基于非线性支持向量机区域物流量预测

1、基于非线性支持向量机区域物流量预测物流科技2007年第9期.区域物流?基于非线性文持向量祝区域物琉量预ForecastingofRegionalLogisticsAmountBasedonNonlinearSupportVectorMachines庞明宝,常振华,刘PANGMing-bao,CHANGZhenhua,LIUJuan娟(河北工业大学,天津300132)fHebeiUniversit)ofTechnolo,Tianjin300132,China)摘要:针对现阶段物流系统样本量少的具体状况,从神经网络的非线性预测分析入手,建立物流量预测非线性支持向量机模型并在廊坊市应用,与其它预测方

2、法进行比拟,证明采用支持向量机用于区域物流量预测的正确性,可行性并具有较高精度.关键词:支持向量机;物流;预测;核函数中图分类号:F127文献标识码:A文章编号Abstract:Startingwiththeanalysisofnonlinearpredictionusingartificialneuralnetworksmodel,weestablishesthenonlinearpredictionmodelofsupportvectormachinesaboutregionallogisticsamountfortherearenotenoughsamplesinlogisticssys

3、temnow,TheapplicationhasbeendoneinLangfangcityofChina.Throughtheerrorcomparison,themodelusingSVMhasthemostprecisionTheresultshowsitscorrectnessandfeasibility.Keywords:supportvectormachines(SVM);logistics;prediction;kernelfunction引言物流预测作为物流系统规划,管理的重要根底1作,预测精度和偏差直接影响到物流系统的分析建模,规划布局,管理,决策等工作的有效性和合理性,选择

4、具有较高精度的预测方法成为工作的首要步骤l".传统物流量定量预测方法有因果关系分析法,时间序列分析法,弹性系数法等,这些方法都存在一定的局限性,主要表现为:一是这些预测模型表示线性关系,对物流量与预测影响因素的高度非线性无法辨识,对于一些模糊等不确定性因素无法处理,造成预测结果的严重失真fzf;二是在实际预测时,由于受到各种客观条件的影响,特别是我国处于现代物流开展的起步阶段,各种标准尚未完善,统计口径还不统一,资料不太齐全,无法取得足够多的样本,使得样本较少,无法保证预测的精度.针对第一种局限,目前广泛采用以神经网络方法,模糊,小波分析,粗糙集理论等智能方法来弥补其非线性与不确定性

5、,并在此根底上进行了大量的各种形式的改良,如采用BP,径向基(RBF),广义回归神经网络0,实时递归学习(RTRL)12等进行物流量预测?所有这些方法同样要求有足够多的样本,使得问题最终归结为寻找,llel,样本预测方法上.支持向量机(SupportVectorMachines,SVM)就是针对社会经济系统中小样本问题的一种非线性模型,目前已经应用于电力系统负荷,地下水位,天气预报,企业管理等系统中:存物流系统叶1,唐伟鸿等采用基于时间序列的SVM进行物流量预测,但时间序列SVM预测现样本数据的下一年物流量时精度高,对未来10多年后的规划年物流量预测精度较差,无法满足在物流系统规划与布局时未来

6、规划年的预测需要:基于此,本文从神经网络的非线性预测人手,建立区域物流量非线性支持向量机预测模型,并在廊坊市具体应用.l神经网络物流量预测人工神经网络预测物流量主要为两种方法.一种为前馈预测方法,设需要预测的物流量用yct)表示,各个相关因素用Xt):ffj,t),(t'表示,其数学公式为:1rt)=厂f1t,t,'.I(1)收稿日期:20070409基金工程:河北省科技研究与开展方案(054572243)作者简介:庞明宝(1966一),男,河南西峡人,河北工业大学土木学院交通运输系,副教授,研充方向:物流与交通系统规划与管理教学与科研工作.20基于非线性支持向量机区域物流量预

7、测为时间序列预测,用非线性多变量函数描述:t't-1,)(t-2),l-rt1(2)其巾,f,=肛l,n+1)是给定时间序列样本值,l厂是高度非线性函数,假设为线性时使用传统AR模型进行预测即可,2支持向量机非线性预测模型2,l根本思想和输变量之间的非线性关系,实现在有限样木情况下的机器学习方法.与人T神经网络相比,SVM不存在容易陷入局部最优等问题,提高泛化能力;SVM有严格的理论根底,是基于结构风险最小化原那么的方法,明显优于传统的基于经验风险最小化原那么的常规神经网络方法;SVM算法是一个凸二次优化问题,保证找到的解是全局最优噼,能较女地解决小样小,非线性,高维数等实际问题采用非

8、线性SVM进行物流量预测实际L就是寻找回归数:cl_,一)K(x,(3)其中,为需要预测的物流,为影响物流量的因素向量,为权重,Z为样本个数,b为闽值,(,一j为核数主要为多项式和径向基核函数:(1)多项式核数(Polvnmial核雨数)K(,21=(2+l】(4)(2)径向基核函数(RBF函数)KI,2j=ex一IIx一2II22盯J(5)求解算法是一个经典的_.次规划问题,可应朋现成的优化软件求解具体步骤为:(1)解_二次规划:Max=一1O/i-0/O/j_【+)O/i-0/st一1=00O/,O/,C,i-1,2,Z(6)求O/,O/的值,以及权值W.其中C为二次优化参数,为不敏感系数

9、.(2)解b的值.(3)把需要预测的影响因素代人式(7),即可得出结果.ft,-.一|l+6(7)3廊坊市物流量预测将2巾理论方法应用于河北省廊坊市物流系统规划的物流量预测巾廊坊市是1989年成立的地级市,统计资料仅从1989年开始到2005年为止l7年,不符合一般传统预测方法中大样本数量要求;对物流系统预测指标,本研究采用货运量来说明:考虑到廊坊市具体产业结构,在仿真例子中采用年末总人口,同内生产总值(GDP),消费品零售额,r广业总产值,农业总产值指标5个影响因素,具体样本数据见表l,其中,单位分别为万人,亿元,万吨2,基于非线性支持向量机区域物流量预测表1廊坊市物流量预测样本数据t总人口

10、CDP消费品零售额工业总产值农业总产值货运量采用传统预测方法中的时间序列和多元线性回归,BP神经网络时间序列和多元非线性回归,SVM核函数分别为多项式和径向基共六种方法的拟合进行测试误差比拟,Matlab编程实现.取19892002年的数据共14个样本为训练数据.20032005年数据为检验数据,所有数据在训练过程中均进行归一化处理.同时,对预测效果进行评价的指标采用预测结果的绝对误差AE,相对误差E,均方误差MSE和平均绝对百分比误差MAPE.多项式核函数SVM中阶数为d=4,C=50,s=0.001,经过训练得到测试数据的实际值与预测值的绝对误差,见值的绝对误差见图2,表2为测试数据的实际

11、值与预测值的误差.图1,图2和表2中的数据均为归一化后的数据.n45i:灏,试由缄03Z3i52;0042004.52.O诚萋的绝对误蔗礞/I_/图1多项式SVM预测误差曲线图2径向基SVM预测的误差采用各种预测方法相对误差比拟结果见表3,显然可以得出:(1)BP神经网络和SVM不需要设计任何数学解析模型,只靠过去的经验来学习,可处理非线性,模糊与含力和预测的精度.22!一:h基于非线性支持向量机区域物流量预测(2)对于BP神经网络,时间序列预测模型训练数据的误差比拟小,而推广能力比拟弱,主要原因是神经网络需要大量的数据,隐层神经元个数比拟少和存在过拟合现象;而多元回归预测模型训练误差比拟大,

12、也就是精度比拟低而推广能力比拟强.(3)SVM预测模型,采用径向基核函数模型比多项式核函数模型具有更好的拟合能力和椎广能力,这是因为核函数参数的选择对于预测的精度和推广能力具有及其重要的影响(4)相比拟而言,SVM预测模型具有更好的拟合计学习算法.不存在过拟合现象,可防止神经网络需要规划问题,算法简单,可以推广应用.采用具有较好拟合和极强推广能力的径向基SVM预测模型,取19892005年的数据共17个样本为训练数据,预测出规划特征年的货运量:2021年为7193万吨;2021年为7792万吨:2021年为10413万吨.4结束语流量预测模型,并在廊坊市应用.通过与传统时间序列,表2径向基SV

13、M的误差比拟t实际值预测值AEEMSE0.1】71980.33620.3323-0.0040-0.0】19040.38370_39l70.008l0.02】e一005多元线性回归,BP神经网络时间序列与多元非线性回归进行比拟,证明采用SVM用于区域物流量预测比其他方法具有更高的预测精度,能对不同年份都做出较为精确的预测,是一种更有潜力的新方法,尤其适用于我国现阶段的具体情况.表3测试数据相对误差E比拟传统预测方法BP神经网络SVM年份时间序列法多元线性回归时间序列非线性回归多项式径向基参考文献:1】2】3】【4】5】高自友,孙会君.现代物流与交通运输系统fM】.北京:人民交通出版社,2003.

14、长安大学:自然科学版,2004,24(6):55-59.赵闯,刘凯,李电生.基于广义回归神经网络的货运量预测Ji.铁道.2004,26(1):1215.,水利,2003(5):122128.物流科技,2005,28(3):8一ll6】VapnikV,eta1.SuppoVectorMethodforFunctionApproximation,RegressionEstimationandSignalProcessingJ.InAdvancesinNeuralInformationProcessingSystems,1997,9:281287.【7】PontilM,eta1.PropertiesofSupportVectorMachinesJ.NeuralComputing,1998,10: