言

物流公司作為一種重要的物流服務(wù)提供商，承擔(dān)著對(duì)國(guó)內(nèi)外快遞、包裹和信件進(jìn)行運(yùn)輸、分揀和投遞的重任。隨著電子商務(wù)的興起和物流業(yè)務(wù)的增長(zhǎng)，H公司正面臨著日益增長(zhǎng)的物流需求。而需求預(yù)測(cè)作為物流領(lǐng)域備受關(guān)注的課題，更是迎來了諸多挑戰(zhàn)。該任務(wù)受到全球貿(mào)易量、經(jīng)濟(jì)指標(biāo)和季節(jié)變化等各種因素的動(dòng)態(tài)影響而變得愈發(fā)復(fù)雜。為應(yīng)對(duì)這一挑戰(zhàn)，需要?jiǎng)?chuàng)新方法，能夠捕捉貨運(yùn)需求預(yù)測(cè)固有的復(fù)雜性和非線性[1]。

物流需求預(yù)測(cè)基于過去的銷售數(shù)據(jù)、運(yùn)輸數(shù)據(jù)及其他相關(guān)因素，利用數(shù)學(xué)和統(tǒng)計(jì)方法預(yù)測(cè)未來一段時(shí)間的物流需求量。準(zhǔn)確的需求預(yù)測(cè)可以幫助H公司優(yōu)化資源配置，減少運(yùn)輸成本，提高客戶滿意度。

物流需求預(yù)測(cè)的目的是對(duì)物流資源進(jìn)行合理配置，因此在物流系統(tǒng)規(guī)劃中占據(jù)著重要地位。目前的物流需求預(yù)測(cè)研究許多都集中于單一的預(yù)測(cè)方法，并取得了豐富的研究成果。然而面對(duì)需求預(yù)測(cè)數(shù)據(jù)機(jī)理的復(fù)雜性，以及物流需求相關(guān)影響因素的多樣性，若沿用傳統(tǒng)的單一預(yù)測(cè)方法，將難以保證預(yù)測(cè)的精準(zhǔn)性。

隨著研究的深入，物流需求預(yù)測(cè)將涉及復(fù)雜和動(dòng)態(tài)的性質(zhì)、物流運(yùn)作的不確定性，以及不精確的需求因素等問題，組合模型的優(yōu)勢(shì)將得以顯現(xiàn)。如黃建華等運(yùn)用ARIMA和PCR的組合模型將自回歸移動(dòng)平均法和主成分分析推廣到非線性序列中，提升了模型預(yù)測(cè)的靈活性；曹志強(qiáng)等通過遺傳算法優(yōu)化支持向量回歸機(jī)，采用最優(yōu)參數(shù)構(gòu)造SVR模型，證明GA-SVR與灰色預(yù)測(cè)方法相比，預(yù)測(cè)效果更優(yōu)；黃敏珍等在灰色模型的基礎(chǔ)上應(yīng)用馬爾科夫鏈，構(gòu)建灰色-馬爾科夫鏈組合模型，以此確定系統(tǒng)狀態(tài)轉(zhuǎn)移概率矩陣，有效提高了預(yù)測(cè)精度；Gao等提出了一種集成PROPHET和SVR模型的方法來預(yù)測(cè)季節(jié)性的制造業(yè)需求，通過預(yù)測(cè)季節(jié)波動(dòng)和SVR的輸入變量，提高組合模型的精確性；劉智琦等將k-均值、隨機(jī)森林和分位數(shù)回歸森林算法進(jìn)行結(jié)合，提出了組合機(jī)器學(xué)習(xí)方法[2][3][4][5][6][7][8][9]。

本文根據(jù)物流公司貨運(yùn)量的特點(diǎn)，綜合考慮貨運(yùn)量的關(guān)鍵影響因素，建立組合預(yù)測(cè)算法模型。利用模糊認(rèn)知圖算法分析物流公司貨運(yùn)量各影響因素之間的關(guān)系權(quán)值和狀態(tài)量，借助LSTM神經(jīng)網(wǎng)絡(luò)算法結(jié)合物流公司歷史貨運(yùn)量數(shù)據(jù)來預(yù)測(cè)未來貨運(yùn)量。

1 相關(guān)工作

1.1 模糊認(rèn)知圖

模糊認(rèn)知圖具有神經(jīng)網(wǎng)絡(luò)和模糊集理論的特點(diǎn)，適用于獲取目標(biāo)概念的因果關(guān)系并對(duì)其進(jìn)行表達(dá)。因此，據(jù)此構(gòu)建的神經(jīng)模糊系統(tǒng)可以用于解決決策問題。模糊認(rèn)知圖作為帶有符號(hào)的模糊有向圖，由各概念及各概念之間的關(guān)系組成。而各概念之間的聯(lián)系存儲(chǔ)于概念之間的關(guān)系中。概念用節(jié)點(diǎn)來表示，各概念之間的有向弧反映概念之間的關(guān)系，有向弧上的數(shù)值大小代表概念之間的關(guān)系強(qiáng)弱，而數(shù)值的正負(fù)代表了概念之間的影響方向。

圖1的模糊認(rèn)知圖具有四個(gè)節(jié)點(diǎn)：D1,D2,D3,D4，代表了四個(gè)概念。節(jié)點(diǎn)之間的關(guān)系由有向弧標(biāo)志。D1和D4之間的w14和w41代表D1與D4之間有邏輯傳遞。模糊認(rèn)知圖通過層層迭代，計(jì)算各個(gè)概念對(duì)彼此的影響。模糊認(rèn)知圖的概念屬于非線性函數(shù)，概念節(jié)點(diǎn)采用模糊數(shù)值表示各自的狀態(tài)，每個(gè)路徑利用激活函數(shù)sigmoid和一個(gè)逐點(diǎn)乘法操作來實(shí)現(xiàn)過濾作用。sigmoid激活層負(fù)責(zé)決定哪些信息要更新，數(shù)值將轉(zhuǎn)換成[-1,1]或者[0,1]之間的一個(gè)值。這個(gè)數(shù)值將作為節(jié)點(diǎn)的輸入值。當(dāng)概念節(jié)點(diǎn)的狀態(tài)發(fā)生改變時(shí)，就會(huì)影響到存在因果依賴的節(jié)點(diǎn)。模糊認(rèn)知圖中的各個(gè)概念節(jié)點(diǎn)反復(fù)反饋循環(huán)，通過非線性的方式傳播，使模型最終達(dá)到一個(gè)穩(wěn)定的極限，從而得到各個(gè)概念節(jié)點(diǎn)之間關(guān)系權(quán)值的解。

1.2 關(guān)系權(quán)值的求解

模糊認(rèn)知圖的迭代過程是隨時(shí)間進(jìn)行逐步推理迭代的，每個(gè)節(jié)點(diǎn)的狀態(tài)值是由上一個(gè)節(jié)點(diǎn)的狀態(tài)值通過因果關(guān)系矩陣得出的。如圖2所示。

在模糊認(rèn)知圖中，各個(gè)節(jié)點(diǎn)t時(shí)刻的狀態(tài)值可以表示為X(t)=[X1(t),X2(t),X3(t),...,Xn(t）]，同理，在t+1時(shí)刻，各個(gè)節(jié)點(diǎn)的狀態(tài)值可以表示為X(t+1)=[X1(t+1),X2(t+1),X3(t+1),...,Xn(t+1)][10]。因此，模糊認(rèn)知圖的迭代機(jī)制由如下公式表示。

模糊認(rèn)知圖用Wij代表概念Xi和Xj之間的權(quán)值，W={W11,W12,W13,...,Wnn}表示各個(gè)節(jié)點(diǎn)之間所有權(quán)值的矩陣集合。因此模糊認(rèn)知圖的權(quán)值矩陣表示如下。

1.3 物流需求預(yù)測(cè)

近年來，眾多學(xué)者對(duì)物流需求預(yù)測(cè)進(jìn)行了廣泛的研究，涉及的方法和模型也日益多樣化。其中，一些傳統(tǒng)統(tǒng)計(jì)模型如回歸模型、時(shí)間序列模型等被廣泛應(yīng)用于物流需求預(yù)測(cè)領(lǐng)域。這些方法通過分析歷史數(shù)據(jù)的趨勢(shì)和模式來預(yù)測(cè)未來的物流需求，具有一定的準(zhǔn)確性。然而，傳統(tǒng)統(tǒng)計(jì)模型存在對(duì)數(shù)據(jù)分布和關(guān)系的假設(shè)限制，且無法處理非線性、非穩(wěn)定和非平穩(wěn)等問題。為了克服這些問題，近些年來，一些新興技術(shù)和方法被引入物流需求預(yù)測(cè)中，如邏輯回歸、人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和梯度增強(qiáng)等方法[11]。

本文選擇將模糊認(rèn)知圖與LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合作為預(yù)測(cè)物流需求的方法，旨在提高模型預(yù)測(cè)的精準(zhǔn)性和魯棒性。通過選擇對(duì)物流需求影響相關(guān)性較高的方面，形成概念節(jié)點(diǎn)，然后通過模糊認(rèn)知圖迭代概念節(jié)點(diǎn)，得到各節(jié)點(diǎn)的狀態(tài)值。最后結(jié)合物流公司的歷史貨運(yùn)量數(shù)據(jù)，利用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代選擇，得到最終結(jié)果。這種組合模型能夠有效處理高復(fù)雜性、高維度的物流需求數(shù)據(jù)，并且針對(duì)多種影響概念可以做到有效建模。

2 FCG-LSTM組合算法

2.1 模型概述

本文提出的FCG-LSTM模型包含兩層結(jié)構(gòu)，首先對(duì)影響物流需求的相關(guān)節(jié)點(diǎn)及歷史物流數(shù)據(jù)進(jìn)行迭代，得到各節(jié)點(diǎn)的狀態(tài)值。其次將得到的結(jié)果和歷史物流數(shù)據(jù)作為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)。最后對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估分析，得到最終預(yù)測(cè)結(jié)果。

2.2 LSTM神經(jīng)網(wǎng)絡(luò)算法

LSTM，即長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)算法（Long Short-Term Memory），該算法存在單元狀態(tài)和多種“門”。單元狀態(tài)能夠提供信息傳輸路徑，用于傳遞序列中的相關(guān)信息，即LSTM神經(jīng)網(wǎng)絡(luò)的記憶。單元狀態(tài)通過傳輸序列中的相關(guān)信息，實(shí)現(xiàn)長(zhǎng)短時(shí)記憶。sigmoid函數(shù)圖像如圖3所示。

sigmoid函數(shù)由上式表示，能夠幫助“門”對(duì)傳輸信息進(jìn)行更新或遺忘，當(dāng)“門”的輸出接近0時(shí)，表明傳遞的信息接近于遺忘，即丟失；同理，當(dāng)“門”的輸出接近于1時(shí)，則表明傳遞的信息已被記住。LSTM神經(jīng)網(wǎng)絡(luò)中存在三種“門”結(jié)構(gòu)，即輸入門、遺忘門、輸出門。這些“門”決定著傳遞信息是否被存儲(chǔ)或遺忘。LSTM結(jié)構(gòu)圖如圖4所示。

輸入門具有控制當(dāng)前時(shí)刻的輸入并更新單元狀態(tài)的作用，輸入門將前一時(shí)期傳遞的隱藏狀態(tài)和當(dāng)前的輸入傳輸?shù)絪igmoid函數(shù)中，得到的結(jié)果將決定更新哪些信息。此外，前一個(gè)時(shí)期傳遞的隱藏狀態(tài)和當(dāng)前的輸入也會(huì)被傳到tanh函數(shù)中，產(chǎn)生新的候選值向量。最后，將兩個(gè)函數(shù)的輸出結(jié)果相乘，在相乘的過程中，sigmoid函數(shù)的輸出將決定哪些輸出值中的信息會(huì)被保留。

輸入門的計(jì)算公式為：

輸入狀態(tài)的計(jì)算公式為：

tanh的函數(shù)公式為：

當(dāng)前的單元狀態(tài)是遺忘門的輸出向量與前一層的單元狀態(tài)點(diǎn)乘，并形成新的記憶。其計(jì)算公式為：

當(dāng)單元狀態(tài)值接近于0時(shí)，新的單元狀態(tài)便會(huì)遺忘這些信息，同理，當(dāng)單元狀態(tài)的值越來越接近于1時(shí)，傳輸?shù)男畔⒕驮綍?huì)被新單元狀態(tài)記住。此時(shí)，新的值與輸入門的值相加則可以得到下一個(gè)神經(jīng)元的記憶[12]。

輸出門的主要作用是確定下一個(gè)單元的隱藏狀態(tài)。首先將前一個(gè)單元的隱藏狀態(tài)和當(dāng)前的輸入傳輸?shù)絪igmoid函數(shù)中，得到新的單元狀態(tài)，隨后將其傳到tanh函數(shù)中。并將兩者的輸出相乘，得到下一單元的隱藏狀態(tài)所包含的數(shù)據(jù)信息，這時(shí)形成的隱藏狀態(tài)便是當(dāng)前單元新的隱藏狀態(tài)，新的隱藏狀態(tài)和新的單元狀態(tài)共同傳到下一時(shí)期。輸出門的計(jì)算公式為：

輸出門輸出的結(jié)果之后再與新的記憶單元點(diǎn)乘計(jì)算后得到下一個(gè)階段的隱藏狀態(tài)：

3 模型參數(shù)設(shè)置

3.1 模型參數(shù)

本節(jié)將詳細(xì)介紹研究中使用的模型參數(shù)設(shè)置。模型參數(shù)的選擇和調(diào)整對(duì)于預(yù)測(cè)模型的性能和準(zhǔn)確性至關(guān)重要。在進(jìn)行模型參數(shù)設(shè)置之前，首先需要了解所使用的模型框架。本研究采用的是基于模糊認(rèn)知圖和LSTM混合方法的物流需求預(yù)測(cè)模型。

首先，需要確定LSTM模型的各個(gè)參數(shù)，包括隱藏層的數(shù)量、每個(gè)隱藏層的神經(jīng)元數(shù)量以及學(xué)習(xí)率等。這些參數(shù)的選擇需要根據(jù)實(shí)際問題和數(shù)據(jù)集加以調(diào)整。使用網(wǎng)格搜索方法在一系列可能的參數(shù)值中尋找最優(yōu)組合。具體而言，我們?cè)陔[藏層的數(shù)量中嘗試了1到5個(gè)隱藏層，并在每個(gè)隱藏層中嘗試了50～200個(gè)神經(jīng)元。對(duì)于學(xué)習(xí)率，我們嘗試了0.001～0.1[13]。

其次，需要確定模糊認(rèn)知圖模型的參數(shù)。模糊認(rèn)知圖模型的參數(shù)包括隸屬度函數(shù)的選擇和模糊推理方法的確定。在本研究中，采用了較為常見的隸屬度函數(shù)，如三角隸屬度函數(shù)和高斯隸屬度函數(shù)。對(duì)于模糊推理方法，選用模糊推理的經(jīng)典方法，如最大值法和平均值法。

再次，還需要確定模型的其他參數(shù)，如訓(xùn)練輪數(shù)、批次大小等。本研究將訓(xùn)練輪數(shù)設(shè)置為100，且每個(gè)批次包含32個(gè)樣本。

最后，在確定模型參數(shù)后，使用H公司的物流需求數(shù)據(jù)進(jìn)行模型訓(xùn)練和評(píng)估。將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，其中70%的數(shù)據(jù)用于訓(xùn)練模型，30%的數(shù)據(jù)用于評(píng)估模型的性能。將方根誤差（RMSE）和平均絕對(duì)百分比誤差（MAPE）作為評(píng)估指標(biāo)，以衡量模型預(yù)測(cè)的準(zhǔn)確性。

在模型參數(shù)設(shè)置方面，還需要對(duì)LSTM模型的一些關(guān)鍵參數(shù)進(jìn)行調(diào)整和優(yōu)化。這些參數(shù)包括隱藏層的大小、時(shí)間步的長(zhǎng)度、學(xué)習(xí)率等[14]。

隱藏層的大小是一個(gè)重要參數(shù)，控制著模型的復(fù)雜度和表達(dá)能力。隱藏層較小可能會(huì)導(dǎo)致欠擬合的問題，隱藏層較大則可能導(dǎo)致過擬合問題。因此，我們需要通過交叉驗(yàn)證等方法來確定最合適的隱藏層大小。

時(shí)間步的長(zhǎng)度決定了模型對(duì)歷史信息的記憶能力。較短的時(shí)間步可能無法捕捉長(zhǎng)期的依賴關(guān)系，而較長(zhǎng)的時(shí)間步則可能導(dǎo)致信息混淆。因此，需要在一定的時(shí)間步長(zhǎng)度范圍內(nèi)進(jìn)行嘗試和優(yōu)化，以尋找最合適的時(shí)間步長(zhǎng)度。

學(xué)習(xí)率是控制模型在訓(xùn)練過程中的參數(shù)更新速度。較低的學(xué)習(xí)率可能會(huì)導(dǎo)致訓(xùn)練過程緩慢，較高的學(xué)習(xí)率則可能導(dǎo)致訓(xùn)練不穩(wěn)定。因此需要通過實(shí)驗(yàn)和反復(fù)調(diào)整，選擇一個(gè)適中的學(xué)習(xí)率，以保證模型的訓(xùn)練效果和穩(wěn)定性。

3.2 模型訓(xùn)練相關(guān)數(shù)據(jù)部分展示

數(shù)據(jù)集描述的主要目的是對(duì)所使用的數(shù)據(jù)集進(jìn)行詳細(xì)的介紹和描述。本文將從數(shù)據(jù)來源、數(shù)據(jù)清洗與預(yù)處理以及特征選擇與工程化三個(gè)方面入手對(duì)數(shù)據(jù)集展開描述和分析。H公司物流需求預(yù)測(cè)研究的數(shù)據(jù)主要來源于湖北省郵政公司的內(nèi)部數(shù)據(jù)和外部相關(guān)數(shù)據(jù)，數(shù)據(jù)內(nèi)容如表1所示。內(nèi)部數(shù)據(jù)主要指的是公司本身產(chǎn)生的各類物流數(shù)據(jù)，包括快遞運(yùn)單信息、倉(cāng)儲(chǔ)信息、配送信息等。外部相關(guān)數(shù)據(jù)則涵蓋了相關(guān)的宏觀經(jīng)濟(jì)數(shù)據(jù)、物流市場(chǎng)數(shù)據(jù)以及天氣數(shù)據(jù)等。在對(duì)數(shù)據(jù)分析之前，對(duì)數(shù)據(jù)進(jìn)行清洗和預(yù)處理必不可少。在數(shù)據(jù)清洗過程中，我們可以處理數(shù)據(jù)集中的缺失值、異常值和重復(fù)值。使用合適的統(tǒng)計(jì)方法和算法，能使我們更好地補(bǔ)全缺失值，剔除異常值，并削減重復(fù)值。此外，對(duì)數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換和歸一化處理也是數(shù)據(jù)清洗的一部分。

在數(shù)據(jù)預(yù)處理過程中，通過對(duì)數(shù)據(jù)進(jìn)行分離、劃分和重組等操作，可以使數(shù)據(jù)更適用于后續(xù)的建模和分析。此外，還開展了特征選擇和特征工程的工作，從原始數(shù)據(jù)中提取具有代表性的特征，對(duì)其進(jìn)行處理，以提高模型的準(zhǔn)確性和魯棒性。

3.3 性能評(píng)估指標(biāo)

為了評(píng)估本文所提出的基于模糊認(rèn)知圖和LSTM混合方法的物流需求預(yù)測(cè)模型的性能，使用以下指標(biāo)對(duì)其進(jìn)行評(píng)估。

均方根誤差（RMSE）：用于衡量預(yù)測(cè)值與真實(shí)值之間的差異程度。計(jì)算公式如下：

RMSE=sqrt(1/n*∑（y＿pred-y＿true)^2），其中n表示樣本數(shù)量，y＿pred表示預(yù)測(cè)值，y＿true表示真實(shí)值。

平均絕對(duì)百分比誤差（MAPE）：用于衡量相對(duì)誤差的大小。計(jì)算公式如下：

MAPE=1/n*∑（|（y＿pred-y＿true）/y＿true|*100%），其中n表示樣本數(shù)量，y＿pred表示預(yù)測(cè)值，y＿true表示真實(shí)值[15]。

3.4 模型訓(xùn)練與評(píng)估

針對(duì)H公司物流需求預(yù)測(cè)的問題，本文提出了基于模糊認(rèn)知圖和LSTM混合方法的模型框架。該框架的主要思想是將模糊認(rèn)知圖與LSTM相結(jié)合，利用LSTM模型對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行建模，同時(shí)引入模糊認(rèn)知圖來處理不確定性和模糊性問題。

具體而言，我們首先構(gòu)建了一個(gè)基于LSTM的時(shí)間序列預(yù)測(cè)模型，通過該模型可以捕捉到時(shí)間序列數(shù)據(jù)的長(zhǎng)期依賴性。然后，引入模糊認(rèn)知圖對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正和調(diào)整，以降低數(shù)據(jù)的模糊性和不確定性。

在模糊認(rèn)知圖的構(gòu)建過程中，我們需要考慮多個(gè)影響因素，并將它們表示為模糊集。然后，使用經(jīng)驗(yàn)法推導(dǎo)出與模糊集相關(guān)的模糊規(guī)則。最后，我們將這些模糊規(guī)則應(yīng)用于LSTM模型的預(yù)測(cè)結(jié)果上，得到了修正后的最終預(yù)測(cè)結(jié)果。

在模型訓(xùn)練與評(píng)估階段，我們首先將H公司的歷史物流需求數(shù)據(jù)作為訓(xùn)練集，通過反向傳播算法來優(yōu)化模型參數(shù)。然后，我們使用一部分未知的數(shù)據(jù)作為測(cè)試集，通過計(jì)算預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的誤差來評(píng)估模型的性能。

在訓(xùn)練過程中，我們采用批量梯度下降法來更新模型的參數(shù)，并使用適當(dāng)?shù)膿p失函數(shù)來度量模型預(yù)測(cè)結(jié)果與實(shí)際結(jié)果的差異。通過迭代訓(xùn)練和優(yōu)化，可以逐漸提高模型預(yù)測(cè)的準(zhǔn)確性。

在評(píng)估過程中，我們計(jì)算了模型的均方根誤差（RMSE）和平均絕對(duì)百分比誤差（MAPE）。這些指標(biāo)可以有效評(píng)估模型對(duì)未知數(shù)據(jù)的預(yù)測(cè)能力和穩(wěn)定性。此外，還需要進(jìn)行對(duì)比實(shí)驗(yàn)，將我們的模型與其他常用物流需求預(yù)測(cè)方法進(jìn)行比較。

4 實(shí)證結(jié)果分析

在實(shí)驗(yàn)中，我們將模型應(yīng)用于H公司的物流需求預(yù)測(cè)任務(wù)，并評(píng)估其性能。表2顯示了本文所提出的模型在不同時(shí)段的預(yù)測(cè)結(jié)果及其性能評(píng)估指標(biāo)（RMSE和MAPE）。

5 研究局限與展望

雖然本研究基于模糊認(rèn)知圖和LSTM混合方法進(jìn)行了H公司的物流需求預(yù)測(cè)，但仍存在一定的局限性。首先，預(yù)測(cè)研究的數(shù)據(jù)來源主要依賴于H公司的內(nèi)部數(shù)據(jù)，雖然該數(shù)據(jù)具有一定的代表性，但可能無法完全覆蓋相關(guān)物流市場(chǎng)的整體情況。因此，研究結(jié)果可能會(huì)受到數(shù)據(jù)局限性的影響。其次，本研究所使用的模型框架設(shè)計(jì)和參數(shù)設(shè)置是基于當(dāng)前的研究背景和數(shù)據(jù)條件進(jìn)行的，還存在一定的改進(jìn)空間。例如，可以嘗試使用其他深度學(xué)習(xí)算法或結(jié)合其他技術(shù)方法來提高物流需求預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。最后，本研究在特征選擇和工程化方面仍存在一些不足之處。雖然開展了一定的特征選擇和處理工作，但在特征的選取和處理方法上還存在一定的局限性。未來的研究需要進(jìn)一步探索更有效的特征選擇和處理方法，以增強(qiáng)模型的預(yù)測(cè)性能。