近年来，天猫双十一包裹量的增长呈现“S”形。灰色离散Verhulst模型是对灰色verhulst模型的优化，它不仅适用于具有饱和“S”型特征的数据序列，而且能消除由微分方程跳到差分方程时产生的误差，从而使预测精度更高。通过建立基于灰色离散verhulst模型，对天猫双十一包裹量进行中短期预测，可以为双十一当天第三方物流企业的物流资源规划与配置提供重要依据。
【关键词】离散 verhulst模型 双11包裹量 天猫
1 引言
2017年天猫双11全天产生的包裹量高达8.12亿个，导致短期内物流需求量暴增。第三方物流企业面对急剧增加的物流需求，常常“一忙就乱”，发货时间延迟、物流配送中心爆仓、物流运输及物流信息反馈不及时等问题层出不穷。因此，准确预测天猫双十一包裹量，有助于第三方物流企业提前对整体物流资源进行更加合理、高效的配置。
天猫双十一活动包裹量的增长呈现出饱和“S”形的特征，规律较为固定。灰色离散Verhulst模型是对灰色verhulst模型的优化，不仅对于近似饱和“S”型数据序列模型依然适用，且能消除由微分方程跳到差分方程时产生的误差使预测精度更高。因此，本文选择灰色离散Verhulst模型对天猫双十一包裹量进行预测。
2 基于灰色离散verhulst模型的天猫双+一包裹量预测
选择2011年到2017年天猫双十一包裹量作为原始数据（数据由中国电子商务研究中心每年官方发布的双十一数据整理而得）。原始数据为：
X（0）=[2200，7800，15200，27800，46700，65700，81200]
由于原始数据本身呈S形，因此可以直接取原始数据为X（1），建立verhulst模型
直接对X（1）进行模拟。
Stepl：X0=[2200，7800，15200，27800，46700，65700，81200]
Step2：γ（0）=[0.000455，0.000128，0.000066，0.000036，0.000021，0.000015，0.000012]
Step3：γ（1）=[0.000455，0.000583，0.000649，0.000685，0.000706，0.000721，0.000733]
Step4：应用最小二乘法求解可得参数：
β=（β1，β2，β3）r=（0.000363，0.000005，0.473340）
Step5：灰色离散verhulst模型为
y（1）（t+1）=0.000363+0.000005t+0.47334y（1）（t）
Step6：求解灰色离散verhulst模型得模拟序列为：
X（0）=[2200，7788.11，15142.03，27607.23，45529.86，66026.81，84139.51]
由算结果可知：用灰色离散verhulst构建的天猫双十一包裹量预测模型的精度高达98.69%，可以有效地对天猫双十一包裹量进行预测。并与几种典型的灰色实数序列预测模型预测模拟结果进行对比分析，发现灰色离散verhulst模型的模拟相对误差整体低于GM（1，1）模型和灰色verhulst模型的模拟相对误差，如表1所示。
综上可以看出，基于灰数离散Verhulst模型相对于其他灰色实数序列预测模型的预测结果，表现出了良好的预测效果。
3 结论
本文构建的灰色离散verhulst的天猫双十一包裹量预测模型，与其他经典灰色实数序列预测模型的预测效果相比，误差更低，预测效果更好。因此，预测结果可以作为第三方物流企业提前规划物流资源、做好物流业务流程安排的依据。
