一、物流预测的方法以及别称？

通常，如果影响物流需求预测的相关信息是模糊的、主观的，无法量化，而且相关的历史数据很少，或是与当前的预测相关程度很低，往往只能选择定性的方法进行预测。

由于我国企业对物流的认识起步较晚，物流方面的统计工作尚不完善，而且也没有适当的数据可以使用，定性预测方法在一定范围内将会得到较多使用。而且中期到长期的预测更多选用此方法。

情景预测法是一种新兴的预测法，由于它不受任何条件限制，应用起来灵活，能充分调动预测人员的想象力，考虑较全面，有利于决策者更客观地进行决策，在制定经济政策、公司战略等方面有很好的应用。

但在应用过程中一定要注意具体问题具体分析，同一个预测主题，遇有其所处环境不同，最终的情景可能会有很大的差异。

定性预测主要是利用直观材料，依靠管理者个人的经验和综合分析能力，对未来的发展方向和趋势做出推断，其优点是直观简单、适应性强。

二、为何随机森林的机器学习统计模型预测法官投票准确率胜过专家？

因为随机森林的机器学习统计模型进行了大量的数据分析，该模型先学习了1816年到2015年最高法院案例特征与裁决结果之间的关联，然后按年份研究每个案例的特征并预测裁决结果，最后被“投喂”关于该年份裁决结果实际信息的算法升级了预测策略，并继续进行下一年的预测。

用计算机算法预测法官行为并不稀奇。

2011年，西班牙学者在一项研究中，使用1953年到2004年任意8名法官的投票，来预测同一案件中第9名法官的投票，准确率为83%；2004年，美国学者使用1994年以来一直在法院工作的9名法官的判决，来预测2002年案件的判决结果，准确率为75%。

而伊利诺伊大学理工学院法学教授丹尼尔·卡茨的团队利用最高法院数据库，为每个投票标注了16个特征，包括法官任期、诉讼发起法庭、口头辩论是否被听到等，创建了最先进的算法。

对1816年到2015年美国最高法院的判决进行预测，准确率高于70%，较知识渊博的法律专家（预测准确率为66%）更胜一筹。

结果显示，对于28000项判决结果及24万张法官投票，新模型算法预测的正确率分别为70.2%和71.9%。相关研究文章发表在《公共科学图书馆·综合》（PLOSONE）上。