基于QPSO－SVR的售后配件庫(kù)存需求預(yù)測(cè)

楊靜雅，孫林夫

（西南交通大學(xué)CAD 工程中心，四川 成都610031）

0 引 言

確定合理的售后配件庫(kù)存量，使其既不影響車輛維修對(duì)配件的需求，確保向用戶提供及時(shí)服務(wù)，將配件資金占用量降到最低限，盡可能提高企業(yè)抵抗市場(chǎng)風(fēng)險(xiǎn)的能力，成為汽車售后服務(wù)環(huán)節(jié)的一個(gè)重要課題，而售后配件庫(kù)存需求量的預(yù)測(cè)是確定合理配件庫(kù)存量的前提，采用何種預(yù)測(cè)方法提高預(yù)測(cè)的準(zhǔn)確度具有重要意義。

傳統(tǒng)的預(yù)測(cè)方法有回歸預(yù)測(cè) （又稱 “因果分析預(yù)測(cè)”）和時(shí)間序列預(yù)測(cè)［3］，以及基于該兩種方法的組合預(yù)測(cè)?；貧w預(yù)測(cè)的缺點(diǎn)是自變量、因變量指標(biāo)未來(lái)值的選擇本身就帶有預(yù)測(cè)性，影響預(yù)測(cè)的準(zhǔn)確度；時(shí)間序列預(yù)測(cè)包括移動(dòng)平均法、指數(shù)平滑法、鮑克斯－詹金森模型、馬爾柯夫預(yù)測(cè)等，這類方法沒(méi)有考慮影響需求變化的諸多因素，因此預(yù)測(cè)結(jié)果的準(zhǔn)確性不高。近年來(lái)，神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)問(wèn)題中應(yīng)用廣泛［4－7］，然而因其存在固有的缺陷，導(dǎo)致預(yù)測(cè)精度不高，逐 漸 被 支 持 向 量 回 歸 （support vector regression，SVR）方法［8，9］取代，而SVR 參數(shù)的優(yōu)化選擇對(duì)其預(yù)測(cè)精度有重要影響，實(shí)際應(yīng)用中，常采用量子粒子群 （quantum particle swarm optimization，QPSO）智 能 優(yōu) 化 算 法［10－12］尋找最優(yōu)SVR 參數(shù)。

根據(jù)以上分析，本文將SVR 方法應(yīng)用于售后配件庫(kù)存需求預(yù)測(cè)中，采用QPSO 算法對(duì)SVR 參數(shù)進(jìn)行優(yōu)化，設(shè)計(jì)了基于QPSO－SVR的售后配件庫(kù)存需求預(yù)測(cè)流程，并給出相應(yīng)的仿真結(jié)果和性能比較。

1 售后配件庫(kù)存的特點(diǎn)及影響因素

1.1 售后配件供應(yīng)特點(diǎn)及課題研究對(duì)象

為了保證能為客戶提供較好的售后維修服務(wù)和應(yīng)對(duì)激烈的市場(chǎng)競(jìng)爭(zhēng)，整車制造廠組建了一個(gè)三級(jí)配件供應(yīng)網(wǎng)絡(luò)，廠內(nèi)部設(shè)有一個(gè)專門的配件技術(shù)服務(wù)中心 （以下簡(jiǎn)稱 “配件中心”），配件中心有一個(gè)配件倉(cāng)庫(kù) （以下通稱 “廠內(nèi)中心庫(kù)”），負(fù)責(zé)從供應(yīng)商采購(gòu)配件并存儲(chǔ)；在全國(guó)乃至世界各地按車輛客戶片區(qū)建有二級(jí)中心庫(kù)，儲(chǔ)存一定量的常用配件，并設(shè)置片區(qū)經(jīng)理，管轄片區(qū)內(nèi)的配件事務(wù)；各片區(qū)設(shè)有數(shù)量不等的服務(wù)維修點(diǎn) （以下通稱 “服務(wù)商”），向客戶提供維修服務(wù)。廠內(nèi)中心庫(kù)負(fù)責(zé)向二級(jí)中心庫(kù)或服務(wù)商供應(yīng)配件；二級(jí)中心庫(kù)負(fù)責(zé)向服務(wù)商供應(yīng)配件。配件中心根據(jù)售后配件需求預(yù)測(cè)情況給各級(jí)倉(cāng)庫(kù)提供配件庫(kù)存水平的建議，減少庫(kù)存資金占用，同時(shí)達(dá)到整車廠要求的客戶服務(wù)水平。配件供應(yīng)網(wǎng)絡(luò)抽象模型如圖1所示。

圖1 售后配件供應(yīng)網(wǎng)絡(luò)抽象模型

首先由于服務(wù)商的數(shù)量多，配件保有量低，且缺貨時(shí)可以很快從二級(jí)中心庫(kù)取到貨；另外廠內(nèi)中心庫(kù)的配件庫(kù)存量與客戶需求能否及時(shí)滿足二者間沒(méi)有必然聯(lián)系；而處于中間節(jié)點(diǎn)的二級(jí)中心庫(kù)的配件庫(kù)存有一定規(guī)模，對(duì)配件中心指定配件采購(gòu)計(jì)劃具有依據(jù)作用，且與服務(wù)商距離近、與客戶需求關(guān)系緊密。因此本文暫不考慮對(duì)服務(wù)商和廠內(nèi)中心庫(kù)的配件需求進(jìn)行預(yù)測(cè)，僅研究對(duì)各片區(qū)二級(jí)中心庫(kù)配件需求進(jìn)行預(yù)測(cè)，使其持有合理的社會(huì)庫(kù)存水平。

1.2 影響二級(jí)中心庫(kù)配件需求的因素

某片區(qū)中某車型的某種配件需求量的影響因素如下：

（1）該片區(qū)內(nèi)該車型的車輛銷售量：銷售量越大，該種配件的需求量越多。

（2）該片區(qū)內(nèi)該型號(hào)配件歷史維修數(shù)據(jù)：歷史維修數(shù)據(jù)由配件故障引起，配件故障除了受配件故障期影響外，還受多種因素的影響而表現(xiàn)出變異趨勢(shì)，如季節(jié)因素、地域因素 （地形、氣候等）、事故因素、災(zāi)害因素等；而歷史維修數(shù)據(jù)卻能完全動(dòng)態(tài)反應(yīng)配件受各種因素影響的變化，因此可以根據(jù)配件的歷史維修數(shù)據(jù)預(yù)測(cè)該配件的需求［13］。

（3）該型號(hào)配件的投入使用時(shí)間：投入使用時(shí)間越長(zhǎng)，配件由于磨損老化原因而需要更換的概率就越大，配件需求量就越多。

（4）該型號(hào)配件的通用度：若通用度高，則該型號(hào)配件的需求量會(huì)相對(duì)小。

（5）技術(shù)因素：由于技術(shù)手段的缺陷而導(dǎo)致該型號(hào)配件需求出現(xiàn)居高不下的情況。

（6）價(jià)格因素：某車型汽車價(jià)格的變化則會(huì)導(dǎo)致該型號(hào)汽車需求量的變化，從而影響配件需求量。

（7）經(jīng)濟(jì)環(huán)境：經(jīng)濟(jì)環(huán)境對(duì)行業(yè)的影響，若汽車行業(yè)受到波動(dòng)，則某型號(hào)配件的需求量則會(huì)突然大幅增多或減少。

其中 （4）、（5）因素可以在配件歷史維修數(shù)據(jù)中得到反應(yīng)，不作為數(shù)據(jù)的輸入；（3）、（6）、（7）因素相對(duì)復(fù)雜，不易量化，不作為數(shù)據(jù)的輸入。

2 智能優(yōu)化SVR模型

2.1 SVR 模型

假設(shè)給定的樣本數(shù)據(jù)集含有m 個(gè)樣本，對(duì)應(yīng)為｛（xi，yi），i＝1，2，...，m｝，其中，xi（xi∈Rn）是第i個(gè)樣本的n維輸入列向量，xi＝［，，...，］T，相對(duì)應(yīng)的輸出值為yi∈R。SVR 的基本思想是通過(guò)某種非線性映射Φ（·）把輸入樣本數(shù)據(jù)x 映射到一個(gè)高維特征空間H［8］，并且在空間H 中進(jìn)行線性回歸，其線性回歸函數(shù)表示為

式中：f（x）——回歸函數(shù)的預(yù)測(cè)值，ω——超平面的權(quán)值向量，ω ∈Rn；b——偏置量。

定義Lε為不敏感損失函數(shù)

式中：y——真實(shí)值；ε——回歸允許的最大誤差。引入兩個(gè)松弛變量ξi 與ξ＊i ，可以通過(guò)最小化目標(biāo)函數(shù)，得到回歸函數(shù)的系數(shù)ω 和b 的估計(jì)值，其公式如下

式中：正常數(shù)C為懲罰參數(shù)，控制對(duì)超出誤差的樣本的懲罰程度；與分別表示在式（2）約束下，訓(xùn)練誤差的上下限。

引入拉格朗日函數(shù)后，將式 （3）轉(zhuǎn)化為如下的對(duì)偶形式

式中：K（xi，xj）為核函數(shù)。

求解式 （4），得到如下結(jié)果

SVR 中核函數(shù)的選擇對(duì)于回歸機(jī)的性能有很大影響，目前存在的核函數(shù)主要包括：線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向 基 （radial basis function，RBF）核 函 數(shù)、Sigmoid 核函數(shù)，這些函數(shù)中RBF核應(yīng)用最廣，無(wú)論是小樣本還是大樣本，高維還是低維等，RBF 核均適用。與其它核函數(shù)相比，RBF具有以下優(yōu)點(diǎn)：①RBF核函數(shù)可以將樣本映射到一個(gè)更高維的空間，線性核函數(shù)是RBF 的一個(gè)特例。②RBF比多項(xiàng)式核函數(shù)需要確定的參數(shù)少，復(fù)雜程度也相對(duì)小。另外，當(dāng)多項(xiàng)式的階數(shù)比較高時(shí)，核矩陣的元素值將趨于無(wú)窮大或無(wú)窮小，而采用RBF，核矩陣的元素值在區(qū)間 （0，1］上，會(huì)減少數(shù)值計(jì)算的困難。③對(duì)于某些參數(shù)，RBF和Sigmoid具有相似的性能。因此本文選擇RBF 核函數(shù)，其表達(dá)式如下

2.2 基于QPSO 算法的SVR 模型參數(shù)優(yōu)化

2.2.1 SVR 模型參數(shù)優(yōu)化分析

針對(duì)本文建立的SVR 模型，影響預(yù)測(cè)精度的主要因素包括懲罰因子C 和核參數(shù)σ。

（1）懲罰因子C 影響著函數(shù)回歸模型的復(fù)雜度和樣本擬合精度，C 值越大，擬合精度越高，但泛化能力會(huì)越低。

（2）核參數(shù)σ 主要反映了支持向量之間的相關(guān)程度，對(duì)模型的泛化能力有著重大的影響。如果σ 的取值過(guò)小，模型就會(huì)相對(duì)比較復(fù)雜，推廣能力得不到保證；如果σ 的取值過(guò)大，模型難以達(dá)到足夠的預(yù)測(cè)精度。

根據(jù)以上分析可知，如何尋找一個(gè)精確、快速、穩(wěn)定的算法來(lái)實(shí)現(xiàn)對(duì)SVR 模型參數(shù)的優(yōu)化選擇具有重要意義，其本質(zhì)是一個(gè)優(yōu)化搜索的過(guò)程，因此可以采用群體智能優(yōu)化算法進(jìn)行選擇，確定最優(yōu)參數(shù)，提高SVR模型的預(yù)測(cè)精度。

2.2.2 QPSO 算法

假設(shè)搜索空間為D 維空間，種群有m 個(gè)粒子。QPSO算法［8］通過(guò)如下的公式來(lái)更新粒子i的位置

其中，α（t）為收縮擴(kuò)張系數(shù)，通過(guò)調(diào)節(jié)α（t）的值可以控制算法的收斂速度，即

式中：N ——最大迭代次數(shù)。

2.2.3 QPSO 優(yōu)化SVR 參數(shù)的算法實(shí)現(xiàn)

QPSO 算法對(duì)SVR 的參數(shù)C 和σ 進(jìn)行優(yōu)化選擇的步驟如下：

（1）初始化。初始化粒子群的規(guī)模m，設(shè)置t＝0，隨機(jī)產(chǎn)生 ｛C，σ｝作為每個(gè)粒子的當(dāng)前位置Xi（0），并設(shè)每個(gè)粒子的個(gè)體最好位置Pi（0）＝Xi（0）；初始化收縮擴(kuò)張系數(shù)α（t），算法的最大迭代次數(shù)N 和收斂精度δ。

（2）選擇合適的目標(biāo)函數(shù)作為適應(yīng)度函數(shù)，并計(jì)算種群中所有粒子的適應(yīng)值。適應(yīng)度函數(shù)定義為樣本的均方誤差，如式 （11）所示。該公式表示誤差越小，相應(yīng)的適應(yīng)度值越小，適應(yīng)性就越好

式中：yi——實(shí)際值，f（xi）——預(yù)測(cè)值，n——樣本個(gè)數(shù)。

（3）更新個(gè)體極值。將Xi（t）的適應(yīng)度值與Pi（t）的適應(yīng)度值作比較，如果Xi（t）的較優(yōu)，則將當(dāng)前粒子的位置賦值給Pi（t），即Pi（t）＝Xi（t）。

（4）更新群體全局極值。將Xi（t）的適應(yīng)度值與G（t）的適應(yīng)度值作比較，如果Xi（t）的較優(yōu)，則將當(dāng)前粒子的位置賦值給G（t），即G（t）＝Xi（t）。

（5）重復(fù)迭代。重復(fù)上述步驟 （2）到步驟 （4），直到目標(biāo)函數(shù)達(dá)到收斂精度δ或者迭代次數(shù)達(dá)到設(shè)定的最大次數(shù)N 為止。

訓(xùn)練結(jié)束時(shí)，得到SVR 的最優(yōu)參數(shù)。

3 售后配件庫(kù)存需求預(yù)測(cè)流程

基于QPSO－SVR的售后配件庫(kù)存需求預(yù)測(cè)流程如圖2所示。

4 仿真分析

4.1 數(shù)據(jù)來(lái)源

圖2 QPSO－SVR售后配件庫(kù)存需求預(yù)測(cè)流程

汽車產(chǎn)業(yè)鏈協(xié)同SaaS平臺(tái)（http：／／auto.easp.cn）是西南交通大學(xué)和四川省現(xiàn)代服務(wù)科技研究院等單位創(chuàng)建的支持汽車產(chǎn)業(yè)鏈上下游企業(yè)間開(kāi)展業(yè)務(wù)協(xié)同的公共服務(wù)平臺(tái)，目前已經(jīng)為全國(guó)5000多家與汽車生產(chǎn)相關(guān)的上下游企業(yè)提供服務(wù)。本文基于該平臺(tái)，以某汽車企業(yè)A 為核心的企業(yè)群為例，選取遼寧片區(qū)F12 型汽車在2012 年7 月1 日～2014年3月30日期間連續(xù)21個(gè)月的 “刮雨器電機(jī)帶支架總成”的需求量作為樣本數(shù)據(jù)，見(jiàn)表1。該樣本數(shù)據(jù)包含F(xiàn)12型汽車的月銷量、“刮雨器電機(jī)帶支架總成”的月需求量2個(gè)指標(biāo)，形成了21×2的矩陣。以前3個(gè)月的2個(gè)指標(biāo)為輸入變量，當(dāng)月的 “刮雨器電機(jī)帶支架總成”的需求量為輸出變量，得到18組樣本。選取前13 組作為訓(xùn)練樣本集，后面5組作為測(cè)試樣本集。

本文的實(shí)驗(yàn)使用MATLAB R2010b作為軟件平臺(tái)，利用libsvm 工具箱函數(shù)編程實(shí)現(xiàn)SVR 模型的構(gòu)建、訓(xùn)練和仿真。為了更好的對(duì)比預(yù)測(cè)效果，選用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型［4］、PSO－SVR 預(yù) 測(cè) 模 型［14］、QPSO－SVR 預(yù) 測(cè) 模 型，分別進(jìn)行售后配件庫(kù)存需求的預(yù)測(cè)。

表1 “刮雨器電機(jī)帶支架總成”需求樣本數(shù)據(jù)

4.2 數(shù)據(jù)預(yù)處理

對(duì)數(shù)據(jù)進(jìn)行歸一化處理的公式為

式中：xi——需求量實(shí)際值，xmax＝max（xi），xmin＝min（xi）。

4.3 參數(shù)設(shè)置

設(shè)定ε＝0.01，懲罰因子C∈ ［0.1，100］，核參數(shù)σ∈［0.01，1］。

［4］，BP 神經(jīng)網(wǎng)絡(luò)選用6 個(gè)輸入層節(jié)點(diǎn)數(shù)，13個(gè)隱含層節(jié)點(diǎn)數(shù)，1個(gè)輸出層節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)。隱含層的傳遞函數(shù)為tansig，輸出層的為purelin，動(dòng)量項(xiàng)系數(shù)η＝0.8，學(xué)習(xí)率μ＝0.02。

PSO－SVR 和QPSO－SVR 算 法 的 種 群 規(guī) 模 都 取 為20，最大迭代次數(shù)設(shè)置為50，都采用徑向基函數(shù)。參考文獻(xiàn)［14］的PSO 算法，設(shè)置慣性權(quán)重ω＝0.8，學(xué)習(xí)因子c1＝1.5，c2＝1.7。QPSO 算法中的收縮擴(kuò)張系數(shù)α（t）隨著迭代次數(shù)的增加其值從1線性減少到0.5。

4.4 評(píng)價(jià)指標(biāo)

本文選用均方誤差MSE 和決定系數(shù)r2作為預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)。MSE 和r2的具體計(jì)算公式如下

其中，n為測(cè)試樣本個(gè)數(shù)，f（ xi）表示為預(yù)測(cè)值，yi為實(shí)際值。MSE 的值越小，表示模型的預(yù)測(cè)誤差越小，預(yù)測(cè)精度越高。決定系數(shù)r2代表變量之間相關(guān)的密切程度，r2值越接近1，表示模型的回歸擬合效果越好。

4.5 結(jié)果與分析

將配件需求的訓(xùn)練樣本集輸入到SVR 中進(jìn)行學(xué)習(xí)，分別利用PSO 算法和QPSO 算法優(yōu)化SVR 參數(shù)，得到的SVR 最優(yōu)參數(shù)和相應(yīng)預(yù)測(cè)效果如表2所示，圖3 （a）和圖3 （b）為PSO－SVR 和QPSO－SVR 模 型 預(yù) 測(cè) 的 適 應(yīng) 度 值（預(yù)測(cè)結(jié)果的均方誤差），表2和圖3表示QPSO－SVR 模型的預(yù)測(cè)精度和預(yù)測(cè)效果都明顯優(yōu)于PSO－SVR模型，且具有更強(qiáng)的泛化能力。

圖4為BP－NN 模型預(yù)測(cè)的均方誤差變化曲線，表3為BP－NN 預(yù)測(cè)模 型、PSO－SVR 預(yù) 測(cè) 模 型 和QPSO－SVR 預(yù) 測(cè)模型對(duì)5組測(cè)試樣本集數(shù)據(jù)進(jìn)行預(yù)測(cè)的結(jié)果，可以得知，SVR 模型比BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確度更高、預(yù)測(cè)性能更好。

5 結(jié)束語(yǔ)

售后配件庫(kù)存需求量的預(yù)測(cè)是配件庫(kù)存優(yōu)化和庫(kù)存決策的基礎(chǔ)。針對(duì)傳統(tǒng)預(yù)測(cè)方法難以正確反映配件需求的變化規(guī)律，且神經(jīng)網(wǎng)絡(luò)存在局部極小值、過(guò)擬合、泛化能力不強(qiáng)等缺陷，本文提出了SVR 模型預(yù)測(cè)方法，并用QPSO 方法進(jìn)行參數(shù)尋優(yōu)，建立QPSO－SVR預(yù)測(cè)模型。將該預(yù)測(cè)方法與BP－NN和PSO－SVR相比較，實(shí)驗(yàn)結(jié)果表明QPSO－SVR預(yù)測(cè)方法在預(yù)測(cè)精度和預(yù)測(cè)性能上具有一定的優(yōu)異性，能夠?yàn)榕浼?kù)存優(yōu)化提供有價(jià)值的參考意見(jiàn)。如何構(gòu)建配件庫(kù)存優(yōu)化模型作出最優(yōu)庫(kù)存決策將是下一階段研究的方向。

表2 SVR 最優(yōu)參數(shù)及相應(yīng)預(yù)測(cè)效果

圖3 PSO－SVR和QPSO－SVR模型預(yù)測(cè)的適應(yīng)度值

圖4 BP－NN 模型預(yù)測(cè)的均方誤差曲線

表3 3種模型的預(yù)測(cè)結(jié)果

參考文獻(xiàn)：

［1］WANG Shuying.Adaptive evolution technology for collaborative SaaS platform of industrial chains ［J］.Journal of Southwest Jiaotong University，2012，47 （1）：39－45 （in Chinese）.［王淑營(yíng).支撐產(chǎn)業(yè)鏈協(xié)同的SaaS平臺(tái)自適應(yīng)演化技術(shù) ［J］.西南交通大學(xué)學(xué)報(bào)，2012，47 （1）：39－45.］

［2］YANG Jingya，SUN Linfu，WANG Shuying.Information dynamic integration technology of parts inventory for collaborative platform of automobile industrial chains ［J］.Application Research of Computers，2014，31 （4）：1063－1066 （in Chinese）.［楊靜雅，孫林夫，王淑營(yíng).面向汽車產(chǎn)業(yè)鏈協(xié)同平臺(tái)的配件庫(kù)存信息動(dòng)態(tài)集成技術(shù) ［J］.計(jì)算機(jī)應(yīng)用研究，2014，31 （4）：1063－1066.］

［3］Farrell PJ，Ould－Haye M.Robust regression with infinite moving average errors ［M］／／Dependence in Probability and Statistics.Berlin：Springer Verlag，2010：143－157.

［4］LI Zhen，HONG Tiansheng，HONG Ya，et al.Path－loss prediction for radio frequency signal of wireless sensor network in field based on artificial neural network ［J］.Transactions of the CSAE，2010，26 （12）：178－181（in Chinese）.［李震，洪添勝，洪涯，等.基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的無(wú)線傳感器網(wǎng)絡(luò)田間射頻信號(hào)路徑損耗［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26 （12）：178－181.］

［5］Freitas FD，De Souza AF，De Almeida AR.Prediction－based portfolio optimization model using neural networks ［J］.Neurocomputing，2009，72 （10－12）：2155－2170.

［6］Yu L，Wang SY，Lai KK.Neural network－based meanvariance－skewness model for portfolio selection ［J］.Computers＆Operations Research，2008，35 （1）：34－46.

［7］Pourmousavi Kani SA，Aredhali MM.Veryshort－term wind speed prediction：A new artificial neural network－Markov chain model［J］.Energy Conversion and Management，2011，52（1）：738－745.

［8］CHEN Qisong，CHEN Xiaowei，ZHANG Xin，et al.Optimal support vector machine model for boiler load forecasting ［J］.Journal of University of Electronic Science and Technology of China，2010，39 （2）：316－320 （in Chinese）.［陳其松，陳孝威，張欣，等.優(yōu)化SVM 在鍋爐負(fù)荷預(yù)測(cè)中的應(yīng)用 ［J］.電子科技大學(xué)學(xué)報(bào)，2010，39 （2）：316－320.］

［9］GU JR，ZHU MC，JING LGY.Housing price forecasting based on genetic algorithm and support vector machine ［J］.Expert Systems with Applications，2011，38 （4）：3383－3386.

［10］ZHANG Xiaonan，LIU Anxin，LIU Bin，et al.Software reliability prediction based on improved PSO－SVM model［J］.Journal of Computer Applications，2011，31 （7）：1762－1764（in Chinese）.［張曉南，劉安心，劉斌，等.基于優(yōu)化PSOSVM 模型的軟件可靠性預(yù)測(cè) ［J］.計(jì)算機(jī)應(yīng)用，2011，31（7）：1762－1764.］

［11］TU Xin，YAN Hongsen.Product sale forecasting model based on support vector machine with expanded RBF kernel［J］.Computer Integrated Manufacturing Systems，2013，19（6）：1343－1350 （in Chinese）.［涂歆，嚴(yán)洪森.基于擴(kuò)展的徑向基函數(shù)核支持向量機(jī)的產(chǎn)品銷售預(yù)測(cè)模型 ［J］.計(jì)算機(jī)集成制造系統(tǒng)，2013，19 （6）：1343－1350.］

［12］Ilhan Aydin，Mehmet Karakose，Erhan Akin.A multi－objective artificial immune algorithm for parameter optimization in support vector machine［J］.Applied Soft Computing，2011，11（1）：120－129.

［13］LIAO Weizhi，SUN Linfu，DU Ping’an.Forecasting model of auto parts demand for after－sale service ［J］.Computer Integrated Manufacturing Systems，2010，16 （8）：1778－1782（in Chinese）.［廖偉智，孫林夫，杜平安.面向服務(wù)的汽車配件需求預(yù)測(cè)模型 ［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（8）：1778－1782.］

［14］HU Zhiyong，ZHANG Xiufen，XU Jinghua.Shape from shading based on support vector regression algorithm ［J］.Transactions of the CSAM，2012，43 （2）：216－220 （in Chinese）.［胡志勇，張秀芬，徐敬華.基于支持向量回歸的灰度圖像三維形狀重構(gòu) ［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43 （2）：216－220.］