基于遺傳算法優(yōu)化支持向量機(jī)的物流需求預(yù)測研究

高 青

安徽理工大學(xué)經(jīng)濟(jì)與管理學(xué)院，安徽淮南,232001

基于遺傳算法優(yōu)化支持向量機(jī)的物流需求預(yù)測研究

高 青

安徽理工大學(xué)經(jīng)濟(jì)與管理學(xué)院，安徽淮南,232001

為提升物流需求預(yù)測的準(zhǔn)確度，以建立物流需求指標(biāo)為基礎(chǔ)，構(gòu)建了一種遺傳算法(GA)優(yōu)化支持向量機(jī)的物流需求預(yù)測模型(GA-SVM)。首先對物流數(shù)據(jù)進(jìn)行歸一化處理，然后利用GA-SVM刻畫物流需求量與其影響因素間的非線性關(guān)系，并通過遺傳算法優(yōu)化選擇SVM參數(shù)，選取1998-2014年安徽省物流數(shù)據(jù)對模型進(jìn)行測試。結(jié)果表明，GA-SVM在很大程度上提高了物流需求預(yù)測的準(zhǔn)確性，能夠精確地表征物流需求量的變化趨勢，其預(yù)測精度和相對誤差均優(yōu)于對比模型，是一種較好的物流需求預(yù)測方法。

物流需求；支持向量機(jī)；遺傳算法

物流系統(tǒng)的規(guī)劃和設(shè)計必須立足于準(zhǔn)確的物流需求預(yù)測，準(zhǔn)確的物流需求預(yù)測可以幫助行業(yè)企業(yè)設(shè)計科學(xué)的物流系統(tǒng)，分配有限的資源，協(xié)調(diào)物流的供需關(guān)系，進(jìn)而提高區(qū)域經(jīng)濟(jì)發(fā)展水平[1]。國內(nèi)外對物流需求預(yù)測方法的研究擁有很長的歷史，早期的預(yù)測方法主要有時間序列法、指數(shù)平滑法和回歸分析法等[2]。這幾種方法適合解決時間序列和線性數(shù)據(jù)，但對于具有非線性關(guān)系或高維的物流數(shù)據(jù)預(yù)測效果不理想。同時，此類方法主要是集中在對數(shù)據(jù)本身規(guī)律的回歸分析上，忽略了對物流需求量與其影響因素之間聯(lián)系的分析，存在嚴(yán)重的數(shù)據(jù)失真現(xiàn)象[3]。近年來，神經(jīng)網(wǎng)絡(luò)在物流需求量的預(yù)測中被廣泛運用，雖然神經(jīng)網(wǎng)絡(luò)能夠很好地模擬非線性系統(tǒng)，但仍存在局部最優(yōu)和過度擬合等缺點，進(jìn)而影響了預(yù)測的精確度。

支持向量機(jī)是建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上的統(tǒng)計學(xué)習(xí)方法，它有效地克服了神經(jīng)網(wǎng)絡(luò)的缺點，很好地解決了非線性和高維數(shù)據(jù)，很大程度上避免維災(zāi)難和過度學(xué)習(xí)等問題[4]。但和其他學(xué)習(xí)算法一樣，支持向量機(jī)訓(xùn)練參數(shù)的選擇對模型預(yù)測效果有很大的影響[3]。因此，在實踐中，選擇契合的參數(shù)成為獲得較優(yōu)模型的關(guān)鍵。

本文將遺傳算法與支持向量機(jī)相結(jié)合，提出了遺傳算法優(yōu)選支持向量機(jī)參數(shù)的方法，得到最優(yōu)的物流需求預(yù)測模型。以安徽省1998-2014年物流需求量作為試驗數(shù)據(jù)進(jìn)行研究，結(jié)果表明，相比于粒子群優(yōu)化支持向量機(jī)和普通支持向量機(jī)模型，GA-SVM模型的準(zhǔn)確度最高，誤差最小，更有效地預(yù)測了物流需求量。

1 物流需求指標(biāo)選取

孫啟鵬等從下面幾個方面定量描述了物流需求量，主要包括物流和區(qū)域經(jīng)濟(jì)發(fā)展的關(guān)系、物流作業(yè)內(nèi)容以及物流本源需求規(guī)模的大小等[5]。黃虎認(rèn)為，區(qū)域經(jīng)濟(jì)整體水平和規(guī)模、區(qū)域經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)和產(chǎn)品結(jié)構(gòu)、區(qū)域經(jīng)濟(jì)的空間網(wǎng)絡(luò)布局、物流設(shè)施和服務(wù)、物流費用的變動、技術(shù)創(chuàng)新、區(qū)域地理位置等影響區(qū)域物流需求[6]。林榮天等選取GDP、區(qū)域零售總額、人均消費水平等指標(biāo)，創(chuàng)立了系統(tǒng)的物流需求預(yù)測指標(biāo)體系[7]。李雋波等采用GDP、產(chǎn)業(yè)結(jié)構(gòu)比例、人口數(shù)量等指標(biāo)，利用多元線性回歸模型預(yù)測了冷鏈物流需求量，取得了較準(zhǔn)確的預(yù)測結(jié)果[8]。楊波等使用重慶空港物流園的相關(guān)數(shù)據(jù)，如空港貨物吞吐量、GDP、工業(yè)總產(chǎn)值、進(jìn)出口總產(chǎn)值作為預(yù)測參數(shù)，采用組合預(yù)測方法，較準(zhǔn)確地預(yù)測了2020年重慶空港物流園的物流需求量[9]。彭湖等運用主成分回歸分析方法，利用云南省2001-2013年物流數(shù)據(jù)，取得了較精確的預(yù)測結(jié)果，為云南省物流行業(yè)的發(fā)展提供了借鑒[10]。

總而言之，關(guān)于選擇預(yù)測對象和預(yù)測指標(biāo)，學(xué)術(shù)界沒有建立統(tǒng)一的標(biāo)準(zhǔn)?？偟膩砜?，度量物流需求指標(biāo)體系主要有實物量體系和價值量體系兩類。由于缺失必要的統(tǒng)計數(shù)據(jù)，在使用價值量體系時，只能憑借經(jīng)驗預(yù)測物流需求量，所以本文在實物量體系中選擇貨運量來表示物流需求量。

從以往的研究來看，大多數(shù)學(xué)者認(rèn)為，物流需求和區(qū)域物流影響因素存在著一定的函數(shù)聯(lián)系，因此，本文利用物流影響因素來預(yù)測物流需求，并且借鑒已有的研究成果，兼顧數(shù)據(jù)資料的易得性，選取以下指標(biāo)作為區(qū)域物流影響因素指標(biāo)：GDP，固定資產(chǎn)，第一、二、三產(chǎn)業(yè)產(chǎn)值，進(jìn)出口貿(mào)易總額，居民消費水平，貨運量和貨物周轉(zhuǎn)量等

2 基于GA-SVM的物流需求預(yù)測模型

2.1 支持向量機(jī)

支持向量機(jī)(support vector machine，SVM)是基于統(tǒng)計學(xué)習(xí)理論中的VC維理論和結(jié)構(gòu)風(fēng)險最小化理論建立的統(tǒng)計學(xué)習(xí)方法[11]。支持向量機(jī)很好地解決了非線性和高維數(shù)據(jù)，很大程度上避免維災(zāi)難和過度學(xué)習(xí)等問題[11]。支持向量機(jī)已經(jīng)成為一種備受關(guān)注的分類技術(shù)，它具有堅實的統(tǒng)計學(xué)理論基礎(chǔ)，并廣泛地應(yīng)用于手寫數(shù)字識別、文本分類和人臉圖像識別等。

f(x)=ωTΦ(x)+b

(1)

其中，ω 表示權(quán)值向量，b表示偏置量。

為了使支持向量機(jī)在訓(xùn)練集上獲得推廣能力較好的模型，必須最小化經(jīng)驗風(fēng)險，同時最大限度地降低預(yù)測模型的復(fù)雜度，即對下面函數(shù)進(jìn)行優(yōu)化求解的過程：

(2)

(3)

引入拉格朗日函數(shù)來解決凸二次優(yōu)化問題，即：

(4)

經(jīng)過計算得到SVM預(yù)測模型為

(5)

常用的非線性核函數(shù)主要有線性核函數(shù)、BRF核函數(shù)等。本文選擇BRF核函數(shù)，其定義為：

(6)

支持向量機(jī)預(yù)測模型為：

(7)

由于本文的支持向量機(jī)采用BRF核函數(shù)，因此，參數(shù)σ、c對支持向量機(jī)模型的預(yù)測效果影響較大，為此，本文使用尋優(yōu)能力較強(qiáng)的GA來優(yōu)化SVM參數(shù)。

2.2 基于GA-SVM的物流需求預(yù)測流程

遺傳算法(genetic algorithm，GA)是由Holland及其學(xué)生以達(dá)爾文的進(jìn)化論和孟德爾的遺傳學(xué)說為基礎(chǔ)建立的隨機(jī)搜索和優(yōu)化算法[12]。大量研究表明，遺傳算法是一種全局尋優(yōu)能力強(qiáng)的群智化算法，具有簡單、易于實現(xiàn)等特點。鑒于此，本文選擇GA優(yōu)化SVM參數(shù)，提高預(yù)測模型的精度，具體的GA-SVM物流需求預(yù)測過程如圖1所示。

圖1 基于GA-SVM模型參數(shù)優(yōu)化流程圖

2.3 預(yù)測模型對比模型與性能評價指標(biāo)

為了衡量模型的預(yù)測性能，選擇網(wǎng)絡(luò)優(yōu)化SVM和POS優(yōu)化SVM(POS-SVM)模型作為對比，并使用均方根誤差RMSE、平均絕對誤差百分比MAPE和預(yù)測準(zhǔn)確度AL來評價模型的擬合能力和泛化誤差，具體定義如下。

均方根誤差：

(8)

平均絕對誤差百分比：

(9)

預(yù)測準(zhǔn)確度：

(10)

3 實例分析

安徽省地處我國大陸東部，同經(jīng)濟(jì)發(fā)達(dá)的長三角毗鄰，擁有發(fā)達(dá)的交通運輸網(wǎng)絡(luò)，具有連接南北、承東啟西的地理優(yōu)勢。在中部發(fā)展戰(zhàn)略崛起的背景下，安徽省的經(jīng)濟(jì)發(fā)展迎來了新契機(jī)，物流業(yè)作為促進(jìn)經(jīng)濟(jì)發(fā)展的重要動力也擁有巨大的發(fā)展?jié)摿?。為能平衡物流需求與供應(yīng)，統(tǒng)籌規(guī)劃物流資源，對物流需求量進(jìn)行準(zhǔn)確的預(yù)測則顯得尤為重要。

3.1 數(shù)據(jù)來源與處理

選取安徽省1998-2014年相關(guān)數(shù)據(jù)，以運貨

表1 物流需求指標(biāo)體系

續(xù)表1

年份社會消費品零售總額/(X6/萬元)進(jìn)出口貿(mào)易總額/(X7/億美元)居民消費水平/(X8/元)貨物周轉(zhuǎn)量/(X9/萬噸)郵電業(yè)務(wù)量/(X10/萬元)1998924822322655723709179412573314.21999979139026489425239774992789178.4200010542618334689258810761170120139820011142819836199727391093210312245672002122871204181252988124986521434890200313312492594291331213557784176941020041503078672112137071450629822346662005176497539119713888156648022840149200620294001122486044411703005535580902007240373041592978527819889759446413020082965546420435296006584349425507520200935277844156352068296322004866248472010415151722427677823771536800300324420114900639631337821005584466179361614320125685555839325271097898315954405179220136481418845633751173411158962051339862014795703334927279129441350089155860055

注：數(shù)據(jù)來自《安徽省統(tǒng)計年鑒(1999-2015)》。

量衡量安徽省物流需求規(guī)模，并根據(jù)區(qū)域物流影響因素指標(biāo)，建立物流需求指標(biāo)體系(表1)。

為了提高支持向量機(jī)的數(shù)據(jù)處理速度和預(yù)測準(zhǔn)確度，依據(jù)公式(11)對表1中的數(shù)據(jù)進(jìn)行歸一化處理，歸一化后的數(shù)據(jù)如表2所示。

(11)

表2 歸一化后的物流需求指標(biāo)體系

續(xù)表2

年份社會消費品零售總額/(X6/萬元)進(jìn)出口貿(mào)易總額/(X7/億美元)居民消費水平/(X8/元)貨物周轉(zhuǎn)量/(X9/萬噸)郵電業(yè)務(wù)量/(X10/萬元)19980.0000.0000.0000.0000.00019990.0080.0080.0140.0050.04120000.0180.0230.0210.0130.11920010.0310.0290.0350.0140.12320020.0430.0410.0580.0260.16320030.0580.0780.0890.0350.22620040.0820.1050.1260.0420.31420050.1190.1460.1440.0520.42920060.1570.2120.1960.0620.56520070.2100.2910.2750.0850.73620080.2900.3870.3440.3910.93320090.3700.2840.4220.4291.14520100.4590.4680.5550.4960.46020110.5650.6180.7270.5980.57620120.6770.7880.8140.7080.65820130.7900.9230.8860.8140.86320141.0001.0001.0001.0001.000

3.2 預(yù)測結(jié)果分析

基于Matlab 7.0軟件，以1998-2010年的樣本數(shù)據(jù)作為訓(xùn)練集，用于建模與參數(shù)優(yōu)化，以2011-2014年的數(shù)據(jù)作為測試集，用于檢驗?zāi)Ｐ偷姆夯芰Α?/p>

分別使用GA-SVM、POS-SVM、SVM模型對訓(xùn)練集進(jìn)行學(xué)習(xí)，各個模型對訓(xùn)練集的預(yù)測結(jié)果如圖2所示。從圖2可以看出,在上述三個模型中，GA-SVM的預(yù)測值曲線與訓(xùn)練集真實值的曲線基本一致，擬合結(jié)果最好，模型性能最優(yōu)。

利用上面最優(yōu)模型預(yù)測2011-2014年的物流需求量，得到如表3的所示物流需求量。分析表3可得，GA-SVM模型預(yù)測的結(jié)果相對誤差最小，與真實值最為接近。

圖2 三種模型對訓(xùn)練集的預(yù)測結(jié)果對比

將表3的數(shù)據(jù)繪制成散點圖，如圖3所示，可以發(fā)現(xiàn)GA-SVM的預(yù)測值與測試集的真實值更趨于一致，同時結(jié)合表4的GA-SVM模型預(yù)測精度，得知其預(yù)測精度達(dá)到了0.99983。

圖3 三種模型對測試集的預(yù)測結(jié)果對比

表3 各模型對測試集的預(yù)測結(jié)果及相對誤差

表4 GA-SVM模型預(yù)測精度

根據(jù)上述分析可知，GA-SVM模型能夠精確地表征物流需求量的變化趨勢，具有很高的實用性，是一種較好的物流需求預(yù)測方法。

4 結(jié)束語

物流是連接社會再生產(chǎn)過程中生產(chǎn)與消費的橋梁，物流的發(fā)展與區(qū)域經(jīng)濟(jì)的發(fā)展有十分密切關(guān)系，準(zhǔn)確地預(yù)測物流需求，可以促進(jìn)經(jīng)濟(jì)的快速發(fā)展。本文利用安徽省1998-2014年的統(tǒng)計數(shù)據(jù)資料作實證分析對象，由于物流需求量的非線性、不確定性等特點以及SVM參數(shù)優(yōu)化問題，提出了GA-SVM物流需求預(yù)測模型。結(jié)果表明，該模型預(yù)測準(zhǔn)確性很高，推廣能力強(qiáng)，擁有較好的實用價值，在物流需求預(yù)測中有很好的運用前景。依據(jù)GA-SVM模型預(yù)測成果，可以描述安徽省物流需求量規(guī)律，為應(yīng)對安徽省物流業(yè)的快速發(fā)展做好必要的準(zhǔn)備。

[2]夏國恩.區(qū)域物流需求預(yù)測現(xiàn)狀和發(fā)展研究[J].中國物流與采購,2010(4):68-69

[3]孫煦,陸化普,吳娟.基于蟻群優(yōu)化支持向量機(jī)模型的公路客運量預(yù)測[J].合肥工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2012,35(1):124-129

[4]顧亞祥,丁世飛.支持向量機(jī)研究進(jìn)展[J].計算機(jī)科學(xué),2011,38(2):14-17

[5]孫啟鵬,丁海鷹.區(qū)域物流需求量預(yù)測理論及模型構(gòu)建[J].物流技術(shù),2004(10):27-30

[6]黃虎.區(qū)域物流需求預(yù)測模型研究[J].統(tǒng)計與決策,2008(17):62-64

[7]林榮天,陳聯(lián)誠,李紹靜,等.基于灰色神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測[J].價值工程,2007(2):92-94

[8]李雋波,孫麗娜.基于多元線性回歸分析的冷鏈物流需求預(yù)測[J].安徽農(nóng)業(yè)科學(xué),2011,39(11):6519-6520,6523

[9]楊波,吳涵.基于組合預(yù)測模型的物流園區(qū)物流需求預(yù)測—以重慶空港物流園為例[J].數(shù)學(xué)的實踐與認(rèn)識,2015,45(20):16-25

[10]彭湖,何民.基于主成分回歸的區(qū)域物流需求預(yù)測研究—以云南省為例[J].交通運輸研究,2015,1(3):60-64

[11]丁世飛,齊丙娟,譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報,2011,40(1):2-10

[12]吉根林.遺傳算法研究綜述[J].計算機(jī)應(yīng)用與軟件,2004,21(2):69-73

(責(zé)任編輯：周博)

10.3969/j.issn.1673-2006.2016.12.009

2015-09-21

高青(1989-)，安徽蚌埠人，在讀碩士研究生，主要研究方向:數(shù)據(jù)挖掘與風(fēng)險決策研究。

TP391；F201

A

1673-2006(2016)12-0031-05